一篇文章徹底搞懂snowflake演算法及百度美團的最佳實踐

  • 2019 年 10 月 25 日
  • 筆記

寫在前面的話

一提到分散式ID自動生成方案,大家肯定都非常熟悉,並且立即能說出自家拿手的幾種方案,確實,ID作為系統數據的重要標識,重要性不言而喻,而各種方案也是歷經多代優化,請允許我用這個視角對分散式ID自動生成方案進行分類:

實現方式

  • 完全依賴數據源方式

ID的生成規則,讀取控制完全由數據源控制,常見的如資料庫的自增長ID,序列號等,或Redis的INCR/INCRBY原子操作產生順序號等。

  • 半依賴數據源方式

ID的生成規則,有部分生成因子需要由數據源(或配置資訊)控制,如snowflake演算法。

  • 不依賴數據源方式

ID的生成規則完全由機器資訊獨立計算,不依賴任何配置資訊和數據記錄,如常見的UUID,GUID等

實踐方案

實踐方案適用於以上提及的三種實現方式,可作為這三種實現方式的一種補充,旨在提升系統吞吐量,但原有實現方式的局限性依然存在。

  • 實時獲取方案

顧名思義,每次要獲取ID時,實時生成。
簡單快捷,ID都是連續不間斷的,但吞吐量可能不是最高。

  • 預生成方案

預先生成一批ID放在數據池裡,可簡單自增長生成,也可以設置步長,分批生成,需要將這些預先生成的數據,放在存儲容器里(JVM記憶體,Redis,資料庫表均可)。
可以較大幅度地提升吞吐量,但需要開闢臨時存儲空間,斷電宕機後可能會丟失已有ID,ID可能有間斷。

方案簡介

以下對目前流行的分散式ID方案做簡單介紹

  1. 資料庫自增長ID

屬於完全依賴數據源的方式,所有的ID存儲在資料庫里,是最常用的ID生成辦法,在單體應用時期得到了最廣泛的使用,建立數據表時利用資料庫自帶的auto_increment作主鍵,或是使用序列完成其他場景的一些自增長ID的需求。

  • 優點:非常簡單,有序遞增,方便分頁和排序。
  • 缺點:分庫分表後,同一數據表的自增ID容易重複,無法直接使用(可以設置步長,但局限性很明顯);性能吞吐量整個較低,如果設計一個單獨的資料庫來實現 分散式應用的數據唯一性,即使使用預生成方案,也會因為事務鎖的問題,高並發場景容易出現單點瓶頸。
  • 適用場景:單資料庫實例的表ID(包含主從同步場景),部分按天計數的流水號等;分庫分表場景、全系統唯一性ID場景不適用。
  1. Redis生成ID

也屬於完全依賴數據源的方式,通過Redis的INCR/INCRBY自增原子操作命令,能保證生成的ID肯定是唯一有序的,本質上實現方式與資料庫一致。

  • 優點:整體吞吐量比資料庫要高。
  • 缺點:Redis實例或集群宕機後,找回最新的ID值有點困難。
  • 適用場景:比較適合計數場景,如用戶訪問量,訂單流水號(日期+流水號)等。
  1. UUID、GUID生成ID

UUID:按照OSF制定的標準計算,用到了乙太網卡地址、納秒級時間、晶片ID碼和許多可能的數字。由以下幾部分的組合:當前日期和時間(UUID的第一個部分與時間有關,如果你在生成一個UUID之後,過幾秒又生成一個UUID,則第一個部分不同,其餘相同),時鐘序列,全局唯一的IEEE機器識別號(如果有網卡,從網卡獲得,沒有網卡以其他方式獲得)

GUID:微軟對UUID這個標準的實現。UUID還有其它各種實現,不止GUID一種,不一一列舉了。

這兩種屬於不依賴數據源方式,真正的全球唯一性ID

  • 優點:不依賴任何數據源,自行計算,沒有網路ID,速度超快,並且全球唯一。
  • 缺點:沒有順序性,並且比較長(128bit),作為資料庫主鍵、索引會導致索引效率下降,空間佔用較多。
  • 適用場景:只要對存儲空間沒有苛刻要求的都能夠適用,比如各種鏈路追蹤、日誌存儲等。

4、snowflake演算法(雪花演算法)生成ID

屬於半依賴數據源方式,原理是使用Long類型(64位),按照一定的規則進行填充:時間(毫秒級)+集群ID+機器ID+序列號,每部分佔用的位數可以根據實際需要分配,其中集群ID和機器ID這兩部分,在實際應用場景中要依賴外部參數配置或資料庫記錄。

  • 優點:高性能、低延遲、去中心化、按時間有序
  • 缺點:要求機器時鐘同步(到秒級即可)
  • 適用場景:分散式應用環境的數據主鍵

雪花ID演算法聽起來是不是特別適用分散式架構場景?照目前來看是的,接下來我們重點講解它的原理和最佳實踐。

snowflake演算法實現原理

snowflake演算法來源於Twitter,使用scala語言實現,利用Thrift框架實現RPC介面調用,最初的項目起因是資料庫從mysql遷移到Cassandra,Cassandra沒有現成可用 的ID生成機制,就催生了這個項目,現有的github源碼有興趣可以去看看。

snowflake演算法的特性是有序、唯一,並且要求高性能,低延遲(每台機器每秒至少生成10k條數據,並且響應時間在2ms以內),要在分散式環境(多集群,跨機房)下使用,因此snowflake演算法得到的ID是分段組成的:

  • 與指定日期的時間差(毫秒級),41位,夠用69年
  • 集群ID + 機器ID, 10位,最多支援1024台機器
  • 序列,12位,每台機器每毫秒內最多產生4096個序列號

如圖所示:
snowflake結構

  • 1bit:符號位,固定是0,表示全部ID都是正整數
  • 41bit:毫秒數時間差,從指定的日期算起,夠用69年,我們知道用Long類型表示的時間戳是從1970-01-01 00:00:00開始算起的,咱們這裡的時間戳可以指定日期,如2019-10-23 00:00:00
  • 10bit:機器ID,有異地部署,多集群的也可以配置,需要線下規劃好各地機房,各集群,各實例ID的編號
  • 12bit:序列ID,前面都相同的話,最多可以支援到4096個

以上的位數分配只是官方建議的,我們可以根據實際需要自行分配,比如說我們的應用機器數量最多也就幾十台,但並發數很大,我們就可以將10bit減少到8bit,序列部分從12bit增加到14bit等等

當然每部分的含義也可以自由替換,如中間部分的機器ID,如果是雲計算、容器化的部署環境,隨時有擴容,縮減機器的操作,通過線下規划去配置實例的ID不太現實,就可以替換為實例每重啟一次,拿一次自增長的ID作為該部分的內容,下文會講解。

github上也有大神用Java做了snowflake最基本的實現,這裡直接查看源碼:
snowflake java版源碼

/**   * twitter的snowflake演算法 -- java實現   *   * @author beyond   * @date 2016/11/26   */  public class SnowFlake {        /**       * 起始的時間戳       */      private final static long START_STMP = 1480166465631L;        /**       * 每一部分佔用的位數       */      private final static long SEQUENCE_BIT = 12; //序列號佔用的位數      private final static long MACHINE_BIT = 5;   //機器標識佔用的位數      private final static long DATACENTER_BIT = 5;//數據中心佔用的位數        /**       * 每一部分的最大值       */      private final static long MAX_DATACENTER_NUM = -1L ^ (-1L << DATACENTER_BIT);      private final static long MAX_MACHINE_NUM = -1L ^ (-1L << MACHINE_BIT);      private final static long MAX_SEQUENCE = -1L ^ (-1L << SEQUENCE_BIT);        /**       * 每一部分向左的位移       */      private final static long MACHINE_LEFT = SEQUENCE_BIT;      private final static long DATACENTER_LEFT = SEQUENCE_BIT + MACHINE_BIT;      private final static long TIMESTMP_LEFT = DATACENTER_LEFT + DATACENTER_BIT;        private long datacenterId;  //數據中心      private long machineId;     //機器標識      private long sequence = 0L; //序列號      private long lastStmp = -1L;//上一次時間戳        public SnowFlake(long datacenterId, long machineId) {          if (datacenterId > MAX_DATACENTER_NUM || datacenterId < 0) {              throw new IllegalArgumentException("datacenterId can't be greater than MAX_DATACENTER_NUM or less than 0");          }          if (machineId > MAX_MACHINE_NUM || machineId < 0) {              throw new IllegalArgumentException("machineId can't be greater than MAX_MACHINE_NUM or less than 0");          }          this.datacenterId = datacenterId;          this.machineId = machineId;      }        /**       * 產生下一個ID       *       * @return       */      public synchronized long nextId() {          long currStmp = getNewstmp();          if (currStmp < lastStmp) {              throw new RuntimeException("Clock moved backwards.  Refusing to generate id");          }            if (currStmp == lastStmp) {              //相同毫秒內,序列號自增              sequence = (sequence + 1) & MAX_SEQUENCE;              //同一毫秒的序列數已經達到最大              if (sequence == 0L) {                  currStmp = getNextMill();              }          } else {              //不同毫秒內,序列號置為0              sequence = 0L;          }            lastStmp = currStmp;            return (currStmp - START_STMP) << TIMESTMP_LEFT //時間戳部分                  | datacenterId << DATACENTER_LEFT       //數據中心部分                  | machineId << MACHINE_LEFT             //機器標識部分                  | sequence;                             //序列號部分      }        private long getNextMill() {          long mill = getNewstmp();          while (mill <= lastStmp) {              mill = getNewstmp();          }          return mill;      }        private long getNewstmp() {          return System.currentTimeMillis();      }        public static void main(String[] args) {          SnowFlake snowFlake = new SnowFlake(2, 3);            for (int i = 0; i < (1 << 12); i++) {              System.out.println(snowFlake.nextId());          }        }  }

基本上通過位移操作,將每段含義的數值,移到相應的位置上,如機器ID這裡由數據中心+機器標識組成,所以,機器標識向左移12位,就是它的位置,數據中心的編號向左移17位,時間戳的值向左移22位,每部分佔據自己的位置,各不干涉,由此組成一個完整的ID值。

這裡就是snowflake最基礎的實現原理,如果有些java基礎知識不記得了建議查一下資料,如二進位-1的表示是0xffff(裡面全是1),<<表示左移操作,-1<<5等於-32,異或操作-1 ^ (-1 << 5)為31等等。

了解snowflake的基本實現原理,可以通過提前規劃好機器標識來實現,但目前的分散式生產環境,借用了多種雲計算、容器化技術,實例的個數隨時有變化,還需要處理伺服器實例時鐘回撥的問題,固定規劃ID然後通過配置來使用snowflake的場景可行性不高,一般是自動啟停,增減機器,這樣就需要對snowflake進行一些改造才能更好地應用到生產環境中。

百度uid-generator項目

UidGenerator項目基於snowflake原理實現,只是修改了機器ID部分的定義(實例重啟的次數),並且64位bit的分配支援配置,官方提供的默認分配方式如下圖:

百度實現的默認snowflake結構

Snowflake演算法描述:指定機器 & 同一時刻 & 某一併發序列,是唯一的。據此可生成一個64 bits的唯一ID(long)。

  • sign(1bit) 固定1bit符號標識,即生成的UID為正數。
  • delta seconds (28 bits)
    當前時間,相對於時間基點"2016-05-20"的增量值,單位:秒,最多可支援約8.7年
  • worker id (22 bits) 機器id,最多可支援約420w次機器啟動。內置實現為在啟動時由資料庫分配,默認分配策略為用後即棄,後續可提供復用策略。
  • sequence (13 bits) 每秒下的並發序列,13 bits可支援每秒8192個並發。

具體的實現有兩種,一種是實時生成ID,另一種是預先生成ID方式

  1. DefaultUidGenerator
  • 啟動時向資料庫WORKER_NODE表插入當前實例的IP,Port等資訊,再獲取該數據的自增長ID作為機器ID部分。
    簡易流程圖如下:

UidGenerator啟動過程

  • 提供獲取ID的方法,並且檢測是否有時鐘回撥,有回撥現象直接拋出異常,當前版本不支援時鐘順撥後漂移操作。簡易流程圖如下:

UidGenerator生成過程

核心程式碼如下:

    /**       * Get UID       *       * @return UID       * @throws UidGenerateException in the case: Clock moved backwards; Exceeds the max timestamp       */      protected synchronized long nextId() {          long currentSecond = getCurrentSecond();            // Clock moved backwards, refuse to generate uid          if (currentSecond < lastSecond) {              long refusedSeconds = lastSecond - currentSecond;              throw new UidGenerateException("Clock moved backwards. Refusing for %d seconds", refusedSeconds);          }            // At the same second, increase sequence          if (currentSecond == lastSecond) {              sequence = (sequence + 1) & bitsAllocator.getMaxSequence();              // Exceed the max sequence, we wait the next second to generate uid              if (sequence == 0) {                  currentSecond = getNextSecond(lastSecond);              }            // At the different second, sequence restart from zero          } else {              sequence = 0L;          }            lastSecond = currentSecond;            // Allocate bits for UID          return bitsAllocator.allocate(currentSecond - epochSeconds, workerId, sequence);      }
  1. CachedUidGenerator

機器ID的獲取方法與上一種相同,這種是預先生成一批ID,放在一個RingBuffer環形數組裡,供客戶端使用,當可用數據低於閥值時,再次調用批量生成方法,屬於用空間換時間的做法,可以提高整個ID的吞吐量。

  • 與DefaultUidGenerator相比較,初始化時多了填充RingBuffer環形數組的邏輯,簡單流程圖如下:

CachedUidGenerator啟動過程

核心程式碼:

/**       * Initialize RingBuffer & RingBufferPaddingExecutor       */      private void initRingBuffer() {          // initialize RingBuffer          int bufferSize = ((int) bitsAllocator.getMaxSequence() + 1) << boostPower;          this.ringBuffer = new RingBuffer(bufferSize, paddingFactor);          LOGGER.info("Initialized ring buffer size:{}, paddingFactor:{}", bufferSize, paddingFactor);            // initialize RingBufferPaddingExecutor          boolean usingSchedule = (scheduleInterval != null);          this.bufferPaddingExecutor = new BufferPaddingExecutor(ringBuffer, this::nextIdsForOneSecond, usingSchedule);          if (usingSchedule) {              bufferPaddingExecutor.setScheduleInterval(scheduleInterval);          }            LOGGER.info("Initialized BufferPaddingExecutor. Using schdule:{}, interval:{}", usingSchedule, scheduleInterval);            // set rejected put/take handle policy          this.ringBuffer.setBufferPaddingExecutor(bufferPaddingExecutor);          if (rejectedPutBufferHandler != null) {              this.ringBuffer.setRejectedPutHandler(rejectedPutBufferHandler);          }          if (rejectedTakeBufferHandler != null) {              this.ringBuffer.setRejectedTakeHandler(rejectedTakeBufferHandler);          }            // fill in all slots of the RingBuffer          bufferPaddingExecutor.paddingBuffer();            // start buffer padding threads          bufferPaddingExecutor.start();      }
public synchronized boolean put(long uid) {          long currentTail = tail.get();          long currentCursor = cursor.get();            // tail catches the cursor, means that you can't put any cause of RingBuffer is full          long distance = currentTail - (currentCursor == START_POINT ? 0 : currentCursor);          if (distance == bufferSize - 1) {              rejectedPutHandler.rejectPutBuffer(this, uid);              return false;          }            // 1. pre-check whether the flag is CAN_PUT_FLAG          int nextTailIndex = calSlotIndex(currentTail + 1);          if (flags[nextTailIndex].get() != CAN_PUT_FLAG) {              rejectedPutHandler.rejectPutBuffer(this, uid);              return false;          }            // 2. put UID in the next slot          // 3. update next slot' flag to CAN_TAKE_FLAG          // 4. publish tail with sequence increase by one          slots[nextTailIndex] = uid;          flags[nextTailIndex].set(CAN_TAKE_FLAG);          tail.incrementAndGet();            // The atomicity of operations above, guarantees by 'synchronized'. In another word,          // the take operation can't consume the UID we just put, until the tail is published(tail.incrementAndGet())          return true;      }
  • ID獲取邏輯,由於有RingBuffer這個緩衝數組存在,獲取ID直接從RingBuffer取出即可,同時RingBuffer自身校驗何時再觸發重新批量生成即可,這裡獲取的ID值與DefaultUidGenerator的明顯區別是,DefaultUidGenerator獲取的ID,時間戳部分就是當前時間的,CachedUidGenerator里獲取的是填充時的時間戳,並不是獲取時的時間,不過關係不大,都是不重複的,一樣用。簡易流程圖如下:

CachedUidGenerator獲取過程

核心程式碼:

public long take() {          // spin get next available cursor          long currentCursor = cursor.get();          long nextCursor = cursor.updateAndGet(old -> old == tail.get() ? old : old + 1);            // check for safety consideration, it never occurs          Assert.isTrue(nextCursor >= currentCursor, "Curosr can't move back");            // trigger padding in an async-mode if reach the threshold          long currentTail = tail.get();          if (currentTail - nextCursor < paddingThreshold) {              LOGGER.info("Reach the padding threshold:{}. tail:{}, cursor:{}, rest:{}", paddingThreshold, currentTail,                      nextCursor, currentTail - nextCursor);              bufferPaddingExecutor.asyncPadding();          }            // cursor catch the tail, means that there is no more available UID to take          if (nextCursor == currentCursor) {              rejectedTakeHandler.rejectTakeBuffer(this);          }            // 1. check next slot flag is CAN_TAKE_FLAG          int nextCursorIndex = calSlotIndex(nextCursor);          Assert.isTrue(flags[nextCursorIndex].get() == CAN_TAKE_FLAG, "Curosr not in can take status");            // 2. get UID from next slot          // 3. set next slot flag as CAN_PUT_FLAG.          long uid = slots[nextCursorIndex];          flags[nextCursorIndex].set(CAN_PUT_FLAG);            // Note that: Step 2,3 can not swap. If we set flag before get value of slot, the producer may overwrite the          // slot with a new UID, and this may cause the consumer take the UID twice after walk a round the ring          return uid;      }

另外有個細節可以了解一下,RingBuffer的數據都是使用數組來存儲的,考慮CPU Cache的結構,tail和cursor變數如果直接用原生的AtomicLong類型,tail和cursor可能會快取在同一個cacheLine中,多個執行緒讀取該變數可能會引發CacheLine的RFO請求,反而影響性能,為了防止偽共享問題,特意填充了6個long類型的成員變數,加上long類型的value成員變數,剛好佔滿一個Cache Line(Java對象還有8byte的對象頭),這個叫CacheLine補齊,有興趣可以了解一下,源碼如下:

public class PaddedAtomicLong extends AtomicLong {      private static final long serialVersionUID = -3415778863941386253L;        /** Padded 6 long (48 bytes) */      public volatile long p1, p2, p3, p4, p5, p6 = 7L;        /**       * Constructors from {@link AtomicLong}       */      public PaddedAtomicLong() {          super();      }        public PaddedAtomicLong(long initialValue) {          super(initialValue);      }        /**       * To prevent GC optimizations for cleaning unused padded references       */      public long sumPaddingToPreventOptimization() {          return p1 + p2 + p3 + p4 + p5 + p6;      }    }

以上是百度uid-generator項目的主要描述,我們可以發現,snowflake演算法在落地時有一些變化,主要體現在機器ID的獲取上,尤其是分散式集群環境下面,實例自動伸縮,docker容器化的一些技術,使得靜態配置項目ID,實例ID可行性不高,所以這些轉換為按啟動次數來標識。

美團ecp-uid項目

在uidGenerator方面,美團的項目源碼直接集成百度的源碼,略微將一些Lambda表達式換成原生的java語法,例如:

// com.myzmds.ecp.core.uid.baidu.impl.CachedUidGenerator類的initRingBuffer()方法  // 百度源碼  this.bufferPaddingExecutor = new BufferPaddingExecutor(ringBuffer, this::nextIdsForOneSecond, usingSchedule);    // 美團源碼  this.bufferPaddingExecutor = new BufferPaddingExecutor(ringBuffer, new BufferedUidProvider() {      @Override      public List<Long> provide(long momentInSecond) {          return nextIdsForOneSecond(momentInSecond);      }  }, usingSchedule);

並且在機器ID生成方面,引入了Zookeeper,Redis這些組件,豐富了機器ID的生成和獲取方式,實例編號可以存儲起來反覆使用,不再是資料庫單調增長這一種了。

結束語

本篇簡單介紹了snowflake演算法的原理及落地過程中的改造,在此學習了優秀的開源程式碼,並挑出部分進行了簡單的示例,美團的ecp-uid項目不但集成了百度現有的UidGenerator演算法,原生的snowflake演算法,還包含優秀的leaf segment演算法,鑒於篇幅沒有詳盡描述。文章內有任何不正確或不詳盡之處請留言指出,謝謝。

專註Java高並發、分散式架構,更多技術乾貨分享與心得,請關注公眾號:Java架構社區
Java架構社區