超精妙！Twitter開源分散式自增ID演算法snowflake，附演算驗證過程

1. Snowflake 簡介

網際網路快速發展的今天，分散式應用系統已經見怪不怪，在分散式系統中，我們需要各種各樣的ID，既然是ID那麼必然是要保證全域性唯一。

除此之外，不同的業務還需要不同的特性，比如像併發巨大的業務要求ID生成效率高，吞吐大；比如某些銀行類業務，需要按每日日期制定交易流水號；又比如我們希望使用者的ID是隨機的，無序的，純數字的，且位數長度是小於10位的，等等。

不同的業務場景需要的ID特性各不一樣，於是，衍生了各種ID生成器，但大多數利用資料庫控制ID的生成，效能受資料庫併發能力限制，那麼有沒有一款不需要依賴任何中介軟體（如資料庫，分散式快取服務等）的ID生成器呢？

本著取之於開源，用之於開源的原則，今天，特此介紹Twitter開源的一款分散式自增ID演算法snowflake，並附上演算法原理推導和演算過程！

Snowflake演算法是一款本地生成的（ID生成過程不依賴任何中介軟體，無網路通訊），保證ID全域性唯一，並且ID總體有序遞增，效能每秒生成300w＋

2. Snowflake 演算法原理

snowflake生產的ID是一個18位的long型數字，二進位制結構表示如下(每部分用-分開):

0 - 00000000 00000000 00000000 00000000 00000000 0 - 00000 - 00000 - 00000000 0000

第一位未使用，接下來的41位為毫秒級時間(41位的長度可以使用69年，從1970-01-01 08:00:00)，然後是5位datacenterId（最大支援2^5＝32個，二進位制表示從00000-11111，也即是十進位制0-31），和5位workerId（最大支援2^5＝32個，原理同datacenterId），所以datacenterId*workerId最多支援部署1024個節點，最後12位是毫秒內的計數（12位的計數順序號支援每個節點每毫秒產生2^12＝4096個ID序號）。

所有位數加起來共64位，恰好是一個Long型（轉換為字串長度為18）。

單臺機器例項，通過時間戳保證前41位是唯一的，分散式系統多臺機器例項下，通過對每個機器例項分配不同的datacenterId和workerId避免中間的10位碰撞。最後12位每毫秒從0遞增生產ID，再提一次：每毫秒最多生成4096個ID，每秒可達4096000個。理論上，只要CPU計算能力足夠，單機每秒可生產400多萬個，實測300w+，效率之高由此可見。

該節改編自：http://www.cnblogs.com/relucent/p/4955340.html

3. Snowflake 演算法原始碼（java版）

@ToString
@Slf4j
public class SnowflakeIdFactory {
 
    private final long twepoch = 1288834974657L;
    private final long workerIdBits = 5L;
    private final long datacenterIdBits = 5L;
    private final long maxWorkerId = -1L ^ (-1L << workerIdBits);
    private final long maxDatacenterId = -1L ^ (-1L << datacenterIdBits);
    private final long sequenceBits = 12L;
    private final long workerIdShift = sequenceBits;
    private final long datacenterIdShift = sequenceBits + workerIdBits;
    private final long timestampLeftShift = sequenceBits + workerIdBits + datacenterIdBits;
    private final long sequenceMask = -1L ^ (-1L << sequenceBits);
 
    private long workerId;
    private long datacenterId;
    private long sequence = 0L;
    private long lastTimestamp = -1L;
 
    public SnowflakeIdFactory(long workerId, long datacenterId) {
        if (workerId > maxWorkerId || workerId < 0) {
            throw new IllegalArgumentException(String.format("worker Id can't be greater than %d or less than 0", maxWorkerId));
        }
        if (datacenterId > maxDatacenterId || datacenterId < 0) {
            throw new IllegalArgumentException(String.format("datacenter Id can't be greater than %d or less than 0", maxDatacenterId));
        }
        this.workerId = workerId;
        this.datacenterId = datacenterId;
    }
 
    public synchronized long nextId() {
        long timestamp = timeGen();
        if (timestamp < lastTimestamp) {
            //伺服器時鐘被調整了,ID生成器停止服務.
            throw new RuntimeException(String.format("Clock moved backwards.  Refusing to generate id for %d milliseconds", lastTimestamp - timestamp));
        }
        if (lastTimestamp == timestamp) {
            sequence = (sequence + 1) & sequenceMask;
            if (sequence == 0) {
                timestamp = tilNextMillis(lastTimestamp);
            }
        } else {
            sequence = 0L;
        }
 
        lastTimestamp = timestamp;
        return ((timestamp - twepoch) << timestampLeftShift) | (datacenterId << datacenterIdShift) | (workerId << workerIdShift) | sequence;
    }
 
    protected long tilNextMillis(long lastTimestamp) {
        long timestamp = timeGen();
        while (timestamp <= lastTimestamp) {
            timestamp = timeGen();
        }
        return timestamp;
    }
 
    protected long timeGen() {
        return System.currentTimeMillis();
    }
 
    public static void testProductIdByMoreThread(int dataCenterId, int workerId, int n) throws InterruptedException {
        List<Thread> tlist = new ArrayList<>();
        Set<Long> setAll = new HashSet<>();
        CountDownLatch cdLatch = new CountDownLatch(10);
        long start = System.currentTimeMillis();
        int threadNo = dataCenterId;
        Map<String,SnowflakeIdFactory> idFactories = new HashMap<>();
        for(int i=0;i<10;i++){
            //用執行緒名稱做map key.
            idFactories.put("snowflake"+i,new SnowflakeIdFactory(workerId, threadNo++));
        }
        for(int i=0;i<10;i++){
            Thread temp =new Thread(new Runnable() {
                @Override
                public void run() {
                    Set<Long> setId = new HashSet<>();
                    SnowflakeIdFactory idWorker = idFactories.get(Thread.currentThread().getName());
                    for(int j=0;j<n;j++){
                        setId.add(idWorker.nextId());
                    }
                    synchronized (setAll){
                        setAll.addAll(setId);
                        log.info("{}生產了{}個id,併成功加入到setAll中.",Thread.currentThread().getName(),n);
                    }
                    cdLatch.countDown();
                }
            },"snowflake"+i);
            tlist.add(temp);
        }
        for(int j=0;j<10;j++){
            tlist.get(j).start();
        }
        cdLatch.await();
 
        long end1 = System.currentTimeMillis() - start;
 
        log.info("共耗時:{}毫秒,預期應該生產{}個id, 實際合併總計生成ID個數:{}",end1,10*n,setAll.size());
 
    }
 
    public static void testProductId(int dataCenterId, int workerId, int n){
        SnowflakeIdFactory idWorker = new SnowflakeIdFactory(workerId, dataCenterId);
        SnowflakeIdFactory idWorker2 = new SnowflakeIdFactory(workerId+1, dataCenterId);
        Set<Long> setOne = new HashSet<>();
        Set<Long> setTow = new HashSet<>();
        long start = System.currentTimeMillis();
        for (int i = 0; i < n; i++) {
            setOne.add(idWorker.nextId());//加入set
        }
        long end1 = System.currentTimeMillis() - start;
        log.info("第一批ID預計生成{}個,實際生成{}個<<<<*>>>>共耗時:{}",n,setOne.size(),end1);
 
        for (int i = 0; i < n; i++) {
            setTow.add(idWorker2.nextId());//加入set
        }
        long end2 = System.currentTimeMillis() - start;
        log.info("第二批ID預計生成{}個,實際生成{}個<<<<*>>>>共耗時:{}",n,setTow.size(),end2);
 
        setOne.addAll(setTow);
        log.info("合併總計生成ID個數:{}",setOne.size());
 
    }
 
    public static void testPerSecondProductIdNums(){
        SnowflakeIdFactory idWorker = new SnowflakeIdFactory(1, 2);
        long start = System.currentTimeMillis();
        int count = 0;
        for (int i = 0; System.currentTimeMillis()-start<1000; i++,count=i) {
            /**  測試方法一: 此用法純粹的生產ID,每秒生產ID個數為300w+ */
            idWorker.nextId();
            /**  測試方法二: 在log中列印,同時獲取ID,此用法生產ID的能力受限於log.error()的吞吐能力.
             * 每秒徘徊在10萬左右. */
            //log.error("{}",idWorker.nextId());
        }
        long end = System.currentTimeMillis()-start;
        System.out.println(end);
        System.out.println(count);
    }
 
    public static void main(String[] args) {
        /** case1: 測試每秒生產id個數?
         *   結論: 每秒生產id個數300w+ */
        //testPerSecondProductIdNums();
 
        /** case2: 單執行緒-測試多個生產者同時生產N個id,驗證id是否有重複?
         *   結論: 驗證通過,沒有重複. */
        //testProductId(1,2,10000);//驗證通過!
        //testProductId(1,2,20000);//驗證通過!
 
        /** case3: 多執行緒-測試多個生產者同時生產N個id, 全部id在全域性範圍內是否會重複?
         *   結論: 驗證通過,沒有重複. */
        try {
            testProductIdByMoreThread(1,2,100000);//單機測試此場景,效能損失至少折半!
        } catch (InterruptedException e) {
            e.printStackTrace();
        }
    }
}

測試用例：

/** case1: 測試每秒生產id個數?
 *   結論: 每秒生產id個數300w+ */
//testPerSecondProductIdNums();
 
/** case2: 單執行緒-測試多個生產者同時生產N個id,驗證id是否有重複?
 *   結論: 驗證通過,沒有重複. */
//testProductId(1,2,10000);//驗證通過!
//testProductId(1,2,20000);//驗證通過!
 
/** case3: 多執行緒-測試多個生產者同時生產N個id, 全部id在全域性範圍內是否會重複?
 *   結論: 驗證通過,沒有重複. */
try {
    testProductIdByMoreThread(1,2,100000);//單機測試此場景,效能損失至少折半!
} catch (InterruptedException e) {
    e.printStackTrace();
}

4. Snowflake 演算法推導和演算過程

說明：

• 演算使用的物件例項：SnowflakeIdFactory idWorker = new SnowflakeIdFactory(1, 2);

• 執行時資料 workerId＝1，datacenterId＝2，分別表示機器例項的生產者編號，資料中心編號；

• sequence＝0表示每毫秒生產ID從0開始計數遞增；

• 以下演算基於時間戳＝1482394743339 時刻進行推導。

一句話描述：以下演算模擬了1482394743339這一毫秒時刻，workerId＝1，datacenterId＝2的id生成器，生產第一個id的過程。

圖片為作者原創，畫圖不易，轉載請務必註明原出處！http://changle.blog.csdn.net/article/details/54668031

End!

參考

• http://github.com/twitter/snowflake

• http://www.cnblogs.com/relucent/p/4955340.html

往期推薦

阿里 P8 總結的 10 條 SQL 優化方案（非常實用）

乾貨！前端 JS 模組化及其工具演變！

帶你一文吃透 logback.xml 基礎和進階配置

SpringBoot+Querydsl 框架，大大簡化複雜查詢操作