背景
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。如在支付流水号、订单号等，随者业务数据日渐增长，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。
生成的唯一id需要具备哪些条件
全局唯一性：不能出现重复的ID号，既然是唯一标识，这是最基本的要求。
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。
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。
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。
UUID
关于分布式id,很多人会想到使用UUID，UUID在唯一性上确实可以达到这个目的，但它也存在很大的缺陷
优点：
性能非常高：本地生成，没有网络消耗。
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xxxx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。（MySQL官方有明确的建议主键要尽量越短越好，36个字符长度的UUID不符合要求。对MySQL索引不利：如果作为数据库主键，在InnoDB引擎下，UUID的无序性可能会引起数据位置频繁变动，严重影响性能。）
snowflake
"世界上没有一片雪花是相同的"，这大概是snowflake名字的由来吧。
SnowFlake算法是Twitter设计的一个可以在分布式系统中生成唯一的ID的算法，它可以满足Twitter每秒上万条消息ID分配的请求，这些消息ID是唯一的且有大致的递增顺序。
snowflake算法的原理
SnowFlake算法产生的ID是一个64位的整型，结构如下（每一部分用“-”符号分隔）：
snowflake.png
需要注意的是64位是二进制，2的64次方 = 18446744073709551616，这就是能表示的id的范围，范围可以通过扩展序列号或则工作机器id来增加id的上限。
1位标识部分
在java中由于long的最高位是符号位，正数是0，负数是1，一般生成的ID为正数，所以为0；
41位时间戳部分
这个是毫秒级的时间，一般实现上不会存储当前的时间戳，而是时间戳的差值（当前时间-固定的开始时间），这样可以使产生的ID从更小值开始；41位的时间戳可以使用69年，(1L << 41) / (1000L * 60 * 60 * 24 * 365) = 69年；
10位节点部分
Twitter实现中使用前5位作为数据中心标识，后5位作为机器标识，可以部署1024个节点，在Spring Cloud中可以为每一个实例生成唯一的机器识别码，这样就能保证每个实例中生成的id都不一样。
12位序列号部分
支持同一毫秒内同一个节点可以生成4096（2的12次方）个ID，这个同样可以扩展，但其实每毫秒生成4096个id已经能满足大部分场景了。
算法的java代码
/**
* twitter的snowflake算法 -- java实现
*
* @author beyond
* @date 2016/11/26
*/public class SnowFlake { /**
* 起始的时间戳（最后的时间 = 当前时间戳 - 起始的时间戳)
*/
private final static long START_STMP = 1480166465631L; /**
* 每一部分占用的位数
*/
private final static long SEQUENCE_BIT = 12; //序列号占用的位数
private final static long MACHINE_BIT = 5; //机器标识占用的位数
private final static long DATACENTER_BIT = 5;//数据中心占用的位数
/**
* 每一部分的最大值
*/
private final static long MAX_DATACENTER_NUM = -1L ^ (-1L << DATACENTER_BIT); private final static long MAX_MACHINE_NUM = -1L ^ (-1L << MACHINE_BIT); private final static long MAX_SEQUENCE = -1L ^ (-1L << SEQUENCE_BIT); /**
* 每一部分向左的位移
*/
private final static long MACHINE_LEFT = SEQUENCE_BIT; private final static long DATACENTER_LEFT = SEQUENCE_BIT + MACHINE_BIT; private final static long TIMESTMP_LEFT = DATACENTER_LEFT + DATACENTER_BIT; private long datacenterId; //数据中心
private long machineId; //机器标识
private long sequence = 0L; //序列号
private long lastStmp = -1L;//上一次时间戳
public SnowFlake(long datacenterId, long machineId) { // 校验datacenterId长度超过范围就抛异常
if (datacenterId > MAX_DATACENTER_NUM || datacenterId < 0) { throw new IllegalArgumentException("datacenterId can't be greater than MAX_DATACENTER_NUM or less than 0");
} // 校验machineId长度超过范围就抛异常
if (machineId > MAX_MACHINE_NUM || machineId < 0) { throw new IllegalArgumentException("machineId can't be greater than MAX_MACHINE_NUM or less than 0");
} this.datacenterId = datacenterId; this.machineId = machineId;
} /**
* 产生下一个ID
*
* @return
*/
public synchronized long nextId() { long currStmp = getNewstmp(); if (currStmp < lastStmp) { throw new RuntimeException("Clock moved backwards. Refusing to generate id");
} if (currStmp == lastStmp) { //相同毫秒内，序列号自增
sequence = (sequence + 1) & MAX_SEQUENCE; //同一毫秒的序列数已经达到最大
if (sequence == 0L) {
currStmp = getNextMill();
}
} else { //不同毫秒内，序列号置为0
sequence = 0L;
}
lastStmp = currStmp; //使用二进制的"|"运算符将4部分的值整合成我们需要的id
return (currStmp - START_STMP) << TIMESTMP_LEFT //时间戳部分
| datacenterId << DATACENTER_LEFT //数据中心部分
| machineId << MACHINE_LEFT //机器标识部分
| sequence; //序列号部分
}
//如果当前毫秒值下的序列号用完，就循环获取下个毫秒值，如果没有获取到下个毫秒值就
//一直循环下去
private long getNextMill() { long mill = getNewstmp(); while (mill <= lastStmp) {
mill = getNewstmp();
} return mill;
} private long getNewstmp() { return System.currentTimeMillis();
} public static void main(String[] args) {
SnowFlake snowFlake = new SnowFlake(2, 3); for (int i = 0; i < (1 << 12); i++) {
System.out.println(snowFlake.nextId());
}
}
}总结
10位节点部分在代码中分成了两个5位节点，看具体需求，也可以用一个10位节点代替。snowflake更多的是提供一种算法思想，具体的id生成逻辑可以在此基础上进一步的优化。
作者：瘦竹竿
链接：https://www.jianshu.com/p/330bb01c2820
随时随地看视频
