1 写作目的
这几天被虾皮裁员的消息刷屏了，实话实说互联网的行情确实很差，各处都在裁员。而且最近在忙试用期转正答辩，还不错，光荣的成为了一个大厂的正式员工，很庆幸在这么不稳定的情况下还能有自己的一寸方土。还扯别的干什么呢？开卷吧。
注意：本文只讲分布式主键的设计实现原理，不讲具体代码的实现细节。默认都不是单节点。
2 为什么要用分布式主键
在我们业务量不大的时候，单库单表完全可以支持现在的业务，数据再大一点读写分离也算OK。但是随着数据量的增长，单库单表终究是抗不住的。那就需要分库分表。分库分表后肯定不能依赖分表中的自增主键。因此需要一个 生成全局唯一ID的 主键生成策略。
3 分布式主键的基本要求
全局唯一：不管什么主键，都需要全局唯一。
高性能高可用：分布式主键服务本身就是一个底层的服务，很多服务都依赖于 这个服务，如果底层服务都不稳定，那么上游的服务就更谈不上稳定。
递增：大部分数据存储使用MySQL存储数据，为了快速存储和检索，分布式主键生成策略总趋势要求是递增的。
4 常见的分布式主键生成策略
4.1 UUID
在Java中自带的UUID就具有唯一性。如下面代码所示。生成的结果不是数字，是字符串。那
public static void main(String[] args) { String uuid = UUID.randomUUID().toString().replaceAll("-",""); System.out.println(uuid);//e48126eb0e6646638b043fca85f38818 }
优点
- 简单，没有网络消耗。
缺点
- 不保证大趋势递增，不利于检索，对索引的构建和维护成本比较大。
- 长度过长，不利于存储。
- 没有具体的业务含义。
4.2 MySQL
4.2.1 自增主键
4.2.1.1单点MySQL（单Master）
基于数据库的自增主键充当分布式ID服务器。
具体实现：
1）创建一个SEQUENCE_ID表（id,value）
2）每次请求该分布式主键主键服务时向SEQUENCE_ID 插入一条数据，并返回自增主键作为分布式主键。
优点
实现简单，自增有序。
缺点
DB单点存在宕机风险，扛不住高并发场景。
4.2.1.2集群MySQL（多Master）
集群也是基于数据库的自增实现分布式ID服务器。
具体实现： 设置起始值和步长
MySQL_1 配置：
set @@auto_increment_offset = 1; -- 起始值 set @@auto_increment_increment = 2; -- 步长
MySQL_2 配置：
set @@auto_increment_offset = 2; -- 起始值 set @@auto_increment_increment = 2; -- 步长
设计方式如下图所示。那么整体还是有序的。不过每一个DB承担的流量就是1/2。
优点
- 多Master相比单Master会好很多
缺点
- 不利于后期扩容
4.2.2 区间号段（☆☆☆☆☆）
我们以单节点为例，在数据库中维护一个SEQUENCE_ID表。表中定义的是一个order主键生成规则和user主键生成规则。简单对表做一下解释，biz_code表示一种主键，max_id表示已经分配的最大ID，step表示步长，用于每次生成一批主键。
每个节点的内存中存的是一批主键ID，当时候完毕后再去申请一批数据，效率极高。
优点
并发压力不会再MySQL主键服务器侧。
容灾性好，我一次给你一批，即使主键服务器挂了，Node内存中的主键可以继续使用，Nod不应该order_node对外提供服务。
缺点
每当请求主键服务器申请一批主键时，TP999数据会偶尔出现尖刺。因为当Clinet大量的请求到Order_Node时因没有主键去申请主键时会导致这一批的请求时间会hang住。
双Buffer优化
针对 区间号段 中出现尖刺的情况，使用双Buffer进行优化。如下图所示，我首先申请一批主键，当使用到该批次的10%时，后台起一个线程申请下一批主键，这样一种预加载的情况可以时主键串联起来，有效解决上面的请求RT抖动情况。
4.3 Redis
原理就是利用redis的 incr命令实现ID的原子性自增。
127.0.0.1:6379> set seq_id 1 // 初始化自增ID为1 OK 127.0.0.1:6379> incr seq_id // 增加1，并返回递增后的数值 (integer) 2
优点
- 极大降低了主键服务器MySQL的流量
缺点
- Redis如果使用RDB进行持久化，那么数据会存在丢失的风险。即 incr 后的数据丢失，则再次生成的主键会重复
- 依赖第三方服务，系统的复杂性会增加
4.4 SnowFlake雪花算法
算法简介
雪花算法（Snowflake）是twitter公司内部分布式项目采用的ID生成算法，开源后广受国内大厂的好评，在该算法影响下各大公司相继开发出各具特色的分布式生成器，不过设计思路还是相同和想通的。
如上图（图片源自网络，如有侵权联系删除）所示。整个ID由4部分组成。
●第一个bit位（1bit）：一般生成ID都为正数，所以默认为0。
●时间戳部分（41bit）：毫秒级的时间，不建议存当前时间戳，而是用（当前时间戳 - 固定开始时间戳）的差值，可以使产生的ID从更小的值开始；41位的时间戳可以使用69年，(1L << 41) / (1000L * 60 * 60 * 24 * 365) = 69年
●工作机器id（10bit）：也被叫做workId，这个可以灵活配置，机房或者机器号组合都可以。
●序列号部分（12bit），自增值支持同一毫秒内同一个节点可以生成4096个ID
核心思想
多种唯一的值 进行拼接，使其更唯一。
Snowflake的第二部分是时间戳，时间戳是唯一的，但是如果多个节点同时生产则会参数相同的时间戳，那怎么办？接着加唯一的值，工作机器的ID唯一呀。那么就出现了第三部分的值。但是如果在一个进程中可能两个线程同时请求，那么会产生相同的（时间戳+工作机器ID），那就继续加唯一值，在加上最后的序列号，从而保证全局唯一。
●第一个bit位（1bit）：一般生成ID都为正数，所以默认为0。
●时间戳部分（41bit）：保证单节点下请求唯一，但是多节点内请求会生成相同的时间戳。
●工作机器id（10bit）：时间戳 + 工作机器 保证多节点同同时请求可以生成不同的主键ID。但是多节点下多线程还是存在重复。
●序列号部分（12bit），解决多节点下多线程生成ID重复的问题。
其中这种思想还挺常见的。
比如我们使用配置文件或者注册中心都有namespce的概念，namespcae和配置文件名称公共确定一个文件。再比如java中的包名。
都是通过多个唯一拼接成 一个唯一。
优点
高性能，生成的主键贼多
缺点
生成的主键之间跨度大，不密集，比如我想看一天的订单量，那么根据主键ID相减就没办法
该算法强依赖时间，存在时钟回拨问题
时钟回拨问题常见的解决方案
其实很多大厂基于雪花算法开源的分布式ID解决方案一方面偏重于64的设计，另一方面偏重于时钟回拨出现后的解决方案优化。
●回拨时间很短（<100ms）
当请求系统时如果发现这个时钟回拨的时间段很小，则可以使其睡一会而到达之前最新的时间节点而继续往下执行。
●回拨时间适中（>100ms && < 1s）
维护最近的一秒（1000毫秒）每毫秒请求的最大值到Redis中（time，maxId），如果发生时钟回拨则取该毫秒的最大值+1。
●回拨时间较长（>1s && < 5s）
如下图所示，当请求Snowflake1时发现时钟回拨，则可以抛一个异常给客户端，客户端则进行其他节点的访问，负载均衡去实现。
●回拨时间很长（>5s ）
直接报警下线吧，都不能用了
5 总结
阿里的TDDL和美团的Leaf 有一部分是基于MySQL的区间号段实现的。目前主流的分布式主键方案主要有两种：
- 1.基于MySQL的区间号段实现
- 2.基于雪花算法SnowFlake基础之上的一些开源框架方案
