代码层走进“百万级”分布式ID设计

1. 前言

面对互联网系统的三高（高可用，高性能，高并发），数据库方面我们多会采用分库分表策略，如此必然会面临另一个问题，分库分表策略下如何生成数据库主键？那么今天针对此问题，我们就聊聊如何设计一款“百万级”的分布式ID生成器。

2. 项目背景

由于业务拓展单量剧增，为满足现有业务发展，遂决定对当前业务进行分库分表改造。分库分表形式下如何保证逻辑表在不同库、不同表下主键的唯一性成为了首要解决的问题，之初考虑仍采用数据库方式生成主键，但考虑数据库系统瓶颈、系统性能等问题，故调研后决定开发部署一套可支持百万级的分布式ID生成器，以用来支持现有业务，并逐步为后续其它业务做支撑。

3. 技术选型

明确项目背景之后，就是技术选型了。

之后比对了uuid方式、Redis计数器、数据库号段、雪花算法、美团Leaf 等多种ID生成器的方式。由于uuid的随机无序性，易导致B+Tree索引的分裂，不适合做MySQL的数据索引；Redis计数器需要考虑其持久化方式，宕机情况下可能会导致号段重复等问题，故暂不考虑以上2种方式。之后又对其它的方式如数据库号段、雪花算法等的优缺点、是否引入新的技术依赖、复杂度等进行分析，最终决定采用类似美团Leaf的方式生成分布式主键ID。

4. 架构设计

4.1 总体架构

总体上采用双缓存架构，业务key对应的号段持久化在数据库之中，每次从数据库加载指定步长号段保存到本地缓存，业务请求优先从本地缓存获取ID。

执行步骤如下：

• STEP1：服务启动或首次请求时-从数据库加载当前业务key，根据业务key配置步长，加载号段到本地。

• STEP2：业务key调用时，优先从本地缓存A获取ID。

  • step 2.1：如当前“本地缓存A”的使用率超过15%（可动态调整），将异步从数据库加载号段到本地缓存B；

  • step 2.2：如当前“本地缓存A”号段已使用完，切换缓存为“本地缓存B”，继续提供服务。

• STEP3：返回请求结果(极端情况缓存A号段耗尽，缓存B号段未加载完成，重试一定次数后失败）。

4.2  详细设计

如何支持百万的QPS，如何保障业务的高可用？为满足高并发、高可用分布式号段的数据结构又该如何设计的呢？接下来我们从表结构、缓存结构两个方面看下分布式号段的详细设计，逐步揭开其神秘的面纱：

4.2.1 表结构设计

表核心字段如下：

• id：主键

• biz_key：业务key

• max_id：当前业务key号段使用的MAX值

• step：步长（每次加载step步长到本地缓存）

<sql id="id_generator_sql">
    id as id,
    biz_key as bizKey,
    max_id as maxId,
    step as step,
    create_time as createTime,
    update_time as updateTime,
    version as version,
    app_name as appName,
    description as description,
    is_del as isDel
</sql>
 
<insert id="insert" parameterType="com.jd.presell.idgenerator.model.Segment">
    insert into id_generator
    (biz_key,max_id,step,create_time,update_time,version,app_name,description,isDel)
    values
    (#{bizKey},#{maxId},#{step},now(),now(),0,#{appName},#{description},#{isDel})
</insert>

4.2.2 缓存结构设计

了解完表结构之后，大家肯定还会有疑问，如仅仅采用数据库的方式实现分布式ID，其可支持的QPS、系统的稳定性多数都得不到保障，那又是采用什么样的数据方式保障系统的高并发、高可用呢？接下来我们从“缓存结构”设计中找答案：

• Buffer（缓存管理器）

bizKey：业务key

segments：数组存储双缓存

currentIndex：游标，指向segments中当前正在使用的缓存

segmentModifyStatus：CAS方式更新此号段状态

readWritelock 读写锁：号段的读取、更新采用加锁方式采用读写锁（此场景读多写少）

ing bizKey; //操作key
private Segment[] segments; //双缓存
private volatile int currentIndex; //当前使用的Segment[]的下标
private volatile int segmentModifyStatus; 
private final ReadWriteLock readWritelock = new ReentrantReadWriteLock();  //读写锁

• segment（实际操作缓存）

bizKey：业务key

maxId：当前缓存支持最大值

step：数据库加载时业务key的步长

current：当前号段已用值

threshold：更新下一个缓存阀值

private String bizKey;                   //key
private volatile long maxId;             //当前号段最大值
private volatile int step;               //步长
private volatile AtomicLong current;     //当前号段已用值
private long threshold;                  //加载下一个缓存阀值
private Date modifyTime;                 //更新时间,后期用于动态计算step

4.3 关键流程链路

当清楚前面提到的“表结构”和“缓存结构”后，接下来我们来看下关键流程链路，更加清晰的了解到以上介绍的“表”和“缓存”在业务中的应用，详细信息如下：

• 服务初始化加载业务bizKey
• 根据业务bizKey获取ID
• 双缓存-预加载（提前加载下一个缓存）
• 双缓存-缓存切换

相信大家可以从上图看出关键信息，充分了解到关键业务及其实现细节，下面是从业务和技术上做简单的概述。

（1）业务概述

• 服务初始化加载号段：为了不影响服务发布后的t，遂采用饿汉式模式，服务启动时加载指定步长的号段到本地缓存；
• 业务key维护：新增或下线的业务key通过JOB定时维护，新增bizKey添加到本地缓存，失效bizKey从本地缓存移除（前期业务key比较少全表扫描，后期bizKey较多时可采用通知或扫描指定时间变更的增量bizKey）；
• 预加载：当前缓存使用超阈值后，异步加载另一个缓存；为了尽量保障业务的稳定性，一般设置当前缓存使用到15%左右（可动态调整），开始执行预加载；
• 缓存切换：当前缓存号段耗尽，切换到下一个缓存并继续提供服务；

（2）关键技术

• ReadWriteLock锁应用：此业务场景是典型的读多写少场景，故采用读写锁模式。

读锁：获取分布式ID；

写锁：预加载下一个缓存、缓存切换。

• CAS原子操作：预加载下一个缓存时，为了避免单机多线程同时操作，采用CAS方式更新Buffer的状态标识，更新成功的线程才可以进行异步预加载操作。
• volatile：保障数据的可见性，确保共享变量能被准确和一致地更新保障。

5. 总结&展望

项目完成之后进行压测，在步长设置合理的时候，单机可支持近10万QPS，压测过程中其TP正常，TP99、TP999基本维持在5毫秒以内，整体上已满足现阶段业务需求。

虽然现阶段的设计已满足当前业务需求，但是可以优化的空间还很大，我们还有很长的路要走，比如下面的号段浪费、动态规划步长等。

（1）号段浪费

应用启动时加载号段，如遇服务重启、发版等情况会浪费掉部分号段。

针对此问题可以：

• 服务启动时初始化10%步长的号段，尽量减少首次初始化号段数量
• 服务关闭时添加钩子，保存号段使用情况到Redis，服务启动后可优化从Redis号段池加载到本地缓存。

（2）动态规划步长

目前步长是手工配置，后期可根据号段的更新频率，匹配一定的规则，动态调整业务key对应的号段（可以在申请时配置：步长动态调整规则）。

（3）数据库分库分表

现阶段bizKey较少，后期有需求可根据bizKey分库分表。

（4）持久化方式优化

目前仅采用MySQL持久化号段信息，根据业务可以添加多级缓存，可引入Redis，数据库预加载号段到Redis，本地缓存优先从Redis获取号段加载到本地。

（5）监控告警

结合公司组件，目前对单个接口以及单个bizKey的QPS、可用率、TP进行了监控。可在此基础上增加：号段更新频率、号段单机分布情况(已分布号段、已使用号段)等进行监控。

6. 结语

以上内容简单的总结了该项目的背景、选型、设计等内容，总体方案上或许并不是最优解，还有许多待改进点。也是秉着先有后优，逐步拓展、迭代的思想，选择了分期、分需实现，在满足当前业务的情况下，快速、稳定、持续落地！

感谢大家的支持，希望通过这篇文章可以让你了解到，原来部分百万业务量的设计也并不复杂，原来仅需上十台服务器也可以轻轻松松支撑百万QPS的业务！

文｜袁向飞

关注得物技术，做最潮技术人