分布式ID生成器(CosId)設計與實作
CosId 簡介
CosId 旨在提供通用、靈活、高性能的分布式 ID 生成器。 目前提供了倆類 ID 生成器:
-
: 單機 TPS 性能:409W/s JMH 基準測試 , 主要解決 時鐘回撥問題 、機器号配置設定問題 并且提供更加友好、靈活的使用體驗。SnowflakeId
-
: 每次擷取一段 (SegmentId
) ID,來降低号段分發器的網絡IO請求頻次提升性能。Step
-
: 号段分發器(号段存儲器)IdSegmentDistributor
-
: 基于 Redis 的号段分發器。RedisIdSegmentDistributor
-
: 基于 Jdbc 的号段分發器,支援各種關系型資料庫。JdbcIdSegmentDistributor
-
(推薦):SegmentChainId
(lock-free) 是對 SegmentChainId
的增強。性能可達到近似 SegmentId
的 TPS 性能:12743W+/sJMH 基準測試 。AtomicLong
-
維護安全距離(PrefetchWorker
), 并且支援基于饑餓狀态的動态safeDistance
擴容/收縮。safeDistance
背景(為什麼需要分布式ID)
在軟體系統演進過程中,随着業務規模的增長,我們需要進行叢集化部署來分攤計算、存儲壓力,應用服務我們可以很輕松做到無狀态、彈性伸縮。
但是僅僅增加服務副本數就夠了嗎?顯然不夠,因為性能瓶頸往往是在資料庫層面,那麼這個時候我們就需要考慮如何進行資料庫的擴容、伸縮、叢集化,通常使用分庫、分表的方式來處理。
那麼我如何分片(水準分片,當然還有垂直分片不過不是本文需要讨論的内容)呢,分片得前提是我們得先有一個ID,然後才能根據分片算法來分片。(比如比較簡單常用的ID取模分片算法,這個跟Hash算法的概念類似,我們得先有key才能進行Hash取得插入槽位。)
當然還有很多分布式場景需要分布式ID,這裡不再一一列舉。
分布式ID方案的核心名額
- 全局(相同業務)唯一性:唯一性保證是ID的必要條件,假設ID不唯一就會産生主鍵沖突,這點很容易可以了解。
-
通常所說的全局唯一性并不是指所有業務服務都要唯一,而是相同業務服務不同部署副本唯一。
比如 Order 服務的多個部署副本在生成
這張表的t_order
時是要求全局唯一的。至于Id
生成的t_order_item
與ID
t_order
是否唯一,并不影響唯一性限制,也不會産生什麼副作用。
不同業務子產品間也是同理。即唯一性主要解決的是ID沖突問題。
- 有序性:有序性保證是面向查詢的資料結構算法(除了Hash算法)所必須的,是二分查找法(分而治之)的前提。
- MySq-InnoDB B+樹是使用最為廣泛的,假設 Id 是無序的,B+ 樹 為了維護 ID 的有序性,就會頻繁的在索引的中間位置插入而挪動後面節點的位置,甚至導緻頻繁的頁分裂,這對于性能的影響是極大的。那麼如果我們能夠保證ID的有序性這種情況就完全不同了,隻需要進行追加寫操作。是以 ID 的有序性是非常重要的,也是ID設計不可避免的特性。
- 吞吐量/性能(ops/time):即機關時間(每秒)能産生的ID數量。生成ID是非常高頻的操作,也是最為基本的。假設ID生成的性能緩慢,那麼不管怎麼進行系統優化也無法獲得更好的性能。
- 一般我們會首先生成ID,然後再執行寫入操作,假設ID生成緩慢,那麼整體性能上限就會受到限制,這一點應該不難了解。
- 穩定性(time/op):穩定性名額一般可以采用每個操作的時間進行百分位采樣來分析,比如 CosId 百分位采樣 P9999=0.208 us/op,即 0% ~ 99.99% 的機關操作時間小于等于 0.208 us/op。
- 百分位數 WIKI :統計學術語,若将一組資料從小到大排序,并計算相應的累計百分點,則某百分點所對應資料的值,就稱為這百分點的百分位數,以Pk表示第k百分位數。百分位數是用來比較個體在群體中的相對地位量數。
- 為什麼不用平均每個操作的時間:馬老師的身價跟你的身價能平均麼?平均後的值有意義不?
- 可以使用最小每個操作的時間、最大每個操作的時間作為參考嗎?因為最小、最大值隻說明了零界點的情況,雖說可以作為穩定性的參考,但依然不夠全面。而且百分位數已經覆寫了這倆個名額。
- 自治性(依賴):主要是指對外部環境有無依賴,比如号段模式會強依賴第三方存儲中間件來擷取
。自治性還會對可用性造成影響。NexMaxId
- 可用性:分布式ID的可用性主要會受到自治性影響,比如SnowflakeId會受到時鐘回撥影響,導緻處于短暫時間的不可用狀态。而号段模式會受到第三方發号器(
)的可用性影響。NexMaxId
- 可用性 WIKI:在一個給定的時間間隔内,對于一個功能個體來講,總的可用時間所占的比例。
- MTBF:平均故障間隔
- MDT:平均修複/恢複時間
- Availability=MTBF/(MTBF+MDT)
- 假設MTBF為1年,MDT為1小時,即
,也就是我們通常所說對可用性4個9。Availability=(365*24)/(365*24+1)=0.999885857778792≈99.99%
- 适應性:是指在面對外部環境變化的自适應能力,這裡我們主要說的是面對流量突發時動态伸縮分布式ID的性能,
- SegmentChainId可以基于饑餓狀态進行安全距離的動态伸縮。
- SnowflakeId正常位配置設定方案性能恒定409.6W,雖然可以通過調整位配置設定方案來獲得不同的TPS性能,但是位配置設定方法的變更是破壞性的,一般根據業務場景确定位配置設定方案後不再變更。
- 存儲空間:還是用MySq-InnoDB B+樹來舉例,普通索引(二級索引)會存儲主鍵值,主鍵越大占用的記憶體緩存、磁盤空間也會越大。Page頁存儲的資料越少,磁盤IO通路的次數會增加。總之在滿足業務需求的情況下,盡可能小的存儲空間占用在絕大多數場景下都是好的設計原則。
不同分布式ID方案核心名額對比
分布式ID | 全局唯一性 | 有序性 | 吞吐量 | 穩定性(1s=1000,000us) | 自治性 | 可用性 | 适應性 | 存儲空間 |
UUID/GUID | 是 | 完全無序 | 3078638(ops/s) | P9999=0.325(us/op) | 完全自治 | 100% | 否 | 128-bit |
SnowflakeId | 本地單調遞增,全局趨勢遞增(受全局時鐘影響) | 4096000(ops/s) | P9999=0.244(us/op) | 依賴時鐘 | 時鐘回撥會導緻短暫不可用 | 64-bit | ||
SegmentId | 本地單調遞增,全局趨勢遞增(受Step影響) | 29506073(ops/s) | P9999=46.624(us/op) | 依賴第三方号段分發器 | 受号段分發器可用性影響 | |||
SegmentChainId | 本地單調遞增,全局趨勢遞增(受Step、安全距離影響) | 127439148(ops/s) | P9999=0.208(us/op) | 受号段分發器可用性影響,但因安全距離存在,預留ID段,是以高于SegmentId |
有序性(要想分而治之·二分查找法,必須要維護我)
剛剛我們已經讨論了ID有序性的重要性,是以我們設計ID算法時應該盡可能地讓ID是單調遞增的,比如像表的自增主鍵那樣。但是很遺憾,因全局時鐘、性能等分布式系統問題,我們通常隻能選擇局部單調遞增、全局趨勢遞增的組合(就像我們在分布式系統中不得不的選擇最終一緻性那樣)以獲得多方面的權衡。下面我們來看一下什麼是單調遞增與趨勢遞增。
有序性之單調遞增
單調遞增:T表示全局絕對時點,假設有Tn+1>Tn(絕對時間總是往前進的,這裡不考慮相對論、時間機器等),那麼必然有F(Tn+1)>F(Tn),資料庫自增主鍵就屬于這一類。
另外需要特别說明的是單調遞增跟連續性遞增(F(n+1)=F(n)+step)是不同的概念。
有序性之趨勢遞增
趨勢遞增:Tn>Tn-s,那麼大機率有F(Tn)>F(Tn-s)。雖然在一段時間間隔内有亂序,但是整體趨勢是遞增。從上圖上看,是有上升趨勢的(趨勢線)。
- 在SnowflakeId中n-s受到全局時鐘同步影響。
- 在号段模式(SegmentId)中n-s受到号段可用區間(
)影響。Step
分布式ID配置設定方案
- ????不依賴任何第三方中間件
- ????性能高
- ????完全無序
- ????空間占用大,需要占用128位存儲空間。
UUID最大的缺陷是随機的、無序的,當用于主鍵時會導緻資料庫的主鍵索引效率低下(為了維護索引樹,頻繁的索引中間位置插入資料,而不是追加寫)。這也是UUID不适用于資料庫主鍵的最為重要的原因。
SnowflakeId使用
Long
(64-bit)位分區來生成ID的一種分布式ID算法。
通用的位配置設定方案為:
(41-bit)+
timestamp
(10-bit)+
machineId
(12-bit)=63-bit。
sequence
- 41-bit
=(1L<<41)/(1000/3600/365),約可以存儲69年的時間戳,即可以使用的絕對時間為timestamp
+69年,一般我們需要自定義EPOCH
為産品開發時間,另外還可以通過壓縮其他區域的配置設定位數,來增加時間戳位數來延長可用時間。EPOCH
- 10-bit
=(1L<<10)=1024,即相同業務可以部署1024個副本(在Kubernetes概念裡沒有主從副本之分,這裡直接沿用Kubernetes的定義)。一般情況下沒有必要使用這麼多位,是以會根據部署規模需要重新定義。machineId
- 12-bit
=(1L<<12)*1000=4096000,即單機每秒可生成約409W的ID,全局同業務叢集可産生sequence
。4096000*1024=419430W=41.9億(TPS)
從 SnowflakeId 設計上可以看出:
- ????
在高位,單執行個體SnowflakeId是會保證時鐘總是向前的(校驗本機時鐘回撥),是以是本機單調遞增的。受全局時鐘同步/時鐘回撥影響SnowflakeId是全局趨勢遞增的。timestamp
- ????SnowflakeId不對任何第三方中間件有強依賴關系,并且性能也非常高。
- ????位配置設定方案可以按照業務系統需要靈活配置,來達到最優使用效果。
- ????強依賴本機時鐘,潛在的時鐘回撥問題會導緻ID重複、處于短暫的不可用狀态。
-
需要手動設定,實際部署時如果采用手動配置設定machineId
,會非常低效。machineId
SnowflakeId之機器号配置設定問題
在SnowflakeId中根據業務設計的位配置設定方案确定了基本上就不再有變更了,也很少需要維護。但是
machineId
總是需要配置的,而且叢集中是不能重複的,否則分區原則就會被破壞而導緻ID唯一性原則破壞,當叢集規模較大時
machineId
的維護工作是非常繁瑣,低效的。
有一點需要特别說明的,SnowflakeId的MachineId是邏輯上的概念,而不是實體概念。
想象一下假設MachineId是實體上的,那麼意味着一台機器擁有隻能擁有一個MachineId,那會産生什麼問題呢?
目前 CosId 提供了以下三種
配置設定器。
MachineId
- ManualMachineIdDistributor: 手動配置
,一般隻有在叢集規模非常小的時候才有可能使用,不推薦。machineId
- StatefulSetMachineIdDistributor: 使用
的Kubernetes
提供的穩定的辨別ID(HOSTNAME=service-01)作為機器号。StatefulSet
- RedisMachineIdDistributor: 使用Redis作為機器号的分發存儲,同時還會存儲
的上一次時間戳,用于啟動時時鐘回撥的檢查。MachineId
SnowflakeId之時鐘回撥問題
時鐘回撥的緻命問題是會導緻ID重複、沖突(這一點不難了解),ID重複顯然是不能被容忍的。
在SnowflakeId算法中,按照MachineId分區ID,我們不難了解的是不同MachineId是不可能産生相同ID的。是以我們解決的時鐘回撥問題是指目前MachineId的時鐘回撥問題,而不是所有叢集節點的時鐘回撥問題。
MachineId時鐘回撥問題大體可以分為倆種情況:
- 運作時時鐘回撥:即在運作時擷取的目前時間戳比上一次擷取的時間戳小。這個場景的時鐘回撥是很容易處理的,一般SnowflakeId代碼實作時都會存儲
用于運作時時鐘回撥的檢查,并抛出時鐘回撥異常。lastTimestamp
- 時鐘回撥時直接抛出異常是不太好地實踐,因為下遊使用方幾乎沒有其他處理方案(噢,我還能怎麼辦呢,等吧),時鐘同步是唯一的選擇,當隻有一種選擇時就不要再讓使用者選擇了。
-
是ClockSyncSnowflakeId
的包裝器,當發生時鐘回撥時會使用SnowflakeId
主動等待時鐘同步來重新生成ID,提供更加友好的使用體驗。ClockBackwardsSynchronizer
- 啟動時時鐘回撥:即在啟動服務執行個體時擷取的目前時鐘比上次關閉服務時小。此時的
是無法存儲在程序記憶體中的。當擷取的外部存儲的機器狀态大于目前時鐘時鐘時,會使用lastTimestamp
主動同步時鐘。ClockBackwardsSynchronizer
- LocalMachineStateStorage:使用本地檔案存儲
(機器号、最近一次時間戳)。因為使用的是本地檔案是以隻有當執行個體的部署環境是穩定的,MachineState
才适用。LocalMachineStateStorage
- RedisMachineIdDistributor:将
存儲在Redis分布式緩存中,這樣可以保證總是可以擷取到上次服務執行個體停機時機器狀态。MachineState
SnowflakeId之JavaScript數值溢出問題
JavaScript
Number.MAX_SAFE_INTEGER
隻有53-bit,如果直接将63位的
SnowflakeId
傳回給前端,那麼會産生值溢出的情況(是以這裡我們應該知道後端傳給前端的
long
值溢出問題,遲早會出現,隻不過SnowflakeId出現得更快而已)。
很顯然溢出是不能被接受的,一般可以使用以下倆種處理方案:
- 将生成的63-bit
轉換為SnowflakeId
類型。String
- 直接将
轉換成long
String
- 使用
将SnowflakeFriendlyId
轉換成比較友好的字元串表示:SnowflakeId
{timestamp}-{machineId}-{sequence} -> 20210623131730192-1-0
- 自定義
位配置設定來縮短SnowflakeId
的位數(53-bit)使 SnowflakeId
提供給前端時不溢出ID
-
(SafeJavaScriptSnowflakeId
安全的 JavaScript
)SnowflakeId
号段模式(SegmentId)
從上面的設計圖中,不難看出号段模式基本設計思路是通過每次擷取一定長度(Step)的可用ID(Id段/号段),來降低網絡IO請求次數,提升性能。
- ????強依賴第三方号段分發器,可用性受到第三方分發器影響。
- ????每次号段用完時擷取
需要進行網絡IO請求,此時的性能會比較低。NextMaxId
- 單執行個體ID單調遞增,全局趨勢遞增。
- 從設計圖中不難看出Instance 1每次擷取的
,一定比上一次大,意味着下一次的号段一定比上一次大,是以從單執行個體上來看是單調遞增的。NextMaxId
- 多執行個體各自持有的不同的号段,意味着同一時刻不同執行個體生成的ID是亂序的,但是整體趨勢的遞增的,是以全局趨勢遞增。
- ID亂序程度受到Step長度以及叢集規模影響(從趨勢遞增圖中不難看出)。
- 假設叢集中隻有一個執行個體時号段模式就是單調遞增的。
-
越小,亂序程度越小。當Step
時,将無限接近單調遞增。需要注意的是這裡是無限接近而非等于單調遞增,具體原因你可以思考一下這樣一個場景:Step=1
- 号段分發器T1時刻給Instance 1分發了
,T2時刻給Instance 2分發了ID=1
。因為機器性能、網絡等原因,ID=2
網絡IO寫請求先于Instance 2
到達。那麼這個時候對于資料庫來說,ID依然是亂序的。Instance 1
号段鍊模式(SegmentChainId)
SegmentChainId是SegmentId增強版,相比于SegmentId有以下優勢:
- 穩定性:SegmentId的穩定性問題(P9999=46.624(us/op))主要是因為号段用完之後同步進行
的擷取導緻的(會産生網絡IO)。NextMaxId
- SegmentChainId (P9999=0.208(us/op))引入了新的角色PrefetchWorker用以維護和保證安全距離,理想情況下使得擷取ID的線程幾乎完全不需要進行同步的等待
擷取,性能可達到近似 NextMaxId
的 TPS 性能:12743W+/s JMH 基準測試 。AtomicLong
- 适應性:從SegmentId介紹中我們知道了影響ID亂序的因素有倆個:叢集規模、
大小。叢集規模是我們不能控制的,但是Step
是可以調節的。Step
-
應該近可能小才能使得ID單調遞增的可能性增大。Step
-
太小會影響吞吐量,那麼我們如何合理設定Step
呢?答案是我們無法準确預估所有時點的吞吐量需求,那麼最好的辦法是吞吐量需求高時,Step自動增大,吞吐量低時Step自動收縮。Step
- SegmentChainId引入了饑餓狀态的概念,PrefetchWorker會根據饑餓狀态檢測目前安全距離是否需要膨脹或者收縮,以便獲得吞吐量與有序性之間的權衡,這便是SegmentChainId的自适應性。
SegmentChainId-吞吐量 (ops/s)
SegmentChainId-每次操作耗時的百分位數
基準測試報告運作環境說明
- 基準測試運作環境:筆記本開發機(MacBook-Pro-(M1))
- 所有基準測試都在開發筆記本上執行。