幾乎所有的業務系統，都有生成乙個記錄標識的需求，例如：
訊息標識：message-id
訂單標識：order-id
帖子標識：tiezi-id
這個記錄標識往往就是資料庫中的唯一主鍵，資料庫上會建立聚集索引（cluster index），即在物理儲存上以這個字段排序。
這個記錄標識上的查詢，往往又有分頁或者排序的業務需求，例如：
拉取最新的一頁訊息：selectmessage-id/ order by time/ limit 100
拉取最新的一頁訂單：selectorder-id/ order by time/ limit 100
拉取最新的一頁帖子：selecttiezi-id/ order by time/ limit 100
所以往往要有乙個time欄位，並且在time欄位上建立普通索引（non-cluster index）。
我們都知道普通索引儲存的是實際記錄的指標，其訪問效率會比聚集索引慢，如果記錄標識在生成時能夠基本按照時間有序，則可以省去這個time欄位的索引查詢： select message-id/ (order by message-id)/limit 100
再次強調，能這麼做的前提是，message-id的生成基本是趨勢時間遞增的。
這就引出了記錄標識生成（也就是上文提到的三個***-id）的兩大核心需求：
全域性唯一
趨勢有序
常見方法一：使用資料庫的 auto_increment 來生成全域性唯一遞增id
優點：簡單，使用資料庫已有的功能
能夠保證唯一性
能夠保證遞增性
步長固定
缺點：可用性難以保證：資料庫常見架構是一主多從+讀寫分離，生成自增id是寫請求，主庫掛了就玩不轉了
擴充套件性差，效能有上限：因為寫入是單點，資料庫主庫的寫效能決定id的生成效能上限，並且難以擴充套件
改進方法：
增加主庫，避免寫入單點
資料水平切分，保證各主庫生成的id不重複
如上圖所述，由1個寫庫變成3個寫庫，每個寫庫設定不同的auto_increment初始值，以及相同的增長步長，以保證每個資料庫生成的id是不同的（上圖中庫0生成0,3,6,9…，庫1生成1,4,7,10，庫2生成2,5,8,11…） 改進後的架構保證了可用性，但缺點是：
喪失了id生成的「絕對遞增性」：先訪問庫0生成0,3，再訪問庫1生成1，可能導致在非常短的時間內，id生成不是絕對遞增的（這個問題不大，我們的目標是趨勢遞增，不是絕對遞增）
資料庫的寫壓力依然很大，每次生成id都要訪問資料庫
為了解決上述兩個問題，引出了第二個常見的方案
常見方法二：單點批量id生成服務
分布式系統之所以難，很重要的原因之一是「沒有乙個全域性時鐘，難以保證絕對的時序」，要想保證絕對的時序，還是只能使用單點服務，用本地時鐘保證「絕對時序」。資料庫寫壓力大，是因為每次生成id都訪問了資料庫，可以使用批量的方式降低資料庫寫壓力。
如上圖所述，資料庫使用雙master保證可用性，資料庫中只儲存當前id的最大值，例如0。id生成服務假設每次批量拉取6個id，服務訪問資料庫，將當前id的最大值修改為5，這樣應用訪問id生成服務索要id，id生成服務不需要每次訪問資料庫，就能依次派發0,1,2,3,4,5這些id了，當id發完後，再將id的最大值修改為11，就能再次派發6,7,8,9,10,11這些id了，於是資料庫的壓力就降低到原來的1/6了。
優點：保證了id生成的絕對遞增有序
大大的降低了資料庫的壓力，id生成可以做到每秒生成幾萬幾十萬個
缺點：服務仍然是單點
如果服務掛了，服務重啟起來之後，繼續生成id可能會不連續，中間出現空洞（服務記憶體是儲存著0,1,2,3,4,5，資料庫中max-id是5，分配到3時，服務重啟了，下次會從6開始分配，4和5就成了空洞，不過這個問題也不大）
雖然每秒可以生成幾萬幾十萬個id，但畢竟還是有效能上限，無法進行水平####擴充套件
改進方法：
單點服務的常用高可用優化方案是「備用服務」，也叫「影子服務」，所以我們能用以下方法優化上述缺點（1）：
如上圖，對外提供的服務是主服務，有乙個影子服務時刻處於備用狀態，當主服務掛了的時候影子服務頂上。這個切換的過程對呼叫方是透明的，可以自動完成，常用的技術是vip+keepalived，具體就不在這裡展開。
常見方法三：uuid
優點：本地生成id，不需要進行遠端呼叫，時延低
擴充套件性好，基本可以認為沒有效能上限
缺點：無法保證趨勢遞增
uuid過長，往往用字串表示，作為主鍵建立索引查詢效率低，常見優化方案為「轉化為兩個uint64整數儲存」或者「折半儲存」（折半後不能保證唯一性）
常見方法四：取當前毫秒數
uuid是乙個本地演算法，生成效能高，但無法保證趨勢遞增，且作為字串id檢索效率低，有沒有一種能保證遞增的本地演算法呢？
取當前毫秒數是一種常見方案：uint64 id = gentimems();
優點：本地生成id，不需要進行遠端呼叫，時延低
生成的id趨勢遞增
生成的id是整數，建立索引後查詢效率高
缺點：如果併發量超過1000，會生成重複的id
我去，這個缺點要了命了，不能保證id的唯一性。當然，使用微秒可以降低衝突概率，但每秒最多只能生成1000000個id，再多的話就一定會衝突了，所以使用微秒並不從根本上解決問題。
常見方法五：類snowflake演算法
snowflake是twitter開源的分布式id生成演算法，其核心思想是：乙個long型的id，使用其中41bit作為毫秒數，10bit作為機器編號，12bit作為毫秒內序列號。這個演算法單機每秒內理論上最多可以生成1000*(2^12)，也就是400w的id，完全能滿足業務的需求。
借鑑snowflake的思想，結合各公司的業務邏輯和併發量，可以實現自己的分布式id生成演算法。 舉例，假設某公司id生成器服務的需求如下：
單機高峰併發量小於1w，預計未來5年單機高峰併發量小於10w
有2個機房，預計未來5年機房數量小於4個
每個機房機器數小於100臺
目前有5個業務線有id生成需求，預計未來業務線數量小於10個
分析過程如下：
高位取從2023年1月1日到現在的毫秒數（假設系統id生成器服務在這個時間之後上線），假設系統至少執行10年，那至少需要10年365天24小時3600秒1000毫秒=320*10^9，差不多預留39bit給毫秒數
每秒的單機高峰併發量小於10w，即平均每毫秒的單機高峰併發量小於100，差不多預留7bit給每毫秒內序列號
5年內機房數小於4個，預留2bit給機房標識
每個機房小於100臺機器，預留7bit給每個機房內的伺服器標識
業務線小於10個，預留4bit給業務線標識
這樣設計的64bit標識，可以保證：
每個業務線、每個機房、每個機器生成的id都是不同的
同乙個機器，每個毫秒內生成的id都是不同的
同乙個機器，同乙個毫秒內，以序列號區區分保證生成的id是不同的
將毫秒數放在最高位，保證生成的id是趨勢遞增的
缺點：由於「沒有乙個全域性時鐘」，每台伺服器分配的id是絕對遞增的，但從全域性看，生成的id只是趨勢遞增的（有些伺服器的時間早，有些伺服器的時間晚）
最後乙個容易忽略的問題：
生成的id，例如message-id/ order-id/ tiezi-id，在資料量大時往往需要分庫分表，這些id經常作為取模分庫分表的依據，為了分庫分表後資料均勻，id生成往往有「取模隨機性」的需求，所以我們通常把每秒內的序列號放在id的最末位，保證生成的id是隨機的。 又如果，我們在跨毫秒時，序列號總是歸0，會使得序列號為0的id比較多，導致生成的id取模後不均勻。解決方法是，序列號不是每次都歸0，而是歸乙個0到9的隨機數，這個地方。
架構 細聊分布式ID生成方法
幾乎所有的業務系統，都有 生成乙個記錄標識的需求 例如 1 訊息標識 message id 2 訂單標識 order id 3 帖子標識 tiezi id 這個記錄標識往往就是資料庫中的唯一主鍵 資料庫上會建立聚集索引 cluster index 即在物理儲存上以這個字段排序。這個記錄標識上的查詢，...
全域性唯一遞增的id 細聊分布式ID生成方法
一 需求緣起 幾乎所有的業務系統，都有生成乙個記錄標識的需求，例如 1 訊息標識 message id 2 訂單標識 order id 3 帖子標識 tiezi id 這個記錄標識往往就是資料庫中的唯一主鍵，資料庫上會建立聚集索引 cluster index 即在物理儲存上以這個字段排序。這個記錄標...
分布式ID生成方案
系統唯一id是設計乙個系統的時候常常會遇到的問題，也常常為這個問題而糾結。生成id的方法有很多，適應不同的場景 需求以及效能要求。所以有些比較複雜的系統會有多個id生成的策略。1 全域性唯一性 不能出現重複的id號，既然是唯一標識，這是最基本的要求 2 粗略有序 如果在分布式環境中做到完全有序，需要...