1、为什么需要分布式 ID？

对于单体系统来说，主键 ID 可能会常用主键自动的方式进行设置，这种 ID 生成方法在单体项目是可行的，但是对于分布式系统，分库分表之后，就不适应了，比如订单表数据量太大了，分成了多个库，如果还采用数据库主键自增的方式，就会出现在不同库 id 一致的情况，虽然是不符合业务的

2、业务系统对分布式 ID 有什么要求？

• 全局唯一性：ID 是作为唯一的标识，不能出现重复

• 趋势递增：互联网比较喜欢 MySQL 数据库，而 MySQL 数据库默认使用 InnoDB 存储引擎，其使用的是聚集索引，使用有序的主键 ID 有利于保证写入的效率

• 单调递增：保证下一个 ID 大于上一个 ID，这种情况可以保证事务版本号，排序等特殊需求实现

• 信息安全：前面说了 ID 要递增，但是最好不要连续，如果 ID 是连续的，容易被恶意爬取数据，指定一系列连续的，所以 ID 递增但是不规则是最好的

3、分布式 ID 生成方案

• UUID

• 数据库自增

• 号段模式

• Redis 实现

• 雪花算法（SnowFlake）

• 百度 Uidgenerator

• 美团 Leaf

• 滴滴 TinyID

3.1 UUID

UUID （Universally Unique Identifier），通用唯一识别码的缩写。UUID 的标准型式包含 32 个 16 进制数字，以连字号分为五段，形式为 8-4-4-4-12 的 36 个字符，示例： 863e254b-ae34-4371-87da-204b71d46a7b。UUID 理论上的总数为 1632=2128，约等于 3.4 x 10^38。

• 优点性能非常高，本地生成的，不依赖于网络

• 缺点不易存储，16 字节 128 位，36 位长度的字符串信息不安全，基于 MAC 地址生成 UUID 的算法可能会造成 MAC 地址泄露，暴露使用者的位置 uuid 的无序性可能会引起数据位置频繁变动，影响性能

3.2、数据库自增

在分布式环境也可以使用 mysql 的自增实现分布式 ID 的生成，如果分库分表了，当然不是简单的设置好 auto_increment_increment 和 auto_increment_offset 即可，在分布式系统中我们可以多部署几台机器，每台机器设置不同的初始值，且步长和机器数相等。比如有两台机器。设置步长 step 为 2，Server1 的初始值为 1（1，3，5，7，9，11…）、Server2 的初始值为 2（2，4，6，8，10…）。这是 Flickr 团队在 2010 年撰文介绍的一种主键生成策略（Ticket Servers: Distributed Unique Primary Keys on the Cheap ）

假设有 N 台机器，step 就要设置为 N，如图进行设置：

这种方案看起来是可行的，但是如果要扩容，步长 step 等要重新设置，假如只有一台机器，步长就是 1，比如 1,2,3,4,5,6，这时候如果要进行扩容，就要重新设置，机器 2 可以挑一个偶数的数字，这个数字在扩容时间内，数据库自增要达不到这个数的，然后步长就是 2，机器 1 要重新设置 step 为 2，然后还是以一个奇数开始进行自增。这个过程看起来不是很杂，但是，如果机器很多的话，那就要花很多时间去维护重新设置

这种实现的缺陷：

• ID 没有了单调递增的特性，只能趋势递增，有些业务场景可能不符合

• 数据库压力还是比较大，每次获取 ID 都需要读取数据库，只能通过多台机器提高稳定性和性能

3.3、号段模式

这种模式也是现在生成分布式 ID 的一种方法，实现思路是会从数据库获取一个号段范围，比如[1,1000]，生成 1 到 1000 的自增 ID 加载到内存中，建表结构如：

CREATE TABLE id_generator (  id int(10) NOT NULL,  max_id bigint(20) NOT NULL COMMENT '当前最大id',  step int(20) NOT NULL COMMENT '号段的布长',  biz_type	int(20) NOT NULL COMMENT '业务类型',  version int(20) NOT NULL COMMENT '版本号',  PRIMARY KEY (`id`)) 

• biz_type ：不同业务类型

• max_id ：当前最大的 id

• step ：代表号段的步长

• version ：版本号，就像 MVCC 一样，可以理解为乐观锁

等 ID 都用了，再去数据库获取，然后更改最大值

update id_generator set max_id = #{max_id+step}, version = version + 1 where version = # {version} and biz_type = XXX

• 优点：有比较成熟的方案，像百度 Uidgenerator，美团 Leaf

• 缺点：依赖于数据库实现

3.4、 Redis 实现

Redis 分布式 ID 实现主要是通过提供像 INCR 和 INCRBY 这样的自增原子命令，由于 Redis 单线程的特点，可以保证 ID 的唯一性和有序性

这种实现方式，如果并发请求量上来后，就需要集群，不过集群后，又要和传统数据库一样，设置分段和步长

优缺点：

• 优点：Redis 性能相对比较好，又可以保证唯一性和有序性

• 缺点：需要依赖 Redis 来实现，系统需要引进 Redis 组件

3.4、 雪花算法（SnowFlake）

Snowflake，雪花算法是由 Twitter 开源的分布式 ID 生成算法，以划分命名空间的方式将 64-bit 位分割成多个部分，每个部分代表不同的含义，64 位，在 java 中 Long 类型是 64 位的，所以 java 程序中一般使用 Long 类型存储

• 第一部分：第一位占用 1bit，始终是 0，是一个符号位，不使用

• 第二部分：第 2 位开始的 41 位是时间戳。41-bit 位可表示 241 个数，每个数代表毫秒，那么雪花算法可用的时间年限是(241)/(1000606024365)=69 年的时间

• 第三部分：10-bit 位可表示机器数，即 2^10 = 1024 台机器。通常不会部署这么多台机器

• 第四部分：12-bit 位是自增序列，可表示 2^12 = 4096 个数。觉得一毫秒个数不够用也可以调大点

• 优点：雪花算法生成的 ID 是趋势递增，不依赖数据库等第三方系统，生成 ID 的效率非常高，稳定性好，可以根据自身业务特性分配 bit 位，比较灵活

• 缺点：雪花算法强依赖机器时钟，如果机器上时钟回拨，会导致发号重复或者服务会处于不可用状态。如果恰巧回退前生成过一些 ID，而时间回退后，生成的 ID 就有可能重复。

3.5、 百度 Uidgenerator

百度的 UidGenerator 是百度开源基于 Java 语言实现的唯一 ID 生成器，是在雪花算法 snowflake 的基础上做了一些改进。引用官网的解释：

UidGenerator 是 Java 实现的, 基于 Snowflake 算法的唯一 ID 生成器。UidGenerator 以组件形式工作在应用项目中, 支持自定义 workerId 位数和初始化策略, 从而适用于 docker 等虚拟化环境下实例自动重启、漂移等场景。 在实现上, UidGenerator 通过借用未来时间来解决 sequence 天然存在的并发限制; 采用 RingBuffer 来缓存已生成的 UID, 并行化 UID 的生产和消费, 同时对 CacheLine 补齐，避免了由 RingBuffer 带来的硬件级「伪共享」问题. 最终单机 QPS 可达 600 万。

Snowflake 算法描述：指定机器 & 同一时刻 & 某一并发序列，是唯一的。据此可生成一个 64 bits 的唯一 ID（long）。默认采用上图字节分配方式：

sign(1bit)：固定 1bit 符号标识，即生成的 UID 为正数。delta seconds (28 bits)：当前时间，相对于时间基点"2016-05-20"的增量值，单位：秒，最多可支持约 8.7 年 worker id (22 bits)：机器 id，最多可支持约 420w 次机器启动。内置实现为在启动时由数据库分配，默认分配策略为用后即弃，后续可提供复用策略。sequence (13 bits)：每秒下的并发序列，13 bits 可支持每秒 8192 个并发。

详细的，可以参考官网解释，链接：https://github.com/baidu/uid-generator/blob/master/README.zh_cn.md

3.6、 美团 Leaf

Leaf 这个名字是来自德国哲学家、数学家莱布尼茨的一句话： >There are no twoidentical leaves in the world > “世界上没有两片相同的树叶”

Leaf 提供两种生成的 ID 的方式：号段模式(Leaf-segment)和 snowflake 模式(Leaf-snowflake）。你可以同时开启两种方式，也可以指定开启某种方式，默认两种方式为关闭状态。

• Leaf­segment 数据库方案

  
  

  其实就是前面介绍的号段模式的改进，可以引用美团技术博客的介绍：

第一种 Leaf-segment 方案，在使用数据库的方案上，做了如下改变： - 原方案每次获取 ID 都得读写一次数据库，造成数据库压力大。改为利用 proxy server 批量获取，每次获取一个 segment(step 决定大小)号段的值。用完之后再去数据库获取新的号段，可以大大的减轻数据库的压力。 - 各个业务不同的发号需求用 biz_tag 字段来区分，每个 biz-tag 的 ID 获取相互隔离，互不影响。如果以后有性能需求需要对数据库扩容，不需要上述描述的复杂的扩容操作，只需要对 biz_tag 分库分表就行

表结构设计：

>+-------------+--------------+------+-----+-------------------+-----------------------------+| Field       | Type         | Null | Key | Default           | Extra                       |+-------------+--------------+------+-----+-------------------+-----------------------------+| biz_tag     | varchar(128) | NO   | PRI |                   |                             || max_id      | bigint(20)   | NO   |     | 1                 |                             || step        | int(11)      | NO   |     | NULL              |                             || desc        | varchar(256) | YES  |     | NULL              |                             || update_time | timestamp    | NO   |     | CURRENT_TIMESTAMP | on update CURRENT_TIMESTAMP |+-------------+--------------+------+-----+-------------------+-----------------------------+

• Leaf­snowflake 方案

  
  

  Leafsnowflake 是在雪花算法上改进来的，引用官网技术博客介绍：

Leaf-snowflake 方案完全沿用 snowflake 方案的 bit 位设计，即是“1+41+10+12”的方式组装 ID 号。对于 workerID 的分配，当服务集群数量较小的情况下，完全可以手动配置。Leaf 服务规模较大，动手配置成本太高。所以使用 Zookeeper 持久顺序节点的特性自动对 snowflake 节点配置 wokerID。Leaf-snowflake 是按照下面几个步骤启动的：

启动 Leaf-snowflake 服务，连接 Zookeeper，在 leaf_forever 父节点下检查自己是否已经注册过（是否有该顺序子节点）。如果有注册过直接取回自己的 workerID（zk 顺序节点生成的 int 类型 ID 号），启动服务。如果没有注册过，就在该父节点下面创建一个持久顺序节点，创建成功后取回顺序号当做自己的 workerID 号，启动服务。

这种方案解决了前面提到的雪花算法的缺陷，官网没解释，不过 Leaf­snowflake 对其进行改进，官网的流程图

详细介绍请看官网：https://tech.meituan.com/2017/04/21/mt-leaf.html

3.7、 滴滴 TinyID

Tinyid 是用 Java 开发的一款分布式 id 生成系统，基于数据库号段算法实现。Tinyid 扩展了 leaf-segment 算法，支持了多数据库和 tinyid-client

Tinyid 也是基于号段算法实现，系统实现图如下：

• 优点：方便集成，有成熟的方案和解决实现

• 缺点：依赖 DB 的稳定性，需要采用集群主从备份的方式提高 DB 的可用性

原文：https://www.cnblogs.com/mzq123/p/16840232.html

如果感觉本文对你有帮助，点赞关注支持一下