一、序言
几乎所有的业务系统，都有生成一个唯一id的需求，例如： 1.订单号
2.活动id
3.消息id
这个记录标识往往就是数据库中的唯一主键，也可以作为唯一索引。
这个记录标识上的查询，往往又有分页或者排序的业务需求，例如： （1）拉取最新的一页的聊天记录：select * by message_id/ order by gmt_create/ limit 100 （2）拉取最近的一百条流水：select * by order_id/ order by gmt_create/ limit 100
所以往往要有一个time字段。
如果不在time上加索引，则需要进行重新排序，耗时较长；如果在time上加索引，索引特性天然有序，但由于是非聚集索引，耗时也比聚集索引要高。
所以我们希望能够通过生成趋势有序的主键id来省去time字段的索引查询。
这就引出了唯一id生成的两大核心需求：
1.全局唯一
2.有序（严格有序最好，实在不行递增有序也可以）
二、常见方法
2.1 单点生成id
2.1.1 使用数据库的auto_increment来生成全局唯一递增ID
优点：
（1）简单，使用数据库已有的功能 （2）能够保证唯一性 （3）严格有序
（4）步长固定
缺点：
（1）可靠性难以保证：数据库常见架构是一主多从+读写分离，生成自增ID是写请求，主库挂了就玩不转了
（2）扩展性差，性能有上限：因为写入是单点，数据库主库的写性能决定ID的生成性能上限，并且难以扩展
2.1.2 单点批量ID生成服务
分布式系统之所以难，很重要的原因之一是“没有一个全局时钟，难以保证绝对的时序”，要想保证绝对的时序，还是只能使用单点服务，用本地时钟保证“绝对时序”。数据库写压力大，是因为每次生成ID都访问了数据库，可以使用批量的方式降低数据库写压力。
如上图所述，数据库中只存储当前ID的最大值，例如5。ID生成服务假设每次批量拉取6个ID，服务访问数据库，将当前ID的最大值修改为5，这样应用访问ID生成服务索要ID，ID生成服务不需要每次访问数据库，就能依次派发0,1,2,3,4,5这些ID了，当ID发完后，再将ID的最大值修改为11，就能再次派发6,7,8,9,10,11这些ID了，于是数据库的压力就降低到原来的1/6了。
优点：
（1）保证了ID生成的绝对递增有序
（2）大大的降低了数据库的压力，ID生成可以做到每秒生成几十万个
缺点：
（1）服务仍然是单点（发号器和数据库都为单点） （2）如果服务挂了，服务重启起来之后，继续生成ID可能会不连续，中间出现空洞（服务内存是保存着0,1,2,3,4,5，数据库中max-id是5，分配到3时，服务重启了，下次会从6开始分配，4和5就成了空洞，不过这个问题也不大）
（3）虽然每秒可以生成几万几十万个ID，但毕竟还是有性能上限，无法进行水平扩展
改进方法：主备
单点服务的常用高可用优化方案是“主备”，所以我们能用以下方法优化上述缺点
如上图，对外提供的服务是主服务，当主服务挂了的时候备用数据库顶上。
数据库一次可以给出1*10^n个号，一般来说，如果无需严格有序，这个方案已经够用了，但如果想要保证严格有序，发号器又成了单点，因为如果有多个发号器的话，数据也无法保障严格有序。
2.2 分布式生成id
2.2.1 uuid
方案2.1.2 来生成ID，虽然性能大增，但由于是单点系统，总还是存在性能上限的。同时，上述两种方案，不管是数据库还是服务来生成ID，业务方Application都需要进行一次远程调用，比较耗时。有没有一种本地生成ID的方法，即高性能，又时延低呢？
uuid是一种常见的方案：string ID =GenUUID();
优点：
（1）本地生成ID，不需要进行远程调用，时延低
（2）扩展性好，基本可以认为没有性能上限
缺点：
（1）无法保证趋势递增 （2）uuid过长，往往用字符串表示，作为主键建立索引查询效率低
2.2.2 取当前毫秒数
uuid是一个本地算法，生成性能高，但无法保证趋势递增，且作为字符串ID检索效率低，有没有一种能保证递增的本地算法呢？
取当前毫秒数是一种常见方案：uint64 ID = GenTimeMS();
优点：
（1）本地生成ID，不需要进行远程调用，时延低 （2）生成的ID趋势递增
（3）生成的ID是整数，建立索引后查询效率高
缺点：
（1）如果并发量超过1000，会生成重复的ID
（2）各个服务器本地时钟无法完全保证一致，也存在重复可能性
这个缺点实在是太严重了，无法保证全局唯一根本不可用。
2.2.3 类snowflake算法
2.2.2 本地时钟无法完全保证一致导致的重复性可以对每个服务器生成的sequence后拼上服务器标识解决，并发量超过1000的问题可以在毫秒数后面拼几个bit来指代一毫秒内生成的多个sequence。
这就是著名的雪花算法。
snowflake是twitter开源的分布式ID生成算法，其核心思想是：一个long型的ID，使用其中41bit作为毫秒数，10bit作为机器编号，12bit作为毫秒内序列号。这个算法单机每秒内理论上最多可以生成1000*(2^12)，也就是400W的ID，完全能满足业务的需求。
借鉴snowflake的思想，结合各公司的业务逻辑和并发量，可以实现自己的分布式ID生成算法。
举例，假设某公司ID生成器服务的需求如下：
（1）单机高峰并发量小于1W，预计未来5年单机高峰并发量小于10W （2）有2个机房，预计未来5年机房数量小于4个 （3）每个机房机器数小于100台 （4）目前有5个业务线有ID生成需求，预计未来业务线数量小于10个
分析过程如下：
（1）高位取从2016年1月1日到现在的毫秒数（假设系统ID生成器服务在这个时间之后上线），假设系统至少运行10年，那至少需要10年*365天*24小时*3600秒*1000毫秒=320*10^9，差不多预留39bit给毫秒数
（2）每秒的单机高峰并发量小于10W，即平均每毫秒的单机高峰并发量小于100，差不多预留7bit给每毫秒内序列号
（3）5年内机房数小于4个，预留2bit给机房标识
（4）每个机房小于100台机器，预留7bit给每个机房内的服务器标识
（5）业务线小于10个，预留4bit给业务线标识
这样设计的64bit标识，可以保证：
（1）每个业务线、每个机房、每个机器生成的ID都是不同的 （2）同一个机器，每个毫秒内生成的ID都是不同的 （3）同一个机器，同一个毫秒内，以序列号区区分保证生成的ID是不同的
（4）将毫秒数放在最高位，保证生成的ID是趋势递增的
缺点：
（1）由于“没有一个全局时钟”，每台服务器分配的ID是绝对递增的，但从全局看，生成的ID只是趋势递增的（有些服务器的时间早，有些服务器的时间晚）
2.2.4 蚂蚁sequence
蚂蚁sequence将2.1.2的方案改进成了分布式生成，保留了批量生成id的优点
如图所示，当前有三个数据库，每次批量生成1000个id，那么数据库1每次生成的id就为3*1000*n到3*1000*n+999
优点：
（1）能够批量生成id
（2）易扩容
缺点：
（1）由于发号器取号并不是轮流从三个数据库取号，很有可能连续从数据库1取了三次，即0-999，3000-3999，6000-6999，然后再从数据库2取1000-1999，数据之间的连续性是断层的。
三、总结
这么比较下来，雪花算法是所有算法中最优秀的，除去本地机器时钟无法完全一致导致的顺序可能出现错位，该算法是最接近 唯一+绝对有序+易扩容 的方案。
