生成全局唯一ID的3个思路,来自一个资深架构师的总结

标识(ID / Identifier)是无处不在的,生成标识的主体是人,那么它就是一个命名过程,如果是计算机,那么它就是一个生成过程。如何保证分布式系统下,并行生成标识的唯一与标识的命名空间有着密不可分的关系。在世界里,「潜意识下的命名空间里,相对的唯一标识」是普遍存在的,例如:

1. 每个人出生的时候,就获得了一个「相对的唯一标识」——姓名。

2. 城市的道路,都基本上采用了唯一的命名(当然这也需要一个过程 )。

显然,对于每个标识,都需要有一个命名空间(namespace),来保证其相对唯一性。

可以说,在人的意识里,对于的实体的描述是基于名字进行的,人们并不希望同名的出现太多,这会在沟通过程中的产生理解困难。

对于人来说,在家庭里会有小名,在社会中会有正式名字,在社交过程中还会产生绰号。

在中国,对于企业来说,除了企业有名称之外,还有组织机构代码证、有税务登记证、有工商营业执照,并分别对应三个编号。(当然,目前五证合一也在进行中)。

回到计算机领域,围绕主机在网络上的地址,在不同的命名空间中,都会存在一个「相对的唯一标识」用来描述一个实体:

  • 每个以太网网卡,都有一个48-bit 的MAC地址
  • 每个MAC地址,可能有一个或者多个IP地址
  • 每个网卡,都可能有一个或者多个IP地址
  • 每个IP地址,都可能有多个域名
  • 当然,每个主机,都会有一个主机名

接续上面的例子,事实上,MAC地址是由 IEEE Standards Association Registration Authority 完成地址段的分配。

对于目前的 1530 个顶级根域(gTLD),以及 IPv4 / IPv6 地址,都由IANA对其进行管理。

上面我通过类比的方式简单介绍了标识,总结来说它是无处不在的。我们在理解技术里的ID的同时,一定要联系生活中的场景,对比着琢磨和分析。

  • 标识是从一个典型的场景,对客观事物进行统一编码的过程。
  • 采用 半集中与半自主相结合 的方法,是一种实现「分而治之」十分普遍和有效的设计模式。
  • 标识的唯一性是根据命名空间紧密相关的。

标识的使用

在不同命名空间中实现标识的转换

在中国,对于人名,通常是由公安局出入境管理局完成中文至英文的翻译,同时,他们会把翻译结果写到数据库中,印到护照上。这中间的翻译规则,通常是根据中文与汉语拼音、汉语拼音与英文字母的两次转换关系完成的。

对于计算机网络,则会有 NAT完成IP地址间的转换,RAP/RARP完成IP地址与MAC地址的双向转换,DNS完成域名至IP地址的转换。

可是,为什么需要那么多不同命名空间的标识标识一个实体?可能最直观的回答通常是这样:

  • 域名为了方便人的记忆与使用
  • IP地址是为了更广范围的计算机互联
  • MAC则是为了在物理上保证唯一
  • OSI开放系统互联7层模型决定的

人们会在不同的领域(也是命名空间)中定义自己的命名规范,这可以认为是领域主权的体现,同时伴生的会是一套与相关领域标识的转换协议

结构化与别名效应

结构化是把数据的元信息以位置的方式固化是数据中。也就是说,代表某个意义的信息,一定会出现在一个约定好的位置上。

由于标识是被人经常使用的,那么在使用过程中会对大脑形成一定的训练。

人在看到了010-XXXXXXXX,021-XXXXXXXX号码之后,自然而言会产生条件反射,认为两者分别代表了北京和上海;同样的人在看到了139和186之后,分别产生了中国移动以及中国联通的运营商联想。

对于使用者,这种场景,数字类似是一个名称别名。对于程序员,这十分接近「数据字典」的设计模式。

标识转换过程的两面性

别名和正名,同样是来自于两个不同命名空间的标识,之间自然而然的会进行转换。

当然,人们也不会忘记去Hack这些转换协议的设计。

一些是有益的,是实现了更为便利的应用场景。例如:将不同的域名指向相同的IP地址(使用A或者CNAME记录),并结合相关软硬件实现「虚拟主机」,达到资源复用的目的。

一些却是有害的,例如,诈骗电话也经常采用改号的方法,让接听者误以为那是来自某个官方的外呼电话。

同样的,在计算机领域,一样有DNS劫持、DNS污染。

有矛就有盾,进行安全性扩展的DNSSEC 就是为了对DNS结果,验证不存在性和校验数据完整性验证,不过依然没有实现全面部署。

小结

  • 在关注如何生成标识的同时,还需要关注标识的易用性和直观性 不同命名空间的标识,在互通时需要进行转换
  • 转换的过程,可能是一个简单的规则,也可能是一个独立第三方服务
  • 标识的唯一性是基本诉求,同时嵌入其他维度的信息是减少实时关联查询的有效手段

思路一:基于数据库生成

标识的生成方法有很多,有集中式的,分布式的;有后端的,前端的,当然还有人工的。并没有一种通用的生成方法来适应各种应用场景。

人工生成的确是一种方式,比如电子邮箱,微信ID,各种论坛的账号。在人想出标识的那一刻,是无法判断是否是唯一的,对这种生成方式的结果,显然在录入时都需要进行唯一性校验。所以,下面描述的几种生成方式,是在生成的那一刻就在一个命名空间内唯一,而不再需要进行唯一性校验。

而基于数据库生成,一般包含以下几种:

  • MySQL(5.6) AUTO_INCREMENT 特性
  • Postgres(REL 9.6 Stable) SEQUENCE 特性
  • Oracle 数据库的 SEQUENCE 特性,有知道这一特性如何实现的,可以在 知乎 做一下解答。
  • Flickr Ticket Servers ,同时支持Sharding (文章发表于2010年2月8日,算法上线于2006年1月13日)。

一般地,这种类型的生成方案,都可以设置其实初始值,以及增量步长。

思路二:基于分布式集群协调器生成

在不使用数据库的情况下,通过一个后台服务对外提供高可用的、固定步长标识生成,则需要分布式的集群协调器进行。

一般的,主流协调器有两类:

  • 以Paxos为代表的:ZooKeeper
  • 以Raft为代表的:Consul / Etcd

ZooKeeper的强一致性,是由Paxos协议保证的;Consul的一致性,官方用subtle(微妙的)来形容。它既采用了Gossip管理集群Membership,也采用了Raft管理Service Catalog。Consul的写一致性通过Raft保证,但Consul的读一致性有三种模式,default / consistent / stale, 其中consistent是强一致的。

在步长累计型生成算法中,最核心的就是保持一个累计值在整个集群中的「强一致性」。同时,这也会为唯一性标识的生成带来新的形成瓶颈。

思路三:划分命名空间并行生成

似乎对于分布式的ID生成,以TwitterSnowflake为代表的, Flake 系列算法,经常可以被搜索引擎找到,但似乎MongoDB的ObjectId算法,更早地采用了这种思路。MongoDB 1.0 是在2009年8月27日 发布 的,并且0.9.10(2009年8月24日发布)和1.0两个版本没有差异。

在StackOverflow上,最早的一个关于ObjectId的问题(http://stackoverflow.com/questions/2138687/whats-mongodb-hashs-size/2146071),时间是2010年1月27日。不知道Twitter的同学,是不是受此启发呢?

MongoDB ObjectId

12-byte MongoDB ObjectId 的结构是:

  • a 4-byte value representing the seconds since the Unixepoch,
  • a 3-byte machine identifier,
  • a 2-byte process id, and
  • a 3-byte counter, starting with a random value.

可以看出,这个方案所支持的最小划分粒度是「秒 * 进程实例」,单进程实例的每秒容量是 3-byte (24-bit),也就是接近16777216个ID。

有兴趣的,还可以进一步 看代码(MonogoDB3.3.x Java Driver) 研究:Timestamp, Machine Identifier、Process Identifier、计数器的初始值分别是如何获得的:

1. Timestamp

2. MachineIdentifier

3. Process ID

4. COUNTER

此处需要注意的是MongoDB的 NEXT_COUNTER 其初始值是一个随机数,这是有利于分库分表的。因为在小并发的条件下,非随机数的初始值,容易产生 偏库偏表,不均匀的现象。

Twitter Snowflake

Twitter在2010年6月1日(在Flickr那篇文章发布不到4个月之后),Ryan King 在Twitter的Blog撰文 写道:

  • Ticket Servers方案缺乏顺序的保证
  • 考虑过采用UUID,不过128-bit太长了
  • 也考虑过采用ZooKeeper所提供的 *Unique Naming* Seuence Nodes 所提供的 Unique Naming 特性,但是性能不能满足。(个人认为,Sequence Nodes的设计目标是解决分布式锁的问题,但不解决性能要求极高的ID生成问题,直接应用是一种Hack行为)

在这种情况下,Twitter给出了 64-bit 长的 Snowflake ,它的结构是:

  • 1-bit reserved
  • 41-bit timestamp
  • 10-bit machine id
  • 12-bit sequence

在过了不到4年,2014年的5月31日,Twitter 更新了 Snowflake 的 README,其中陈述了两个容易被忽视的事实:

  • "We have retired the initial release of Snowflake..."
  • "... heavily relies on existing infrastructure atTwitter to run. "

可以看出,这个方案所支持的最小划分粒度是「毫秒 * 线程」,单线程(Snowflake 里对应的概念是 Worker)的每秒容量是12-bit,也就是接近4096。

翻一下Snowflake的归档代码 (Scala),可以看到:

1. 关于初始化Sequence的处理

可以看到此处Snowflake对于 sequence 的赋值为0。

2. 关于每秒超过4096个ID生成请求的处理

noeqd

2011年11月23日,用Go语言实现的,基于Snowflake的neoqd 出现了。

它的特点是,除了使用Go语言进行了实现,更是把ID生成做成了一个网络服务。支持客户端向ID生成服务申请ID。它还支持:

  • 简单预共享Token的客户端身份证认证(只是加强了那么一点点的安全性,可以忽略)
  • 支持批量获取ID,最多256个(因为使用一个byte表示申请个数)

同时,作者还建议使用 Doozerd 一个用Go语言写的 -- a highly-available, completelyconsistent store for small amounts of extremely important data. 进行Machine ID的分配。

(关于 ZooKeeper / Etcd / Consul / Doozerd 的比较,也是可以期待下)

Boundary Flake

2012年1月, BoundaryFlake 同样的,用Erlang语言把Snowflake,变成了一个网络服务,提供128-bit长的ID生成服务。

不过,根据其RoadMap的描述,这个项目并没100%完成。例如,批量的ID生成,HTTP接口,客户端Library都列在里面待实现。

CruftFlake

2012年7月, CruftFlake 更显然的,是想以一个PHP变种身份出现。

它在结构上与Snowflake基本一致,存在两个区别:

  • 在timestamp上的取值略有区别
  • 可以自行决定是否采用ZooKeeper作为协调器

基于LableOrg/java-uniqueid

2014年7月18日,LableOrg 写了一个通过ZooKeeper进行协调的,128-bit长的算法 java-uniqueid。其 结构组成 依然十分相似:

  • Timestamp
  • Sequence counter
  • Generator IDs
  • Cluster IDs

前台浏览器生成

这里的前台,主要是指以「浏览器」为代表的客户端。

2015年2月16日,Sudhanshu Yadav (看面相像印度人),用Javascript写了Flake的又一个变种实现 FlakeId 。其核心代码是:

它的MachineIdentifier则是作为构造函数的选项参数 options.mid 传入。

没思路?全自主生成?

选择UUID?

可以说,成熟的、全自主生成方案,可能只有 128-bit UUID 一种,具体的说,是UUID Version 4。另外,微软对它实现,称之为 GUID 。

一般的,使用的最多的是UUIDVersion 4,很大程度上是因为其依赖的其他服务最少。

这里,通过python (2.5+) 对UUID的实现,体验一下UUID的生成效果:

另外,我们看一下网卡的MAC地址:

(因为UUID Version 1会泄露网卡的MAC地址,所以我对MAC地址做了下小手术)

可以看到UUID Version 1 最后一组数值 985aeb899615 与网卡的 MAC地址是一样一样的 98:5a:eb:89:96:15。

个人一直认为,采用UUIDVersion 4是一种偷懒的,没有针对具体应用场景,缺乏必要设计的做法。

一方面,它是依据概率确保无碰撞的,计算的过程与概率上的「生日问题」是一样的,不再展开。

另一方面,从使用的角度,UUID还有以下缺点:

  • 太长,即便是转换成36个字符,不利于输入
  • 过于随机,没有规律,在开发调试、线上故障定位,都容易看花眼。
  • 如果作为数据库主键,对索引不利。

基于Hash算法?

众多的Hash算法,例如「MD5 / SHA-1 / SHA-2 / SHA-3」,都看可以对内容进行摘要计算,形成一个定长的Hash值。

这些Hash算法,都会存在一个Hash冲突的问题,以及碰撞攻击的问题。

以UUID类似,其文本化之后的随机特征,不太适合应用在ID生成方面。

标识生成总结

  • 人工生成的标识,在相同的命名空间里,需要后续唯一性验证才能保证唯一。
  • 由计算机生成,在低并发的场景下,适合通过一个服务集中生成,并保障此服务的高可用性。
  • 由计算机生成,在高并发的场景下,适合通过一个保障命名空间独立的命名规范下,由多个服务并行生成。
  • 采用步长和增长相结合的生成算法,本质上都是对某个状态进行累积的结果。
  • 对于取模进行分库分表的场景,初始化值随机有利于均匀分布。
  • (MongoDB 的 ObjectId 更是Flake系列算法的鼻祖,并在初始值上进行了随机化处理)

设计一个「合适」的标识

1. 区分实体和关系

实体是点,而关系是线。

一般而言,面向实体的标识生成速度,要小于面向关系的生成速度。

具体的例子,以电商为例:买家、卖家、商品这些实体的录入速度,要远比订单生成小的多。也因此,主数据要比交易数据稳定的多。

并且,关系还可能包含层次关系,进而体现为一个依赖树。

面向实体的标识

面向实体的标识,更多的与概念相关(名称)、与形态相关(型号),有很多的人为因素参与,随机因素有限,命名的主体也来自于人。

对于实体制造,为任意一个产品进行标识,大致会分为六个方面:品牌、品类、品名,型号、批号、产品序列号。

对于前四者,更多的是人为的进行命名。例如,给定中文,找到对应英文,再进行缩写。

对于批号,则会增加一些时间因素,以关联到产品的生产时间。例如,采用20160925表示具体某一天,或者采用201640表示具体某一周。(一般来说,同一个批号的产品,所使用的原材料是也是同一批。)

对于产品序列号,最简单的是采用自然数法进行编号。

这一类的标识,在分布式系统下,在系统并发量小,集群规模小的情况下,可以采用基于数据库或者协调器的生成方案。

面向关系的标识

自然的,关系源于两个或两个以上的实体之间所进行的某一个活动,并且具有一定的时效性。

常见的关系的表现形式有:交易流水号,会话标识

这一类的标识,在分布式系统下,在系统并发量大,应当采用基于服务的内置生成方案。唯一依赖的是在实例部署时、启动前,为期分配唯一的Machine Identifier。这个Machine Identifier可以交由以强一致性保证的协调器完成。

当然,在系统并发量小的情况下,任然可以采用基于数据库的生成方案,因为没有协调器集群的参与,系统整体的复杂度更低,更利于维护。

2. 标识的容量

任何采用文字所表达的标识,最终在计算机里,都会根据一定的格式,被转换为字节byte进行处理,这个过程称之为「序列化」。 这种序列化方式,本质上是一种编码方式。

变长编码

一般来说,采用变长的编码方式,主要的目的是为了应对不可预期大小的信息量。

常见的有TLV(Type-Length-Value) 方式。 Google的 Protocol Buffers 非常有意思地采用了 Base 128 Varints的编码方式。

本质上,一个 URI 也是一个变长标识,它可以标识一个功能,也可以标识一个虚拟实体。

RESTful是对此类命名方式的一种实践方式,也是对 URI和HTTP协议组合之后,「表征力」的一个深入挖掘。

定长编码

在回顾一下前文所提到的IPv4地址,它似乎、可能、或许会在2019年 完全枯竭, 因为它只有32-bit。相比之下,MAC地址有48-bit,IPv6有128-bit。即便是它们都没那么容易枯竭,但也不代表由于人为因素,导致无法有效使用。

再回想下,每个人的身份证、手机号码,都是采用定长的形式进行编码。

选择定长有利于预先分配计算机资源,不管是内存、文件系统,还是数据库。同时,对于人的心理来说,可预期性大大增强了。

标识的命名空间

命名空间有三个层面:

  • 异构切分:对于不同的场景和视角,以树形进行层次划分。
  • 同构切分:对于异构切分的结果,切分出不同的分片。
  • 时间切分:对于同一个分片,在不同时间点上的状态。

一般地:

  • 首先,采用并行无状态的生成算法,一般都采用时间作为首要的命名空间,并且此命名空间的实效性小于生成者的重启时间
  • 其次,采用生成器实例自身的标识作为次要命名空间,以保证各个生成器的时间即便是不同步也不会产生重复标识

同时,需要注意的是,这可能导致唯一标识产生,大段跳跃,原因有:

  • 单位时间的并发量远小于子命名空间的容量
  • 生成器重启
  • 标识的冗余

不管标识是在运行时的内存出现,还是记录到数据库中或者文件里,它都需要占用硬件资源。

还是拿身份证举例,一方面,一个18个字符长度的身份证,那么需要18个字节进行存储。18个字节意味着144-bit,比IPv6的128bit还长。

如果简单的标识全世界每个人,以目前全地球超过70亿人口的总量,那么33个bit就足够了。

采用这种冗余设计的原因,一方面是「半集中,半自主」和现实的行政、地域结构对齐,另一方面是实现关联信息的集成。

小结

标识编码后的长度,则决定了一个标识方案的整体容量。

在一个统一的命名空间内,有多个标识生成者并行生成时,需要划分独立的子命名空间,以保证生成的标识在整个命名空间内唯一。

单个命名空间的标识,承载的信息量有限,在标识的使用过程中,需要扩展与包含一些其他视角的信息以进行冗余。

3. 标识的文本兼容

和人工取名字不一样,自动生成ID的主体,是计算机本身,但使用这个ID的主体,有两个:人和计算机。

对于计算机,最擅长处理的是结构化数组、条形码或者二维码;而对人,最擅长使用的是文本、图形或者视频。

一般而言,在大量的RESTful设计的应用,其URI中会包含大量的ID,用来标识用户、商品、订单等等,它们经常会出现在URI中。

以ASCII编码为基础的各种文本化编码算法,从Base16开始,正常的有Base32,Base64,Base58,Base85等等。

其中,Base16是最为「字节友好」的,因为不需要进行任何Padding操作,就可以以把 4-bit/half-byte 转换为 [0-9a-f] 这十六个字符,因此Base16还有别名:Hex。另外对于键盘输入,这16个英文字母,又是相对纯数字之外,最方便的。

而Base32, Base64等等,都需要Padding。因为Base32是每5-bit 进行分组编码,Base64则是 6-bit ,都无法直接对齐一个 byte(8-bit)。

另外,Base16还对 URI 友好,不需要进行任何的 URLEncode/Decode操作。

以64-bit长的ID为例,它既可以转化为 long,也可以Base16成为16个字符的``HexString``,同时它大小写不敏感。

相比之下,如果采用Base64的文本化方案,其长度虽然少了5个字符,为11个,但其大小写敏感,不利于人机交互的输入,还会包含URI不友好,还会被转义为「 %3D」的符号「=」。

一个精巧的标识文本化算法,并不应该简单的把一个二进制值转为HexString。在日志里,应该有相应的解码算法,解析出符合人类阅读的字符,比如:精确到秒、且带格式时间,生成改标识的主体,等等。

4. 标识的安全性

标识的信息泄露

采用连续,或者固定步长的标识,容易从一个标识猜测其他标识的存在性。

常见的例子有:

  • 通过局域网扫描工具,扫描某个子网的活动的IP地址
  • 通过端口扫描工具,扫描一个目标主机开放的端口,以初步确定主机操作系统类型

另外,在物联网领域,如果采用的EPC编码,那么很容易通过连续编码,估计某个产品的具体产量。

标识的自校验能力

还是使用身份证号这个例子,根据国家标准(GB11643-1999),身份证号的前17位为本体码,最后1位为校验码。也就是说,它是通过前17位进行数学公式计算之后获得,主要目的是用于检验录入过程是否产生差错。

这样设计的好处是,每当输入完18位身份证号后,可以直接判断一个身份证号,是否在逻辑上是「合规的」,对于系统而言不用查询数据库,可以减少IO操作。不过,这不代表这个身份证号是有效的,也有可能是一个无效,但符合校验规则的身份证号。

由于标识的长度有限,能够加入的冗余信息较少,一般的基于公钥密码体制的签名机制,都难以在一个短标识中嵌入。

感谢「喵嘴里的鱼」对本文不足的指正。

关于作者:

王延炯

EAII-企业架构创新研究院 专家委员

王延炯,现任普元信息主任架构师。密码学博士,毕业于北京邮电大学。曾先后任职于西门子(中国)研究院、垂直行业互联网公司。带领团队交付了移动、金融、电信等多个行业、众多IT系统的咨询、设计、研发、实施、维护、优化工作。对分布式架构,企业架构,以及企业IT平台化运营有深入的研究和理解。

原文发布于微信公众号 - EAWorld(eaworld)

原文发表时间:2016-10-12

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏Java技术栈

TBSchedule应用实战之“性能怪兽(集群篇)“

本节的重点将采用原生java,tbs和xxl-job三个模型来测试处理50万业务数据,总结他们的差异,向读者朋友们展示为什么作者称tbs为性能怪兽。 本节以实际...

3647
来自专栏web前端教室

我建议这样思路写组件

我建议这样思路写组件:首先一个大函数就是一个模块,可以简单到只是用function写,通过config对象写配置。然后通过传参调用,把这些模块连接起来,能实现功...

1915
来自专栏Java后端技术栈

初探性能优化--2个月到4小时的性能提升!

一直不知道性能优化都要做些什么,从哪方面思考,直到最近接手了一个公司的小项目,可谓麻雀虽小五脏俱全。让我这个编程小白学到了很多性能优化的知识,或者说一些思考方式...

791
来自专栏小巫技术博客

那些Android中的性能优化tips

972
来自专栏申龙斌的程序人生

用C#写的CGM解析程序

石油行业常用CGM(Computer Graphics Metafile)计算机图形元文件格式来保存一些图件,从参加工作没多久就遇到过许多的CGM读取和输出软件...

2967
来自专栏牛客网

腾讯一面应用开发

最遗憾的,叫写冒泡排序都能写数组溢出,非科班面对算法题真的紧张。凉凉。 面试官是做php的,我用java。 问了http和https的区别。 答: 后者是前者的...

3016
来自专栏大宽宽的碎碎念

如何深入理解开源项目从小代码集看起聚焦请先看文档关注资源的生命周期找一个好工具建立调试环境看代码很累,要坚持

3366
来自专栏编程直播室

编程星球——水·滴创刊号 20180514

1794
来自专栏北京马哥教育

高性能服务器架构里的隐藏秘密

作者:Coder李海波 来源:http://blog.csdn.net/marising/article/details/5186643 在提到服务器架构时,...

3464
来自专栏程序生活

Python爬虫系列(一)初期学习爬虫的拾遗与总结(11.4更)

---- 最近,为了提取裁判文书网的有关信息,自己迈入Python的学习之路,写了快两周的代码,自己写这篇文章总结下踩过的坑,还有遇到一些好的资料和博客等总结下...

3995

扫码关注云+社区

领取腾讯云代金券