一、UUID

UUID的标准形式包含32个16进制数字，以 “ - ” 进行分割，形式为 8-4-4-4-12的32个字符，实例
550e8400-e29b-41d4-a716-446655440000。

优点：
- 性能高，本地生成，没有网络消耗

缺点：
- 不易存储，长度太长，32个16进制数字，128位
- 不安全，会暴露MAC地址
- UUID作为MySQL主键，会导致索引页分页，插入慢；长度太长，导致每个索引页存放的索引变少，索引效率降低

二、数据库方式

1、数据库生成之简单方式

利用给字段设置auto_increment_increment和auto_increment_offset来保证ID自增，每次业务使用下列SQL读写MySQL得到ID号作为业务的唯一ID

begin;
// 如果表中存在相同的数据，则将表中的数据删除，然后重新插入一条数据
2 REPLACE INTO Tickets64 (stub) VALUES ('a');
3 SELECT LAST_INSERT_ID();
4 commit;

优点：

• 非常简单，利用现有数据库系统的功能实现，成本小
• ID单调递增，可以实现一些对ID有特殊要求的业务

缺点

• 强依赖DB，当DB异常时，整个系统不可使用，属于致命问题。应该配置主从复制以尽可能增加可用性（但是主从切换时可能会导致重复发号）
• ID发号，性能瓶颈限制在单台MySQL的读写性能

2、数据库生成 - 多台机器和设置步长，解决性能问题

在分布式系统中我们可以多部署几台机器，每台机器设置不同的初始值，且步长和机器数相等

比如有两台机器。设置步长step为2，TicketServer1的初始值为1（1，3，5，7，9，11…）、TicketServer2的初始值为2（2，4，6，8，10…）

假设我们要部署N台机器，步长需设置为N，每台的初始值依次为0,1,2…N-1那么整个架构就变成了如下图所示：

这种架构貌似能够满足性能的需求，但有以下几个缺点：

• 系统水平扩展比较困难，比如定义好了步长和机器台数之后，如果要添加机器该怎么
  做？假设现在只有一台机器发号是1,2,3,4,5（步长是1），这个时候需要扩容机器一台。可
  以这样做：把第二台机器的初始值设置得比第一台超过很多，比如14（假设在扩容时间之
  内第一台不可能发到14），同时设置步长为2，那么这台机器下发的号码都是14以后的偶
  数。然后摘掉第一台，把ID值保留为奇数，比如7，然后修改第一台的步长为2。让它符合
  我们定义的号段标准，对于这个例子来说就是让第一台以后只能产生奇数。扩容方案看起来
  复杂吗？貌似还好，现在想象一下如果我们线上有100台机器，这个时候要扩容该怎么做？
  简直是噩梦。所以系统水平扩展方案复杂难以实现。

• ID没有了单调递增的特性，只能趋势递增，这个缺点对于一般业务需求不是很重要，可以容忍

• 数据库压力还是很大，每次获取ID都得读写一次数据库，只能靠堆机器来提高性能

3、Leaf-segment 方案实现

Leaf-segment方案，在使用数据库的方案上，做了如下改变：

• 原方案每次获取ID都得读写一次数据库，造成数据库压力大
• 改为利用批量获取，每次获取一个segment(step决定大小)号段的值。用完之后再去数据库获取新的号段，可以大大的减轻数据库的压力
• 各个业务不同的发号需求用biz_tag字段来区分，每个biz-tag的ID获取相互隔离，互不影响。
  如果以后有性能需求需要对数据库扩容，不需要上述描述的复杂的扩容操作，只需要对biz_tag分库分表就行。

数据库表设计如下：

重要字段说明：

• biz_tag用来区分业务
• max_id表示该biz_tag目前所被分配的ID号段的最大值
• step表示每次分配的号段长度。原来获取ID每次都需要写数据库，现在只需要把step设置得足够大，比如1000。那么只有当1000个号被消耗完了之后才会去重新读写一次数据库。读写数据库的频率从1减小到了1/step

系统架构

优缺点：
优点：

• 将分配ID的压力由数据库转移到web服务（Leaf）, Leaf服务可以很方便的进行线程扩展，性能完全能够支撑大多数业务场景
• 容灾性高：Leaf服务内部有号段缓存，即使DB宕机，短时间内Leaf仍能正常对外提供服务
• 可以自定义max_id的大小，非常方便业务从原有的ID方式上迁移过来

缺点：

• ID号码不够随机，能够泄露发号数量的信息，不太安全
• TP999数据波动大（当一个号段的ID使用完全后，leaf服务去mysql取号段，在此过程中应用服务如果有很大的并发过来，就会导致没有ID进行分配，从而导致响应时间变长，出现尖刺）
• DB宕机的话，整个系统不可使用

4、双 buffer 优化

对于第二个缺点（响应存在峰值），Leaf-segment做了一些优化，简单的说就是：

Leaf 取号段的时机是在号段消耗完的时候进行的，也就意味着号段临界点的ID下发时间取决于下一次从DB取回号段的时间，并且在这期间进来的请求也会因为DB号段没有取回来，导致线程阻塞。如果请求DB的网络和DB的性能稳定，这种情况对系统的影响是不大的，但是假如取DB的时候网络发生抖动，或者DB发生慢查询就会导致整个系统的响应时间变慢。

为此，我们希望DB取号段的过程能够做到无阻塞，不需要在DB取号段的时候阻塞请求线程，即当号段消费到某个点时就异步的把下一个号段加载到内存中。而不需要等到号段用尽的时候才去更新号段。这样做就可以很大程度上的降低系统的TP999指标。

采用双buffer的方式，Leaf服务内部有两个号段缓存区segment。当前号段已下发10%时，如果下一个号段未更新，则另启一个更新线程去更新下一个号段。当前号段全部下发完后，如果下个号段准备好了则切换到下个号段为当前segment接着下发，循环往复

每个biz-tag都有消费速度监控，通常推荐segment长度设置为服务高峰期发号QPS的600倍（10分钟），这样即使DB宕机，Leaf仍能持续发号10-20分钟不受影响

5、Leaf高可用容灾

对于第三点“DB可用性”问题，我们目前采用一主两从的方式，同时分机房部署，Master和Slave之间采用半同步方式同步数据

这里，我其实是没怎么听懂的 ！即使使用了主从，在数据同步过程不是还会有ID重复吗

三、基于Redis实现分布式ID

四、雪花算法

1、雪花算法介绍

Snowflake，雪花算法是由Twitter开源的分布式ID生成算法，以划分命名空间的方式将64-bit位分割成多个部分，每个部分代表不同的含义。而 Java中64bit的整数是Long类型，所以在 Java 中 SnowFlake 算法生成的 ID 就是 long 来存储的。

• 第1位：占用1bit，第一位为符号位，不使用。
• 第1部分：41位的时间戳，41-bit位可表示2^41个数，每个数代表毫秒，那么雪花算法可
  用的时间年限是(2^41)/(1000606024365)=69 年的时间
• 第2部分：10-bit位可表示机器数，即2^10 = 1024台机器，通常不会部署这么多台机器。也可以划分为多个（比如前5位可以作为机房ID 0-31个机房，后5位作为每个机房的机器ID）
• 第3部分：12-bit位是自增序列，可表示2^12 = 4096个数。

41位时间戳是固定的，时间戳转二进制的长度是41位，后面两个部分都可以灵活调正，只要注意后面位运算的位数就行

2、 雪花算法生产环境架构：

3、雪花算法的时钟回拨问题

回拨时间很短（ <= 100ms）
让当前循环一段时间进行等待

回拨时间适中 （100ms < < 1s）
在内存中维护最近 每个 1ms 内的最大值

回拨时间较长 （1s < <= 5s）
结合雪花算法生产环境架构，当客户端段捕获到时钟回拨异常后，由客户端进行重试

时钟回拨时间很长 （> 5s）
直接将出问题的机器下线，然后发送短信告诉运维人员，这台机器出现问题

4、美团 Leaf-snowflake 方案

Leaf-snowflake方案完全沿用snowflake方案的bit位设计，即“1+41+10+12”的方式组装ID号。对于workerID的分配，当服务集群数量较小的情况下，完全可以手动配置。Leaf服务规模较大，动手配置成本太高。所以使用Zookeeper持久顺序节点的特性自动对snowflake节点配置wokerID。

Leafsnowflake是按照下面几个步骤启动的：

1. 启动Leaf-snowflake服务，连接Zookeeper，在leaf_forever父节点下检查自己是否已经注册过（是否有该顺序子节点）。
2. 如果有注册过直接取回自己的workerID（zk顺序节点生成的int类型ID号），启动服务。
3. 如果没有注册过，就在该父节点下面创建一个持久顺序节点，创建成功后取回顺序号当做自己的workerID号，启动服务

解决时钟问题
因为这种方案依赖时间，如果机器的时钟发生了回拨，那么就会有可能生成重复的ID号，需要解决时钟回退的问题。

这一部分暂时没看懂，等会回来补充下！！！