1 简介

　　在分布式系统架构中，通常会涉及到分布式全局唯一ID的生成

　　在复杂分布式系统中，往往需要对大量的数据和消息进行唯一标识。

　　如在金融、电商、支付、等产品的系统中，数据日渐增长，对数据分库分表后需要有一个唯一ID来标识一条数据或消息，数据库的自增ID显然不能满足需求，此时一个能够生成全局唯一ID的系统是非常必要的。

2 分布式ID需要考虑的几点

1）全局唯一性(必须保证)：不能出现重复的ID号，既然是唯一标识，这是最基本的要求。
2）趋势递增：在MySQL InnoDB引擎中使用的是聚集索引，由于多数RDBMS使用B-tree的数据结构来存储索引数据，在主键的选择上面我们应该尽量使用有序的主键保证写入性能。
3）单调递增：保证下一个ID一定大于上一个ID，例如事务版本号、IM增量消息、排序等特殊需求。
4）信息安全：如果ID是连续的，恶意用户的扒取工作就非常容易做了，直接按照顺序下载指定URL即可；如果是订单号就更危险了，竞对可以直接知道我们一天的单量。所以在一些应用场景下，会需要ID无规则、不规则。
5）同时除了对ID号码自身的要求，业务还对ID号生成系统的可用性要求极高，想象一下，如果ID生成系统瘫痪，这就会带来一场灾难。

3 实现方案

3.1 UUID

3.1.1 介绍
　　UUID(Universally Unique Identifier)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：550e8400-e29b-41d4-a716-446655440000，到目前为止业界一共有5种方式生成UUID，详情见IETF发布的UUID规范 A Universally Unique IDentifier (UUID) URN Namespace。

3.1.2 UUID优点

　　性能非常高：本地生成，没有网络消耗。

3.1.3 UUID缺点

　　不易于存储：UUID太长，16字节128位，通常以36长度的字符串表示，很多场景不适用;
　　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，这个漏洞曾被用于寻找梅丽莎病毒的制作者位置;
　　ID作为主键时在特定的环境会存在一些问题，比如做DB主键的场景下，UUID就非常不适用。

3.2数据库生成ID

3.2.1 介绍

　　以MySQL举例，利用给字段设置auto_increment_increment和auto_increment_offset来保证ID自增，每次业务使用下列SQL读写MySQL得到ID号。

　　各个模块都通过同一个库的同一个表去获取id，再以这个id作为主键存入自己的表。

3.2.2 数据库生成ID优点

　　非常简单，利用现有数据库系统的功能实现，成本小，有DBA专业维护。
　　ID号单调自增，可以实现一些对ID有特殊要求的业务。

3.2.3 数据库生成ID缺点

　　强依赖DB，当DB异常时整个系统不可用，属于致命问题。

　　配置主从复制可以尽可能的增加可用性，但是数据一致性在特殊情况下难以保证。主从切换时的不一致可能会导致重复发号。
　　ID发号性能瓶颈限制在单台MySQL的读写性能。

3.3 Redis生成ID

3.3.1 介绍
　　当使用数据库来生成ID性能不够要求的时候，我们可以尝试使用Redis来生成ID。

　　这主要依赖于Redis是单线程的，所以也可以用生成全局唯一的ID。可以用Redis的原子操作 INCR和INCRBY来实现。

　　比较适合使用Redis来生成每天从0开始的流水号。比如订单号=日期+当日自增长号。可以每天在Redis中生成一个Key，使用INCR进行累加。

3.3.2 Redis生成ID优点

　　不依赖于数据库，灵活方便，且性能优于数据库。

　　数字ID天然排序，对分页或者需要排序的结果很有帮助。

3.3.3 Redis生成ID缺点

　　1）如果系统中没有Redis，还需要引入新的组件，增加系统复杂度。

　　2）需要编码和配置的工作量比较大。

3.4 利用zookeeper生成唯一ID

3.4.1 介绍
　　zookeeper主要通过其znode数据版本来生成序列号，可以生成32位和64位的数据版本号，客户端可以使用这个版本号来作为唯一的序列号。

　　很少会使用zookeeper来生成唯一ID。主要是由于需要依赖zookeeper，并且是多步调用API，如果在竞争较大的情况下，需要考虑使用分布式锁。因此，性能在高并发的分布式环境下，也不甚理想。

3.5 snowflake雪花算法生成ID

3.5.1 介绍
　　这种方案大致来说是一种以划分命名空间（UUID也算，由于比较常见，所以单独分析）来生成ID的一种算法，这种方案把64-bit分别划分成多段，分开来标示机器、时间等，比如在snowflake中的64-bit分别表示如下图（图片来自网络）所示：

　　41-bit的时间可以表示（1L<<41）/(1000L*3600*24*365)=69年的时间，10-bit机器可以分别表示1024台机器。如果我们对IDC划分有需求，还可以将10-bit分5-bit给IDC，分5-bit给工作机器。这样就可以表示32个IDC，每个IDC下可以有32台机器，可以根据自身需求定义。12个自增序列号可以表示2^12个ID，理论上snowflake方案的QPS约为409.6w/s，这种分配方式可以保证在任何一个IDC的任何一台机器在任意毫秒内生成的ID都是不同的。

3.5.2 雪花算法ID优点

　　毫秒数在高位，自增序列在低位，整个ID都是趋势递增的。
　　不依赖数据库等第三方系统，以服务的方式部署，稳定性更高，生成ID的性能也是非常高的。
　　可以根据自身业务特性分配bit位，非常灵活。

3.5.3 雪花算法ID缺点

　　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。

巴特西

分布式id的方案