CosId 通用、灵活、高性能分布式 ID 生成器

更新内容 🎉 🎉 🎉

新增 Activiti IdGenerator 支持

• 特性：新增 ActivitiIdGenerator 支持
• 依赖：新增 ActivitiIdGeneratorAutoConfiguration 支持自动配置

简介

CosId 旨在提供通用、灵活、高性能的分布式 ID 生成器。

• SnowflakeId : 单机 TPS 性能：409W/s JMH 基准测试 , 主要解决 时钟回拨问题 、机器号分配问题 并且提供更加友好、灵活的使用体验。
• SegmentId: 每次获取一段 (Step) ID，来降低号段分发器的网络 IO 请求频次提升性能。
  • IdSegmentDistributor: 号段分发器（号段存储器）
    • RedisIdSegmentDistributor: 基于 Redis 的号段分发器。
    • JdbcIdSegmentDistributor: 基于 Jdbc 的号段分发器，支持各种关系型数据库。
    • ZookeeperIdSegmentDistributor: 基于 Zookeeper 的号段分发器。
• SegmentChainId(推荐):SegmentChainId (lock-free) 是对 SegmentId 的增强。性能可达到近似 AtomicLong 的 TPS 性能：12743W+/s JMH 基准测试 。
  • PrefetchWorker 维护安全距离 (safeDistance), 并且支持基于饥饿状态的动态 safeDistance 扩容 / 收缩。

背景（为什么需要分布式 ID）

在软件系统演进过程中，随着业务规模的增长 (TPS / 存储容量)，我们需要通过集群化部署来分摊计算、存储压力。 应用服务的无状态设计使其具备了伸缩性。在使用 Kubernetes 部署时我们只需要一行命令即可完成服务伸缩 (kubectl scale --replicas=5 deployment/order-service)。

但对于有状态的数据库就不那么容易了，此时数据库变成系统的性能瓶颈是显而易见的。

分库分表

从微服务的角度来理解垂直拆分其实就是微服务拆分。以限界上下文来定义服务边界将大服务 / 单体应用拆分成多个自治的粒度更小的服务，因为自治性规范要求，数据库也需要进行业务拆分。 但垂直拆分后的单个微服务依然会面临 TPS / 存储容量 的挑战，所以这里我们重点讨论水平拆分的方式。

数据库分库分表方案是逻辑统一，物理分区自治的方案。其核心设计在于中间层映射方案的设计 (上图 Mapping)，即分片算法的设计。 几乎所有编程语言都内置实现了散列表 (java:HashMap/csharp:Dictionary/python:dict/go:map ...)。分片算法跟散列表高度相似 (hashCode)，都得通过 key/shardingValue 映射到对应的槽位 (slot)。

那么 shardingValue 从哪里来呢？CosId！！

当然还有很多分布式场景需要分布式 ID，这里不再一一列举。

分布式 ID 方案的核心指标

• 全局（相同业务）唯一性：唯一性保证是 ID 的必要条件，假设 ID 不唯一就会产生主键冲突，这点很容易可以理解。
  • 通常所说的全局唯一性并不是指所有业务服务都要唯一，而是相同业务服务不同部署副本唯一。 比如 Order 服务的多个部署副本在生成 t_order 这张表的 Id 时是要求全局唯一的。至于 t_order_item 生成的 ID 与 t_order 是否唯一，并不影响唯一性约束，也不会产生什么副作用。 不同业务模块间也是同理。即唯一性主要解决的是 ID 冲突问题。
• 有序性：有序性保证是面向查询的数据结构算法（除了 Hash 算法）所必须的，是二分查找法 (分而治之) 的前提。
  • MySq-InnoDB B + 树是使用最为广泛的，假设 Id 是无序的，B+ 树 为了维护 ID 的有序性，就会频繁的在索引的中间位置插入而挪动后面节点的位置，甚至导致频繁的页分裂，这对于性能的影响是极大的。那么如果我们能够保证 ID 的有序性这种情况就完全不同了，只需要进行追加写操作。所以 ID 的有序性是非常重要的，也是 ID 设计不可避免的特性。
• 吞吐量 / 性能 (ops/time)：即单位时间（每秒）能产生的 ID 数量。生成 ID 是非常高频的操作，也是最为基本的。假设 ID 生成的性能缓慢，那么不管怎么进行系统优化也无法获得更好的性能。
  • 一般我们会首先生成 ID，然后再执行写入操作，假设 ID 生成缓慢，那么整体性能上限就会受到限制，这一点应该不难理解。
• 稳定性 (time/op)：稳定性指标一般可以采用每个操作的时间进行百分位采样来分析，比如 CosId 百分位采样 P9999=0.208 us/op，即 0% ~ 99.99% 的单位操作时间小于等于 0.208 us/op。
  • 百分位数 WIKI ：统计学术语，若将一组数据从小到大排序，并计算相应的累计百分点，则某百分点所对应数据的值，就称为这百分点的百分位数，以 Pk 表示第 k 百分位数。百分位数是用来比较个体在群体中的相对地位量数。
  • 为什么不用平均每个操作的时间：马老师的身价跟你的身价能平均么？平均后的值有意义不？
  • 可以使用最小每个操作的时间、最大每个操作的时间作为参考吗？因为最小、最大值只说明了零界点的情况，虽说可以作为稳定性的参考，但依然不够全面。而且百分位数已经覆盖了这俩个指标。
• 自治性（依赖）：主要是指对外部环境有无依赖，比如号段模式会强依赖第三方存储中间件来获取 NexMaxId。自治性还会对可用性造成影响。
• 可用性：分布式 ID 的可用性主要会受到自治性影响，比如 SnowflakeId 会受到时钟回拨影响，导致处于短暂时间的不可用状态。而号段模式会受到第三方发号器（NexMaxId）的可用性影响。
  • 可用性 WIKI ：在一个给定的时间间隔内，对于一个功能个体来讲，总的可用时间所占的比例。
  • MTBF：平均故障间隔
  • MDT：平均修复 / 恢复时间
  • Availability=MTBF/(MTBF+MDT)
  • 假设 MTBF 为 1 年，MDT 为 1 小时，即 Availability=(365*24)/(365*24+1)=0.999885857778792≈99.99%，也就是我们通常所说对可用性 4 个 9。
• 适应性：是指在面对外部环境变化的自适应能力，这里我们主要说的是面对流量突发时动态伸缩分布式 ID 的性能，
  • SegmentChainId 可以基于饥饿状态进行安全距离的动态伸缩。
  • SnowflakeId 常规位分配方案性能恒定 409.6W，虽然可以通过调整位分配方案来获得不同的 TPS 性能，但是位分配方法的变更是破坏性的，一般根据业务场景确定位分配方案后不再变更。
• 存储空间：还是用 MySq-InnoDB B + 树来举例，普通索引（二级索引）会存储主键值，主键越大占用的内存缓存、磁盘空间也会越大。Page 页存储的数据越少，磁盘 IO 访问的次数会增加。总之在满足业务需求的情况下，尽可能小的存储空间占用在绝大多数场景下都是好的设计原则。

不同分布式 ID 方案核心指标对比

有序性 (要想分而治之・二分查找法，必须要维护我)

刚刚我们已经讨论了 ID 有序性的重要性，所以我们设计 ID 算法时应该尽可能地让 ID 是单调递增的，比如像表的自增主键那样。但是很遗憾，因全局时钟、性能等分布式系统问题，我们通常只能选择局部单调递增、全局趋势递增的组合（就像我们在分布式系统中不得不的选择最终一致性那样）以获得多方面的权衡。下面我们来看一下什么是单调递增与趋势递增。

有序性之单调递增

单调递增：T 表示全局绝对时点，假设有 Tn+1>Tn（绝对时间总是往前进的，这里不考虑相对论、时间机器等），那么必然有 F (Tn+1)>F (Tn)，数据库自增主键就属于这一类。 另外需要特别说明的是单调递增跟连续性递增是不同的概念。 连续性递增：F(n+1)=(F(n)+step) 即下一次获取的 ID 一定等于当前 ID+Step，当 Step=1 时类似于这样一个序列:1->2->3->4->5。

扩展小知识：数据库的自增主键也不是连续性递增的，相信你一定遇到过这种情况，请思考一下数据库为什么这样设计？

有序性之趋势递增

趋势递增：Tn>Tn-s，那么大概率有 F (Tn)>F (Tn-s)。虽然在一段时间间隔内有乱序，但是整体趋势是递增。从上图上看，是有上升趋势的（趋势线）。

• 在 SnowflakeId 中 n-s 受到全局时钟同步影响。
• 在号段模式 (SegmentId) 中 n-s 受到号段可用区间 (Step) 影响。

分布式 ID 分配方案

UUID/GUID

• 不依赖任何第三方中间件
• 性能高
• 完全无序
• 空间占用大，需要占用 128 位存储空间。

UUID 最大的缺陷是随机的、无序的，当用于主键时会导致数据库的主键索引效率低下（为了维护索引树，频繁的索引中间位置插入数据，而不是追加写）。这也是 UUID 不适用于数据库主键的最为重要的原因。

SnowflakeId

SnowflakeId 使用 Long（64-bit）位分区来生成 ID 的一种分布式 ID 算法。 通用的位分配方案为：timestamp(41-bit)+machineId(10-bit)+sequence(12-bit)=63-bit。

• 41-bittimestamp=(1L<<41)/(1000/3600/365)，约可以存储 69 年的时间戳，即可以使用的绝对时间为 EPOCH+69 年，一般我们需要自定义 EPOCH 为产品开发时间，另外还可以通过压缩其他区域的分配位数，来增加时间戳位数来延长可用时间。
• 10-bitmachineId=(1L<<10)=1024，即相同业务可以部署 1024 个副本 (在 Kubernetes 概念里没有主从副本之分，这里直接沿用 Kubernetes 的定义)。一般情况下没有必要使用这么多位，所以会根据部署规模需要重新定义。
• 12-bitsequence=(1L<<12)*1000=4096000，即单机每秒可生成约 409W 的 ID，全局同业务集群可产生 4096000*1024=419430W=41.9亿(TPS)。

从 SnowflakeId 设计上可以看出:

• timestamp 在高位，单实例 SnowflakeId 是会保证时钟总是向前的（校验本机时钟回拨），所以是本机单调递增的。受全局时钟同步 / 时钟回拨影响 SnowflakeId 是全局趋势递增的。
• SnowflakeId 不对任何第三方中间件有强依赖关系，并且性能也非常高。
• 位分配方案可以按照业务系统需要灵活配置，来达到最优使用效果。
• 强依赖本机时钟，潜在的时钟回拨问题会导致 ID 重复、处于短暂的不可用状态。
• machineId 需要手动设置，实际部署时如果采用手动分配 machineId，会非常低效。

SnowflakeId 之机器号分配问题

在 SnowflakeId 中根据业务设计的位分配方案确定了基本上就不再有变更了，也很少需要维护。但是 machineId 总是需要配置的，而且集群中是不能重复的，否则分区原则就会被破坏而导致 ID 唯一性原则破坏，当集群规模较大时 machineId 的维护工作是非常繁琐，低效的。

有一点需要特别说明的，SnowflakeId 的 MachineId 是逻辑上的概念，而不是物理概念。 想象一下假设 MachineId 是物理上的，那么意味着一台机器拥有只能拥有一个 MachineId，那会产生什么问题呢？

目前 CosId 提供了以下五种 MachineId 分配器。

• ManualMachineIdDistributor: 手动配置 machineId，一般只有在集群规模非常小的时候才有可能使用，不推荐。
• StatefulSetMachineIdDistributor: 使用 Kubernetes 的 StatefulSet 提供的稳定的标识 ID（HOSTNAME=service-01）作为机器号。
• RedisMachineIdDistributor: 使用 Redis 作为机器号的分发存储，同时还会存储 MachineId 的上一次时间戳，用于启动时时钟回拨的检查。
• JdbcMachineIdDistributor: 使用关系型数据库作为机器号的分发存储，同时还会存储 MachineId 的上一次时间戳，用于启动时时钟回拨的检查。
• ZookeeperMachineIdDistributor: 使用 ZooKeeper 作为机器号的分发存储，同时还会存储 MachineId 的上一次时间戳，用于启动时时钟回拨的检查。

SnowflakeId 之时钟回拨问题

时钟回拨的致命问题是会导致 ID 重复、冲突（这一点不难理解），ID 重复显然是不能被容忍的。 在 SnowflakeId 算法中，按照 MachineId 分区 ID，我们不难理解的是不同 MachineId 是不可能产生相同 ID 的。所以我们解决的时钟回拨问题是指当前 MachineId 的时钟回拨问题，而不是所有集群节点的时钟回拨问题。

MachineId 时钟回拨问题大体可以分为俩种情况：

• 运行时时钟回拨：即在运行时获取的当前时间戳比上一次获取的时间戳小。这个场景的时钟回拨是很容易处理的，一般 SnowflakeId 代码实现时都会存储 lastTimestamp 用于运行时时钟回拨的检查，并抛出时钟回拨异常。
  • 时钟回拨时直接抛出异常是不太好地实践，因为下游使用方几乎没有其他处理方案（噢，我还能怎么办呢，等吧），时钟同步是唯一的选择，当只有一种选择时就不要再让用户选择了。
  • ClockSyncSnowflakeId 是 SnowflakeId 的包装器，当发生时钟回拨时会使用 ClockBackwardsSynchronizer 主动等待时钟同步来重新生成 ID，提供更加友好的使用体验。
• 启动时时钟回拨：即在启动服务实例时获取的当前时钟比上次关闭服务时小。此时的 lastTimestamp 是无法存储在进程内存中的。当获取的外部存储的机器状态大于当前时钟时钟时，会使用 ClockBackwardsSynchronizer 主动同步时钟。
  • LocalMachineStateStorage：使用本地文件存储 MachineState(机器号、最近一次时间戳)。因为使用的是本地文件所以只有当实例的部署环境是稳定的，LocalMachineStateStorage 才适用。
  • RedisMachineIdDistributor：将 MachineState 存储在 Redis 分布式缓存中，这样可以保证总是可以获取到上次服务实例停机时机器状态。

SnowflakeId 之 JavaScript 数值溢出问题

JavaScript 的 Number.MAX_SAFE_INTEGER 只有 53-bit，如果直接将 63 位的 SnowflakeId 返回给前端，那么会产生值溢出的情况（所以这里我们应该知道后端传给前端的 long 值溢出问题，迟早会出现，只不过 SnowflakeId 出现得更快而已）。 很显然溢出是不能被接受的，一般可以使用以下俩种处理方案：

• 将生成的 63-bitSnowflakeId 转换为 String 类型。
  • 直接将 long 转换成 String。
  • 使用 SnowflakeFriendlyId 将 SnowflakeId 转换成比较友好的字符串表示：{timestamp}-{machineId}-{sequence} -> 20210623131730192-1-0
• 自定义 SnowflakeId 位分配来缩短 SnowflakeId 的位数（53-bit）使 ID 提供给前端时不溢出
  • 使用 SafeJavaScriptSnowflakeId(JavaScript 安全的 SnowflakeId)

号段模式（SegmentId）

从上面的设计图中，不难看出号段模式基本设计思路是通过每次获取一定长度（Step）的可用 ID（Id 段 / 号段），来降低网络 IO 请求次数，提升性能。

• 强依赖第三方号段分发器，可用性受到第三方分发器影响。
• 每次号段用完时获取 NextMaxId 需要进行网络 IO 请求，此时的性能会比较低。
• 单实例 ID 单调递增，全局趋势递增。
  • 从设计图中不难看出 Instance 1 每次获取的 NextMaxId，一定比上一次大，意味着下一次的号段一定比上一次大，所以从单实例上来看是单调递增的。
  • 多实例各自持有的不同的号段，意味着同一时刻不同实例生成的 ID 是乱序的，但是整体趋势的递增的，所以全局趋势递增。
• ID 乱序程度受到 Step 长度以及集群规模影响（从趋势递增图中不难看出）。
  • 假设集群中只有一个实例时号段模式就是单调递增的。
  • Step 越小，乱序程度越小。当 Step=1 时，将无限接近单调递增。需要注意的是这里是无限接近而非等于单调递增，具体原因你可以思考一下这样一个场景：
    • 号段分发器 T1 时刻给 Instance 1 分发了 ID=1,T2 时刻给 Instance 2 分发了 ID=2。因为机器性能、网络等原因，Instance 2 网络 IO 写请求先于 Instance 1 到达。那么这个时候对于数据库来说，ID 依然是乱序的。

号段链模式（SegmentChainId）

分布式 ID (CosId) 之号段链模式性能 (1.2 亿 /s) 解析

SegmentChainId 是 SegmentId 增强版，相比于 SegmentId 有以下优势：

• 稳定性：SegmentId 的稳定性问题（P9999=46.624 (us/op)）主要是因为号段用完之后同步进行 NextMaxId 的获取导致的（会产生网络 IO）。
  • SegmentChainId （P9999=0.208 (us/op)）引入了新的角色 PrefetchWorker 用以维护和保证安全距离，理想情况下使得获取 ID 的线程几乎完全不需要进行同步的等待 NextMaxId 获取，性能可达到近似 AtomicLong 的 TPS 性能：12743W+/s JMH 基准测试 。
• 适应性：从 SegmentId 介绍中我们知道了影响 ID 乱序的因素有俩个：集群规模、Step 大小。集群规模是我们不能控制的，但是 Step 是可以调节的。
  • Step 应该近可能小才能使得 ID 单调递增的可能性增大。
  • Step 太小会影响吞吐量，那么我们如何合理设置 Step 呢？答案是我们无法准确预估所有时点的吞吐量需求，那么最好的办法是吞吐量需求高时，Step 自动增大，吞吐量低时 Step 自动收缩。
  • SegmentChainId 引入了饥饿状态的概念，PrefetchWorker 会根据饥饿状态检测当前安全距离是否需要膨胀或者收缩，以便获得吞吐量与有序性之间的权衡，这便是 SegmentChainId 的自适应性。

集成

CosIdPlugin（MyBatis 插件）

Kotlin DSL

implementation("me.ahoo.cosid:cosid-mybatis:${cosidVersion}")

public class Order {

@CosId(value = "order")
private Long orderId;
private Long userId;

public Long getOrderId() {
return orderId;
}

public void setOrderId(Long orderId) {
this.orderId = orderId;
}

public Long getUserId() {
return userId;
}

public void setUserId(Long userId) {
this.userId = userId;
}
}

ShardingSphere 插件

CosIdKeyGenerateAlgorithm、CosIdModShardingAlgorithm、CosIdIntervalShardingAlgorithm 已合并至 ShardingSphere 官方，未来 cosid-shardingsphere 模块的维护可能会以官方为主。

Kotlin DSL

implementation("me.ahoo.cosid:cosid-shardingsphere:${cosidVersion}")

CosIdKeyGenerateAlgorithm (分布式主键)

spring:
shardingsphere:
rules:
sharding:
key-generators:
cosid:
type: COSID
props:
id-name: __share__

基于间隔的时间范围分片算法

• 易用性：支持多种数据类型 (Long/LocalDateTime/DATE/ String / SnowflakeId)，而官方实现是先转换成字符串再转换成 LocalDateTime，转换成功率受时间格式化字符影响。
• 性能：相比于 org.apache.shardingsphere.sharding.algorithm.sharding.datetime.IntervalShardingAlgorithm 性能高出 1200~4000 倍。

PreciseShardingValue	RangeShardingValue

• CosIdIntervalShardingAlgorithm
  • type: COSID_INTERVAL
• SnowflakeIntervalShardingAlgorithm
  • type: COSID_INTERVAL_SNOWFLAKE

spring:
shardingsphere:
rules:
sharding:
sharding-algorithms:
alg-name:
type: COSID_INTERVAL_{type_suffix}
props:
logic-name-prefix: logic-name-prefix
id-name: cosid-name
datetime-lower: 2021-12-08 22:00:00
datetime-upper: 2022-12-01 00:00:00
sharding-suffix-pattern: yyyyMM
datetime-interval-unit: MONTHS
datetime-interval-amount: 1

取模分片算法

• 性能：相比于 org.apache.shardingsphere.sharding.algorithm.sharding.mod.ModShardingAlgorithm 性能高出 1200~4000 倍。并且稳定性更高，不会出现严重的性能退化。

PreciseShardingValue	RangeShardingValue

spring:
shardingsphere:
rules:
sharding:
sharding-algorithms:
alg-name:
type: COSID_MOD
props:
mod: 4
logic-name-prefix: t_table_

性能测试报告

SegmentChainId - 吞吐量 (ops/s)

SegmentChainId - 每次操作耗时的百分位数 (us/op)

百分位数 ，统计学术语，若将一组数据从小到大排序，并计算相应的累计百分点，则某百分点所对应数据的值，就称为这百分点的百分位数，以 Pk 表示第 k 百分位数。百分位数是用来比较个体在群体中的相对地位量数。

CosId VS 美团 Leaf

CosId (SegmentChainId) 性能是 Leaf (segment) 的 5 倍。