分布式ID生成器（CosId）设计与实现

CosId 简介

CosId 旨在提供通用、灵便、高性能的分布式 ID 生成器。 目前提供了俩类 ID 生成器：

• SnowflakeId : 单机 TPS 性能：409W/s JMH 基准测试 , 次要解决 时钟回拨问题 、机器号调配问题 并且提供更加敌对、灵便的应用体验。

• SegmentId: 每次获取一段 (Step) ID，来升高号段散发器的网络IO申请频次晋升性能。

  • IdSegmentDistributor: 号段散发器（号段存储器）

    • RedisIdSegmentDistributor: 基于 Redis 的号段散发器。
    • JdbcIdSegmentDistributor: 基于 Jdbc 的号段散发器，反对各种关系型数据库。

  • SegmentChainId(举荐):SegmentChainId (lock-free) 是对 SegmentId 的加强。性能可达到近似 AtomicLong 的 TPS 性能:12743W+/s JMH 基准测试 。

    • PrefetchWorker 保护平安间隔(safeDistance), 并且反对基于饥饿状态的动静safeDistance扩容/膨胀。

背景（为什么须要分布式ID）

在软件系统演进过程中，随着业务规模的增长，咱们须要进行集群化部署来摊派计算、存储压力，应用服务咱们能够很轻松做到无状态、弹性伸缩。
然而仅仅减少服务正本数就够了吗？显然不够，因为性能瓶颈往往是在数据库层面，那么这个时候咱们就须要思考如何进行数据库的扩容、伸缩、集群化，通常应用分库、分表的形式来解决。
那么我如何分片(程度分片，当然还有垂直分片不过不是本文须要探讨的内容)呢，分片得前提是咱们得先有一个ID，而后能力依据分片算法来分片。（比方比较简单罕用的ID取模分片算法，这个跟Hash算法的概念相似，咱们得先有key能力进行Hash获得插入槽位。）

当然还有很多分布式场景须要分布式ID，这里不再一一列举。

分布式ID计划的外围指标

• 全局（雷同业务）唯一性：唯一性保障是ID的必要条件，假如ID不惟一就会产生主键抵触，这点很容易能够了解。

  • 通常所说的全局唯一性并不是指所有业务服务都要惟一，而是雷同业务服务不同部署正本惟一。
    比方 Order 服务的多个部署正本在生成t_order这张表的Id时是要求全局惟一的。至于t_order_item生成的ID与t_order是否惟一，并不影响唯一性束缚，也不会产生什么副作用。
    不同业务模块间也是同理。即唯一性次要解决的是ID抵触问题。

• 有序性：有序性保障是面向查问的数据结构算法（除了Hash算法）所必须的，是二分查找法(分而治之)的前提。

  • MySq-InnoDB B+树是应用最为宽泛的，假如 Id 是无序的，B+ 树 为了保护 ID 的有序性，就会频繁的在索引的两头地位插入而移动前面节点的地位，甚至导致频繁的页决裂，这对于性能的影响是极大的。那么如果咱们可能保障ID的有序性这种状况就齐全不同了，只须要进行追加写操作。所以 ID 的有序性是十分重要的，也是ID设计不可避免的个性。

• 吞吐量/性能(ops/time)：即单位工夫（每秒）能产生的ID数量。生成ID是十分高频的操作，也是最为根本的。假如ID生成的性能迟缓，那么不管怎么进行系统优化也无奈取得更好的性能。

  • 个别咱们会首先生成ID，而后再执行写入操作，假如ID生成迟缓，那么整体性能下限就会受到限制，这一点应该不难理解。

• 稳定性(time/op)：稳定性指标个别能够采纳每个操作的工夫进行百分位采样来剖析，比方 CosId 百分位采样 P9999=0.208 us/op，即 0% ~ 99.99% 的单位操作工夫小于等于 0.208 us/op。

  • 百分位数 WIKI ：统计学术语，若将一组数据从小到大排序，并计算相应的累计百分点，则某百分点所对应数据的值，就称为这百分点的百分位数，以Pk示意第k百分位数。百分位数是用来比拟个体在群体中的绝对位置量数。
  • 为什么不必均匀每个操作的工夫：马老师的身价跟你的身价能均匀么？均匀后的值有意义不？
  • 能够应用最小每个操作的工夫、最大每个操作的工夫作为参考吗？因为最小、最大值只阐明了零界点的状况，虽说能够作为稳定性的参考，但仍然不够全面。而且百分位数曾经笼罩了这俩个指标。
• 自治性（依赖）：次要是指对外部环境有无依赖，比方号段模式会强依赖第三方存储中间件来获取NexMaxId。自治性还会对可用性造成影响。

• 可用性：分布式ID的可用性次要会受到自治性影响，比方SnowflakeId会受到时钟回拨影响，导致处于短暂工夫的不可用状态。而号段模式会受到第三方发号器（NexMaxId）的可用性影响。

  • 可用性 WIKI ：在一个给定的工夫距离内，对于一个性能个体来讲，总的可用工夫所占的比例。
  • MTBF：均匀故障距离
  • MDT：均匀修复/复原工夫
  • Availability=MTBF/(MTBF+MDT)
  • 假如MTBF为1年，MDT为1小时，即Availability=(365*24)/(365*24+1)=0.999885857778792≈99.99%，也就是咱们通常所说对可用性4个9。

• 适应性：是指在面对外部环境变动的自适应能力，这里咱们次要说的是面对流量突发时动静伸缩分布式ID的性能，

  • SegmentChainId能够基于饥饿状态进行平安间隔的动静伸缩。
  • SnowflakeId惯例位调配计划性能恒定409.6W，尽管能够通过调整位调配计划来取得不同的TPS性能，然而位调配办法的变更是破坏性的，个别依据业务场景确定位调配计划后不再变更。
• 存储空间：还是用MySq-InnoDB B+树来举例，一般索引（二级索引）会存储主键值，主键越大占用的内存缓存、磁盘空间也会越大。Page页存储的数据越少，磁盘IO拜访的次数会减少。总之在满足业务需要的状况下，尽可能小的存储空间占用在绝大多数场景下都是好的设计准则。

不同分布式ID计划外围指标比照

有序性(要想分而治之·二分查找法，必须要保护我)

刚刚咱们曾经探讨了ID有序性的重要性，所以咱们设计ID算法时应该尽可能地让ID是枯燥递增的，比方像表的自增主键那样。然而很遗憾，因全局时钟、性能等分布式系统问题，咱们通常只能抉择部分枯燥递增、全局趋势递增的组合（就像咱们在分布式系统中不得不的抉择最终一致性那样）以取得多方面的衡量。上面咱们来看一下什么是枯燥递增与趋势递增。

有序性之枯燥递增

枯燥递增：T示意全局相对时点，假如有T_n+1>T_n（相对工夫总是往后退的，这里不思考相对论、时间机器等），那么必然有F(T_n+1)>F(T_n)，数据库自增主键就属于这一类。
另外须要特地阐明的是枯燥递增跟连续性递增是不同的概念。 连续性递增：F(n+1)=(F(n)+step)即下一次获取的ID肯定等于以后ID+Step，当Step=1时相似于这样一个序列:1->2->3->4->5。

扩大小常识：数据库的自增主键也不是连续性递增的，置信你肯定遇到过这种状况，请思考一下数据库为什么这样设计？

有序性之趋势递增

趋势递增：T_n>T_n-s，那么大概率有F(T_n)>F(T_n-s)。尽管在一段时间距离内有乱序，然而整体趋势是递增。从上图上看，是有回升趋势的（趋势线）。

• 在SnowflakeId中_n-s受到全局时钟同步影响。
• 在号段模式(SegmentId)中_n-s受到号段可用区间(Step)影响。

分布式ID调配计划

UUID/GUID

• 不依赖任何第三方中间件
• 性能高
• 齐全无序
• 空间占用大，须要占用128位存储空间。

UUID最大的缺点是随机的、无序的，当用于主键时会导致数据库的主键索引效率低下（为了保护索引树，频繁的索引两头地位插入数据，而不是追加写）。这也是UUID不适用于数据库主键的最为重要的起因。

SnowflakeId

SnowflakeId应用Long（64-bit）位分区来生成ID的一种分布式ID算法。
通用的位调配计划为：timestamp(41-bit)+machineId(10-bit)+sequence(12-bit)=63-bit。

• 41-bittimestamp=(1L<<41)/(1000/3600/365)，约能够存储69年的工夫戳，即能够应用的相对工夫为EPOCH+69年，个别咱们须要自定义EPOCH为产品开发工夫，另外还能够通过压缩其余区域的调配位数，来减少工夫戳位数来缩短可用工夫。
• 10-bitmachineId=(1L<<10)=1024，即雷同业务能够部署1024个正本(在Kubernetes概念里没有主从正本之分，这里间接沿用Kubernetes的定义)。个别状况下没有必要应用这么多位，所以会依据部署规模须要从新定义。
• 12-bitsequence=(1L<<12)*1000=4096000，即单机每秒可生成约409W的ID，全局同业务集群可产生4096000*1024=419430W=41.9亿(TPS)。

从 SnowflakeId 设计上能够看出:

• timestamp在高位，单实例SnowflakeId是会保障时钟总是向前的（校验本机时钟回拨），所以是本机枯燥递增的。受全局时钟同步/时钟回拨影响SnowflakeId是全局趋势递增的。
• SnowflakeId不对任何第三方中间件有强依赖关系，并且性能也十分高。
• 位调配计划能够依照业务零碎须要灵便配置，来达到最优应用成果。
• 强依赖本机时钟，潜在的时钟回拨问题会导致ID反复、处于短暂的不可用状态。
• machineId须要手动设置，理论部署时如果采纳手动调配machineId，会十分低效。

SnowflakeId之机器号调配问题

在SnowflakeId中依据业务设计的位调配计划确定了基本上就不再有变更了，也很少须要保护。然而machineId总是须要配置的，而且集群中是不能反复的，否则分区准则就会被毁坏而导致ID唯一性准则毁坏，当集群规模较大时machineId的保护工作是十分繁琐，低效的。

有一点须要特地阐明的，SnowflakeId的MachineId是逻辑上的概念，而不是物理概念。
设想一下假如MachineId是物理上的，那么意味着一台机器领有只能领有一个MachineId，那会产生什么问题呢？

目前 CosId 提供了以下三种 MachineId 分配器。

• ManualMachineIdDistributor: 手动配置machineId，个别只有在集群规模十分小的时候才有可能应用，不举荐。
• StatefulSetMachineIdDistributor: 应用Kubernetes的StatefulSet提供的稳固的标识ID（HOSTNAME=service-01）作为机器号。
• RedisMachineIdDistributor: 应用Redis作为机器号的散发存储，同时还会存储MachineId的上一次工夫戳，用于启动时时钟回拨的查看。

SnowflakeId之时钟回拨问题

时钟回拨的致命问题是会导致ID反复、抵触（这一点不难理解），ID反复显然是不能被容忍的。
在SnowflakeId算法中，依照MachineId分区ID，咱们不难理解的是不同MachineId是不可能产生雷同ID的。所以咱们解决的时钟回拨问题是指以后MachineId的时钟回拨问题，而不是所有集群节点的时钟回拨问题。

MachineId时钟回拨问题大体能够分为俩种状况：

• 运行时时钟回拨：即在运行时获取的以后工夫戳比上一次获取的工夫戳小。这个场景的时钟回拨是很容易解决的，个别SnowflakeId代码实现时都会存储lastTimestamp用于运行时时钟回拨的查看，并抛出时钟回拨异样。

  • 时钟回拨时间接抛出异样是不太好地实际，因为上游应用方简直没有其余解决计划（噢，我还能怎么办呢，等吧），时钟同步是惟一的抉择，当只有一种抉择时就不要再让用户抉择了。
  • ClockSyncSnowflakeId是SnowflakeId的包装器，当产生时钟回拨时会应用ClockBackwardsSynchronizer被动期待时钟同步来从新生成ID，提供更加敌对的应用体验。

• 启动时时钟回拨：即在启动服务实例时获取的以后时钟比上次敞开服务时小。此时的lastTimestamp是无奈存储在过程内存中的。当获取的内部存储的机器状态大于以后时钟时钟时，会应用ClockBackwardsSynchronizer被动同步时钟。

  • LocalMachineStateStorage：应用本地文件存储MachineState(机器号、最近一次工夫戳)。因为应用的是本地文件所以只有当实例的部署环境是稳固的，LocalMachineStateStorage才实用。
  • RedisMachineIdDistributor：将MachineState存储在Redis分布式缓存中，这样能够保障总是能够获取到上次服务实例停机时机器状态。

SnowflakeId之JavaScript数值溢出问题

JavaScript的Number.MAX_SAFE_INTEGER只有53-bit，如果间接将63位的SnowflakeId返回给前端，那么会产生值溢出的状况（所以这里咱们应该晓得后端传给前端的long值溢出问题，迟早会呈现，只不过SnowflakeId呈现得更快而已）。
很显然溢出是不能被承受的，个别能够应用以下俩种解决计划：

• 将生成的63-bitSnowflakeId转换为String类型。

  • 间接将long转换成String。
  • 应用SnowflakeFriendlyId将SnowflakeId转换成比拟敌对的字符串示意：{timestamp}-{machineId}-{sequence} -> 20210623131730192-1-0

• 自定义SnowflakeId位调配来缩短SnowflakeId的位数（53-bit）使 ID 提供给前端时不溢出

  • 应用SafeJavaScriptSnowflakeId(JavaScript 平安的 SnowflakeId)

号段模式（SegmentId）

从下面的设计图中，不难看出号段模式根本设计思路是通过每次获取肯定长度（Step）的可用ID（Id段/号段），来升高网络IO申请次数，晋升性能。

• 强依赖第三方号段散发器，可用性受到第三方散发器影响。
• 每次号段用完时获取NextMaxId须要进行网络IO申请，此时的性能会比拟低。

• 单实例ID枯燥递增，全局趋势递增。

  • 从设计图中不难看出Instance 1每次获取的NextMaxId，肯定比上一次大，意味着下一次的号段肯定比上一次大，所以从单实例上来看是枯燥递增的。
  • 多实例各自持有的不同的号段，意味着同一时刻不同实例生成的ID是乱序的，然而整体趋势的递增的，所以全局趋势递增。

• ID乱序水平受到Step长度以及集群规模影响（从趋势递增图中不难看出）。

  • 假如集群中只有一个实例时号段模式就是枯燥递增的。

  • Step越小，乱序水平越小。当Step=1时，将有限靠近枯燥递增。须要留神的是这里是有限靠近而非等于枯燥递增，具体起因你能够思考一下这样一个场景：

    • 号段散发器T₁时刻给Instance 1散发了ID=1,T₂时刻给Instance 2散发了ID=2。因为机器性能、网络等起因，Instance 2网络IO写申请先于Instance 1达到。那么这个时候对于数据库来说，ID仍然是乱序的。

号段链模式（SegmentChainId）

SegmentChainId是SegmentId增强版，相比于SegmentId有以下劣势：

• 稳定性：SegmentId的稳定性问题（P9999=46.624(us/op)）次要是因为号段用完之后同步进行NextMaxId的获取导致的（会产生网络IO）。

  • SegmentChainId （P9999=0.208(us/op)）引入了新的角色PrefetchWorker用以保护和保障平安间隔，现实状况下使得获取ID的线程简直齐全不须要进行同步的期待NextMaxId获取，性能可达到近似 AtomicLong 的 TPS 性能:12743W+/s JMH 基准测试 。

• 适应性：从SegmentId介绍中咱们晓得了影响ID乱序的因素有俩个：集群规模、Step大小。集群规模是咱们不能管制的，然而Step是能够调节的。

  • Step应该近可能小能力使得ID枯燥递增的可能性增大。
  • Step太小会影响吞吐量，那么咱们如何正当设置Step呢？答案是咱们无奈精确预估所有时点的吞吐量需要，那么最好的方法是吞吐量需要高时，Step主动增大，吞吐量低时Step主动膨胀。
  • SegmentChainId引入了饥饿状态的概念，PrefetchWorker会依据饥饿状态检测以后平安间隔是否须要收缩或者膨胀，以便取得吞吐量与有序性之间的衡量，这便是SegmentChainId的自适应性。

SegmentChainId-吞吐量 (ops/s)

MySqlChainIdBenchmark-Throughput

SegmentChainId-每次操作耗时的百分位数(us/op)

MySqlChainIdBenchmark-Percentile

基准测试报告运行环境阐明

• 基准测试运行环境：笔记本开发机(MacBook-Pro-(M1))
• 所有基准测试都在开发笔记本上执行。