大家好，欢迎来到IT知识分享网。

推荐阅读：

卧槽！又一个Java学习神器

分布式 ID， 我们可能都听过分布式系统，分布式，分布式 ID 可能比较少，因为业务，方向以及系统维护的方面出发，现在的互联网中的项目，多数都需要一个全局且唯一，有增量趋势的 标识 。目前用的可能是 MySQL 的自增主键，UUID，时间戳等，但是对于日益增长的消息系统，点评，支付等具体操作，都需要一个稳定，全局唯一，且有明显自增趋势的 ID 作为唯一标识。

一个分布式全局 ID 的硬性要求

其中信息安全，可能有的小伙伴不太了解，你每次请求获取的 ID（查询操作），这个如果是递增，我们就能直观的判断出有信息，多少人，这是第多少个等，这属于敏感信息泄露的范畴， 安全还是很重要的；

规则我们确定之后，我们就要求生成这个 ID 系统的要求，之前是对于生成 单个一个 ID 的要求，

对 ID 系统生成的可用性要求

因为是存在于分布式系统的，那也就是我们比较熟悉的，

高可用：发起一个获取分布式 ID 的请求时，必须保证服务器在 99.999%的时候给我创建成功

低延迟： 获取分布式 ID,服务器响应快速，不能有高延迟，会有误差

高并发： 一秒钟可以获取 10 万左右的 ID,而且要成功，服务器要扛得住

情景再现：

面试中，对于面试者做过的项目，面试官一般会采用聊集群，QPS 等情况验证，项目的真实性， 其中分布式 ID 就属于具体实现了，一般会问：

你们项目是，分布式微服务，集群化部署，电商的这个系统中对于订单，支付等 全局 ID 是如何生成的？

雪花算法 snowFlake；

现在系统常用的 ID 生成方式：

数据库自增，UUID ，时间戳；Redis 集群

(1) 数据库自增（mysql 自增）

其中数据库自增，对于单体系统，后台系统用的比较多，因为并发小，使用人数也少，适合于小系统，QPS 一般几十到一百左右的，

缺点：对于数据敏感的场景不宜使用， 且支撑不了分布式场景，自增之后还是会还原为原来的数值

(2) UUID

UUID 用的是比较普遍的一个 ID, 因为全局唯一，但是它存在很多的问题

UUID 的缺点：

无序，且无法预测生成顺序，无法有效的呈现递增趋势

存储，字段很长，耗费数据库资源，对于特点环境存在一些问题，

优点：只剩下全局唯一了

（3）时间戳

一般可以使用时间戳加具体的业务 ID 来规定，但是用的也比较少

（4）基于 Redis 集群生成策略

因为 Redis 特性是基于单线程，所以用它生成 ID 操作是原子性的，集群化可以实现，

通过设备集群的增长步长，起始值，就可以

比如 Redis 集群有五台机器， 可以初始化为每台 Redis 的值 1，2，3，4，5；步长是 5；

各个 Redis 生成的 Id 为：

A:1,6,11,16,21,…B:2,7,12,17.22,…C:3,8,13,18,23,…D:4,9,14,19,24,…E:5,10,15,20,25,…

虽然可以实现，但是配置 Redis 集群后， 要实现数据丢失怎么办，key 的失效时间等等， 不是不能做，是杀鸡焉用牛刀 ，对的；

然后就到了我们今天的主题：

(5)Twitter 开源的 snowflake;

Snowflake（雪花） 是一项服务，用于为 Twitter 内的对象（推文，直接消息，用户，集合，列表等）生成唯一的 ID。这些 IDs 是唯一的 64 位无符号整数，它们 基于时间 ，而不是顺序的。完整的 ID 由时间戳，工作机器编号和序列号组成。当在 API 中使用 JSON 数据格式时，请务必始终使用 id_str 字段而不是 id，这一点很重要。这是由于处理 JSON 的 Javascript 和其他语言计算大整数的方式造成的。如果你遇到 id 和 id_str 似乎不匹配的情况，这是因为你的环境已经解析了 id 整数，并在处理的过程中仔细分析了这个数字。

Twitter 的分布式雪花算法 SnowFlake,经测试 snowflake 每秒能够产生 26 万 个自增可排序的 ID1、twitter 的 SnowFlake 生成 ID 能够按照时间有序生成 2、SnowFlake 算法生成 id 的结果是一个 64bit 大小的整数，为一个 Long 型（转换成字符串后长度最多 19).3、分布式系统内不会产生 ID 碰撞（由 datacenter 和 workerld 作区分）并且效率较高。

分布式系统中，有一些需要使用全局唯一 ID 的场景，生成 ID 的基本要求

1.在分布式的环境下必须全局且唯一。

对比2.一般都需要单调递增，因为一般唯一 ID 都会存到数据库，而 Intodb 的特性就是将内容存储在主键索引树上的叶子节点，而且是从左往右，递增的，所以考虑到数据库性能，一般生成的 id 也最好是单调递增。为了防止 ID 冲突可以使用 36 位的 UUID,但是 UUID 有一些缺点，首先他相对比较长，另外 UUID-般是无序的

snowflake 是中可以用 69 年是否成立？

雪花算法可以高度唯一和可用性时间长：作比较， 41 位的 1 二进制数字，对于十进制来说，是多少呢；十进制的数字是： 51 https://tool.lu/hexconvert/ 进制转换的工具箱

我做了个 demo 来证明:

其中主要设置的是 10 位的工作进程位；-

一般分为数据中心和机器位

生成 snowFlake 的 ID

我们以 springboot 的项目来构建这个 snowFlake 的 ID 生成，

依赖：

 <!-- hutool关于sonwFlake的使用 --> <dependency> <groupId>cn.hutool</groupId> <artifactId>hutool-captcha</artifactId> <version>5.6.0</version> </dependency>

复制代码

这里我们表示的是 Java 代码库中，hutool 的类库，调用已经封装好的 IdUtil 就好。

package com.generate; import cn.hutool.core.lang.Snowflake; import cn.hutool.core.net.NetUtil; import cn.hutool.core.util.IdUtil; import lombok.extern.slf4j.Slf4j; import org.springframework.stereotype.Component; import javax.annotation.PostConstruct; /** * 生成全局ID * 雪花算法Tiwwer */ @Component @Slf4j public class SnowFlakeUtil { //主要配置工作位十位，其中5位是机器位（节点或者是具体哪台机器），5位数数据中心 private Long workerID = 0L; private Long datecenter = 1L; private Snowflake snowflake = IdUtil.createSnowflake(workerID, datecenter); @PostConstruct private void init() { try { //当前机器的IP workerID = NetUtil.ipv4ToLong(NetUtil.getLocalhostStr()); log.info("当前机器的workerID{}", workerID); } catch (Exception e) { log.warn("获取机器ID失败", e); workerID = Long.valueOf(NetUtil.getLocalhost().hashCode()); log.info("当前机器workID", workerID); } } //简单版本 public synchronized Long createSnowFlakeID() { //生成的ID加锁synchronized return snowflake.nextId(); } //全局版本的 public synchronized long showFlakeID(long workId, long datacenterID) { Snowflake snowflake = IdUtil.createSnowflake(workerID, datecenter); return snowflake.nextId(); } public static void main(String[] args) { System.out.println(new SnowFlakeUtil().createSnowFlakeID()); //  } }

这里是简单的一个版本，与真实项目中有差异，差异主要是体现在参数配置中，

虽然雪花算法可以生成，唯一且自增的 ID ,但是它也存在问题，是关于时间戳的；

总结：

优点：

1.不依赖与第三方系统（MySQL，Redis 等），稳定性，生成 ID 的性能非常高

​ 2.毫秒数在高位，自增序列在低位，整个 ID 都是有趋势递增的；

缺点：

依赖于机器时钟，也就是对表时间，如果机器回拨，会导致重复 ID 生成；

这种情况一般会发生在分布式环境中，每台机器上的时钟不可能完全同步，有时候会出现不是全局递增的情况

但是对于中小公司，此缺点可以忽略， 一般会要求趋势递增，并不会严格要求递增；

snowFlake 的优化

对于时钟回拨的情况，国内的大厂也修复了这个雪花算法的问题，比如

百度开源的 Uid Generator

Leaf–美团点评分布式生成 ID

两者都是在雪花算法的基础上，优化和改进；

适用于

对于普通公司，200 人上下的，体制主要对于研发人员，都可以使用 snowFlake, 配置具体 ID 生成，规定其中位数的默认值，

尤其是对于时钟回拨的，（时间一直在走），重点在配置，选择，处理异常，就可以完成。

2021最新全套Java资料，完整面试题及答案（都整理成文档），有很多干货，包含mysql，netty，spring，线程，spring cloud、JVM、源码、算法，详细的学习规划图等资料，需要获取这些内容的朋友请私信我：学习