1、基于UUID

在Java的世界里，想要得到一個具有少數(shù)性的ID，首先被想到可能就是UUID，畢竟它有著全球少數(shù)的特性。那么UUID可以做分布式ID嗎？答案是可以的，但是并不是十分推薦。

public static void main(String[] args) {        String uuid = UUID.randomUUID().toString().replaceAll("-","");       System.out.println(uuid); }

UUID的生成簡單到只有一行代碼，輸出結(jié)果?c2b8c2b9e46c47e3b30dca3b0d447718，但UUID卻并不適用于實際的業(yè)務需求。像用作訂單號UUID這樣的字符串沒有絲毫的意義，看不出和訂單相關的有用信息；而對于數(shù)據(jù)庫來說用作業(yè)務主鍵ID，它不僅是太長還是字符串，存儲性能差查詢也很耗時，所以不推薦用作分布式ID。

優(yōu)點：生成足夠簡單，本地生成無網(wǎng)絡消耗，具有少數(shù)性。

缺點：

無序的字符串，不具備趨勢自增特性；沒有具體的業(yè)務含義；長度過長16 字節(jié)128位，36位長度的字符串，存儲以及查詢對MySQL的性能消耗較大，MySQL官方明確建議主鍵要盡量越短越好，作為數(shù)據(jù)庫主鍵?UUID?的無序性會導致數(shù)據(jù)位置頻繁變動，嚴重影響性能。

2、基于數(shù)據(jù)庫自增ID

基于數(shù)據(jù)庫的auto_increment自增ID完全可以充當分布式ID，具體實現(xiàn)：需要一個單獨的MySQL實例用來生成ID，建表結(jié)構(gòu)如下：

當我們需要一個ID的時候，向表中插入一條記錄返回主鍵ID，但這種方式有一個比較致命的缺點，訪問量激增時MySQL本身就是系統(tǒng)的瓶頸，用它來實現(xiàn)分布式服務風險比較大。

優(yōu)點：實現(xiàn)簡單，ID單調(diào)自增，數(shù)值類型查詢速度快

缺點：DB單點存在宕機風險，無法扛住高并發(fā)場景

3、基于數(shù)據(jù)庫集群模式

前邊說了單點數(shù)據(jù)庫方式不可取，那對上邊的方式做一些高可用優(yōu)化，換成主從模式集群。害怕一個主節(jié)點掛掉沒法用，那就做雙主模式集群，也就是兩個Mysql實例都能單獨的生產(chǎn)自增ID。那這樣還會有個問題，兩個MySQL實例的自增ID都從1開始，會生成重復的ID怎么辦？

解決方案：設置起始值和自增步長。

MySQL_1 配置：

MySQL_2 配置：

這樣兩個MySQL實例的自增ID分別就是：

1、3、5、7、92、4、6、8、10

那如果集群后的性能還是扛不住高并發(fā)咋辦？就要進行MySQL擴容增加節(jié)點，這是一個比較麻煩的事。

從上圖可以看出，水平擴展的數(shù)據(jù)庫集群，有利于解決數(shù)據(jù)庫單點壓力的問題，同時為了ID生成特性，將自增步長按照機器數(shù)量來設置。增加第三臺MySQL實例需要人工修改一、二兩臺MySQL實例的起始值和步長，把第三臺機器的ID起始生成位置設定在比現(xiàn)有最大自增ID的位置遠一些，但必須在一、二兩臺MySQL實例ID還沒有增長到第三臺MySQL實例的起始ID值的時候，否則自增ID就要出現(xiàn)重復了，必要時可能還需要停機修改。

優(yōu)點：解決DB單點問題。

缺點：不利于后續(xù)擴容，而且實際上單個數(shù)據(jù)庫自身壓力還是大，依舊無法滿足高并發(fā)場景。

4、基于數(shù)據(jù)庫的號段模式

號段模式是當下分布式ID生成器的主流實現(xiàn)方式之一，號段模式可以理解為從數(shù)據(jù)庫批量的獲取自增ID，每次從數(shù)據(jù)庫取出一個號段范圍，例如 (1,1000] 代表1000個ID，具體的業(yè)務服務將本號段，生成1~1000的自增ID并加載到內(nèi)存。表結(jié)構(gòu)如下：

CREATE TABLE id_generator (  id int(10) NOT NULL,  max_id bigint(20) NOT NULL COMMENT '當前最大id',  step int(20) NOT NULL COMMENT '號段的布長',  biz_type    int(20) NOT NULL COMMENT '業(yè)務類型',  version int(20) NOT NULL COMMENT '版本號',  PRIMARY KEY (id)) 

biz_type?：代表不同業(yè)務類型max_id?：當前最大的可用idstep?：代表號段的長度version?：是一個樂觀鎖，每次都更新version，保證并發(fā)時數(shù)據(jù)的正確性

等這批號段ID用完，再次向數(shù)據(jù)庫申請新號段，對max_id字段做一次update操作，update max_id= max_id + step，update成功則說明新號段獲取成功，新的號段范圍是(max_id ,max_id +step]。

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

由于多業(yè)務端可能同時操作，所以采用版本號version樂觀鎖方式更新，這種分布式ID生成方式不強依賴于數(shù)據(jù)庫，不會頻繁的訪問數(shù)據(jù)庫，對數(shù)據(jù)庫的壓力小很多。

5、基于Redis模式

Redis也同樣可以實現(xiàn)，原理就是利用redis的?incr命令實現(xiàn)ID的原子性自增：

用redis實現(xiàn)需要注意一點，要考慮到redis持久化的問題。redis有兩種持久化方式RDB和AOF：

RDB會定時打一個快照進行持久化，假如連續(xù)自增但redis沒及時持久化，而這會Redis掛掉了，重啟Redis后會出現(xiàn)ID重復的情況。AOF會對每條寫命令進行持久化，即使Redis掛掉了也不會出現(xiàn)ID重復的情況，但由于incr命令的特殊性，會導致Redis重啟恢復的數(shù)據(jù)時間過長。

6、基于雪花算法（Snowflake）模式

雪花算法（Snowflake）是twitter公司內(nèi)部分布式項目采用的ID生成算法，開源后廣受國內(nèi)大廠的好評，在該算法影響下各大公司相繼開發(fā)出各具特色的分布式生成器。

Snowflake生成的是Long類型的ID，一個Long類型占8個字節(jié)，每個字節(jié)占8比特，也就是說一個Long類型占64個比特。Snowflake ID組成結(jié)構(gòu)：正數(shù)位（占1比特）+?時間戳（占41比特）+?機器ID（占5比特）+?數(shù)據(jù)中心（占5比特）+?自增值（占12比特），總共64比特組成的一個Long類型。

名列前茅個bit位（1bit）：Java中l(wèi)ong的較高位是符號位代表正負，正數(shù)是0，負數(shù)是1，一般生成ID都為正數(shù)，所以默認為0。時間戳部分（41bit）：毫秒級的時間，不建議存當前時間戳，而是用（當前時間戳 – 固定開始時間戳）的差值，可以使產(chǎn)生的ID從更小的值開始；41位的時間戳可以使用69年，(1L << 41) / (1000L * 60 * 60 * 24 * 365) = 69年工作機器id（10bit）：也被叫做workId，這個可以靈活配置，機房或者機器號組合都可以。序列號部分（12bit）：自增值支持同一毫秒內(nèi)同一個節(jié)點可以生成4096個ID

根據(jù)這個算法的邏輯，只需要將這個算法用Java語言實現(xiàn)出來，封裝為一個工具方法，那么各個業(yè)務應用可以直接使用該工具方法來獲取分布式ID，只需保證每個業(yè)務應用有自己的工作機器id即可，而不需要單獨去搭建一個獲取分布式ID的應用。Java版本的****Snowflake算法實現(xiàn)：

public class SnowFlakeShortUrl {    private final static long START_TIMESTAMP = 1480166465631L;    private final static long SEQUENCE_BIT = 12;   //序列號占用的位數(shù)    private final static long MACHINE_BIT = 5;     //機器標識占用的位數(shù)    private final static long DATA_CENTER_BIT = 5; //數(shù)據(jù)中心占用的位數(shù)    private final static long MAX_SEQUENCE = -1L ^ (-1L << SEQUENCE_BIT);    private final static long MAX_MACHINE_NUM = -1L ^ (-1L << MACHINE_BIT);    private final static long MAX_DATA_CENTER_NUM = -1L ^ (-1L << DATA_CENTER_BIT);    private final static long MACHINE_LEFT = SEQUENCE_BIT;    private final static long DATA_CENTER_LEFT = SEQUENCE_BIT + MACHINE_BIT;    private final static long TIMESTAMP_LEFT = DATA_CENTER_LEFT + DATA_CENTER_BIT;    private long dataCenterId;  //數(shù)據(jù)中心    private long machineId;     //機器標識    private long sequence = 0L; //序列號    private long lastTimeStamp = -1L;  //上一次時間戳    private long getNextMill() {        long mill = getNewTimeStamp();        while (mill <= lastTimeStamp) {            mill = getNewTimeStamp();        }        return mill;}    private long getNewTimeStamp() {        return System.currentTimeMillis();    }    public SnowFlakeShortUrl(long dataCenterId, long machineId) {        if (dataCenterId > MAX_DATA_CENTER_NUM || dataCenterId < 0) {            throw new IllegalArgumentException("DtaCenterId can't be greater than MAX_DATA_CENTER_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;    }  public synchronized long nextId() {        long currTimeStamp = getNewTimeStamp();        if (currTimeStamp < lastTimeStamp) {            throw new RuntimeException("Clock moved backwards.  Refusing to generate id");        }        if (currTimeStamp == lastTimeStamp) {            //相同毫秒內(nèi)，序列號自增            sequence = (sequence + 1) & MAX_SEQUENCE;            //同一毫秒的序列數(shù)已經(jīng)達到最大            if (sequence == 0L) {                currTimeStamp = getNextMill();            }        } else {            //不同毫秒內(nèi)，序列號置為0            sequence = 0L;        }        lastTimeStamp = currTimeStamp;        return (currTimeStamp - START_TIMESTAMP) << TIMESTAMP_LEFT //時間戳部分                | dataCenterId << DATA_CENTER_LEFT       //數(shù)據(jù)中心部分                | machineId << MACHINE_LEFT             //機器標識部分                | sequence;                             //序列號部分    }    public static void main(String[] args) {        SnowFlakeShortUrl snowFlake = new SnowFlakeShortUrl(2, 3);        for (int i = 0; i < (1 << 4); i++) {            System.out.println(snowFlake.nextId());        }    }}

7、百度（uid-generator）

uid-generator是由百度技術(shù)部開發(fā)，項目GitHub地址為https://github.com/baidu/uid-generator。uid-generator是基于Snowflake算法實現(xiàn)的，與原始的snowflake算法不同在于，uid-generator支持自定義時間戳、工作機器ID和?序列號?等各部分的位數(shù)，而且uid-generator中采用用戶自定義workId的生成策略。

uid-generator需要與數(shù)據(jù)庫配合使用，需要新增一個WORKER_NODE表。當應用啟動時會向數(shù)據(jù)庫表中去插入一條數(shù)據(jù)，插入成功后返回的自增ID就是該機器的workId數(shù)據(jù)由host，port組成。對于****uid-generator?ID組成結(jié)構(gòu)：workId，占用了22個bit位，時間占用了28個bit位，序列化占用了13個bit位，需要注意的是，和原始的snowflake不太一樣，時間的單位是秒，而不是毫秒，workId也不一樣，而且同一應用每次重啟就會消費一個workId。

延伸閱讀1：分布式ID的特點

少數(shù)性：生成的ID全局少數(shù)，在特定范圍內(nèi)沖突概率極小。有序性：生成的ID按某種規(guī)則有序，便于數(shù)據(jù)庫插入及排序。可用性：可保證高并發(fā)下的可用性，確保任何時候都能正確的生成ID。自主性：分布式環(huán)境下不依賴中心認證即可自行生成ID。安全性：不暴露系統(tǒng)和業(yè)務的信息，如：訂單數(shù)，用戶數(shù)等。