作者介绍
段同海，就职于达达基础架构团队，主要参与达达分布式ID生成系统，日志采集系统等中间件研发工作。
背景
在分布式系统中，经常需要对大量的数据、消息、http请求等进行唯一标识，例如：在分布式系统之间http请求需要唯一标识，调用链路分析的时候需要使用这个唯一标识。这个时候数据库自增主键已经不能满足需求，需要一个能够生成全局唯一ID的系统，这个系统需要满足以下需求：
- 全局唯一：不能出现重复ID。
- 高可用：ID生成系统是基础系统，被许多关键系统调用，一旦宕机，会造成严重影响。
经典方案介绍
1. UUID
UUID是Universally Unique Identifier的缩写，它是在一定的范围内(从特定的名字空间到全球)唯一的机器生成的标识符，UUID是16字节128位长的数字，通常以36字节的字符串表示，比如：3F2504E0-4F89-11D3-9A0C-0305E82C3301。
UUID经由一定的算法机器生成，为了保证UUID的唯一性，规范定义了包括网卡MAC地址、时间戳、名字空间(Namespace)、随机或伪随机数、时序等元素，以及从这些元素生成UUID的算法。UUID的复杂特性在保证了其唯一性的同时，意味着只能由计算机生成。
优点：
- 本地生成ID，不需要进行远程调用，时延低，性能高。
缺点：
- UUID过长，16字节128位，通常以36长度的字符串表示，很多场景不适用，比如用UUID做数据库索引字段。
- 没有排序，无法保证趋势递增。
2. Flicker方案
这个方案是由Flickr团队提出，主要思路采用了MySQL自增长ID的机制(auto_increment + replace into)
#数据表
CREATE TABLE Tickets64 (
id bigint(20) unsigned NOT NULL auto_increment,
stub char(1) NOT NULL default '',
PRIMARY KEY (id),
UNIQUE KEY stub (stub)
)ENGINE=MyISAM;- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
#每次业务使用下列SQL读写MySQL得到ID号
REPLACE INTO Tickets64 (stub) VALUES ('a');
SELECT LAST_INSERT_ID();- 1
- 2
- 3
- 4
replace into 跟 insert 功能类似，不同点在于：replace into 首先尝试插入数据到表中，如果发现表中已经有此行数据(根据主键或者唯-索引判断)则先删除此行数据，然后插入新的数据， 否则直接插入新数据。
为了避免单点故障，最少需要两个数据库实例，通过区分auto_increment的起始值和步长来生成奇偶数的ID。
Server1：
auto-increment-increment = 2
auto-increment-offset = 1
Server2：
auto-increment-increment = 2
auto-increment-offset = 2- 1
- 2
- 3
- 4
- 5
- 6
- 7
优点：
- 充分借助数据库的自增ID机制，可靠性高，生成有序的ID。
缺点：
- ID生成性能依赖单台数据库读写性能。
- 依赖数据库，当数据库异常时整个系统不可用。
对于依赖MySql性能问题，可用如下方案解决：
在分布式环境中我们可以部署多台，每台设置不同的初始值，并且步长为机器台数，比如部署N台，每台的初始值就为0，1，2，3…N-1，步长为N。
以上方案虽然解决了性能问题，但是也存在很大的局限性：
- 系统扩容困难：系统定义好步长之后，增加机器之后调整步长困难。
- 数据库压力大：每次获取一个ID都必须读写一次数据库。
3. 类snowflake方案
这种方案生成一个64bit的数字，64bit被划分成多个段，分别表示时间戳、机器编码、序号。
ID为64bit 的long 数字，由三部分组成：
- 41位的时间序列(精确到毫秒，41位的长度可以使用69年)。
- 10位的机器标识(10位的长度最多支持部署1024个节点)。
- 12位的计数顺序号(12位的计数顺序号支持每个节点每毫秒产生4096个ID序号)。
优点：
- 时间戳在高位，自增序列在低位，整个ID是趋势递增的，按照时间有序。
- 性能高，每秒可生成几百万ID。
- 可以根据自身业务需求灵活调整bit位划分，满足不同需求。
缺点：
- 依赖机器时钟，如果机器时钟回拨，会导致重复ID生成。
- 在单机上是递增的，但是由于涉及到分布式环境，每台机器上的时钟不可能完全同步，有时候会出现不是全局递增的情况。
4. TDDL序列生成方式
TDDL是阿里的分库分表中间件，它里面包含了全局数据库ID的生成方式，主要思路：
- 使用数据库同步ID信息。
- 每次批量取一定数量的可用ID在内存中，使用完后，再请求数据库重新获取下一批可用ID，每次获取的可用ID数量由步长控制，实际业务中可根据使用速度进行配置。
- 每个业务可以给自己的序列起个唯一的名字，隔离各个业务系统的ID。
数据表设计：
seqName varchar(100) 序列名称，主键
cur_value bigint(20) 当前值
step int 步长，根据实际情况设置- 1
- 2
- 3
- 4
- 5
##### 优点：
- 相比flicker方案，大大降低数据库写压力，数据库不再是性能瓶颈。
- 相比flicker方案，生成ID性能大幅度提高，因为获取一个可用号段后在内存中直接分配，相对于每次读取数据库性能提高了几个量级。
- 不同业务不同的ID需求可以用seqName字段区分，每个seqName的ID获取相互隔离，互不影响。
缺点：
- 强依赖数据库，当数据库异常时整个系统不可用。
发号器实现方案
综合对比以上四种实现方案，以及我们的业务需求，最后决定采用第三种方案。
主要原因：
- 业务需求：业务要求生成的ID要有递增趋势，全局唯一，并且为数字。
-
系统考虑：第三种方案性能高，稳定性高，对外部资源依赖少。
依据实际业务需求和系统规划，对算法进行局部调整，实现了发号器snowflake方案。
发号器snowflake方案
发号器snowflake方案中对bit的划分做了如下调整：
- 36 bit 时间戳，使用时间秒
- 5 bit 机器编码
- 22 bit 序号
机器编码维护：
机器编码是不同机器之间产生唯一ID的重要依据，不能重复，一旦重复，就会导致有相同机器编码的服务器生成的ID大量重复。 如果部署的机器只是少量的，可以人工维护，如果大量，手动维护成本高，考虑到自动部署、运维等等问题，机器编码最好由系统自动维护，有以下两个方案可供选择:
- 使用mysql自增ID特性，用数据表，存储机器的mac地址或者ip来维护。
- 使用ZooKeeper持久顺序节点的特性。
这里我们使用ZooKeeper持久顺序节点特性来配置维护WORKID.发号器的启动顺序如下：
- 启动发号器服务，连接ZooKeeper， 检查根节点id_generator是否存在，如果不存在就创建系统根节点。
- 检查根节点下当前机器是否已经注册过(是否有该顺序子节点)。
- 如果有注册，直接取回自己的WORKID。如果没注册，在根节点下创建一个持久顺序节点，取回顺序号做WORKID。
一旦取回WORKID，缓存在本地文件中，后续直接使用，不再与ZooKeeper进行任何交互，此方案对ZooKeeper依赖极小。
时钟问题：
snowflake方案依赖系统时钟，如果机器时钟回拨，就有可能生成重复ID，为了保证ID唯一性，必须解决时钟回拨问题。
可以采取以下几种方案解决时钟问题：
-
关闭系统NTP同步，这样就不会产生时钟调整。
-
系统做出判断，在时钟回拨这段时间，不生成ID，直接返回ERROR_CODE，直到时钟追上，恢复服务。
//发生回拨，本次最新时间小于上次时间
if(timestamp < this.lastTimestamp) {
throw new GeneratIdException("时钟回拨,拒绝生成ID");
}
- 1
- 2
- 3
- 4
- 5
- 6
- 系统做出判断，如果遇到超过容忍限度的回拨，上报报警系统，并把自身从集群节点中摘除
//发生回拨，本次最新时间小于上次时间
if (timestamp < this.lastTimestamp) {
long delay=lastTimestamp - timestamp;
//如果偏差比较小，则等待
if(delay<10) {
Thread.sleep(delay);
}
timestamp=this.timeGen();
//如果还没好，报警
if(timestamp < this.lastTimestamp) {
timeCallBackProcess(timestamp,this.lastTimestamp)
}else{
//重新分配ID
long id=nextSeqId();
}
}- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
-
系统做兼容处理，由于nfp网络回拨都是几十毫秒到几百毫秒，极少数到秒级别，这种回拨会产生以下几种结果：
- 当前秒数不变： 当前是8:30秒100毫秒，ntp回拨50毫秒，当前时间变成8:30秒50毫秒，这个时候秒数没变，我们算法的时间戳部分不会产生重复，就不影响系统继续发号
- 当前秒数向前：当前是8:30秒800毫秒，ntp 向前调整300毫秒，当前时间变成8:31秒100毫秒，由于这个时间还没发过号，不会生成重复的ID
- 当前秒数向后：当前是8:30秒100毫秒，ntp回拨150毫秒，当前时间变成8:29秒950毫秒，这个时候秒发生回退，就可能产生重复ID。产生重复的原因在于秒回退后，算法的时间戳部分使用了已经用过的时间戳，但是算法的序号部分，并没有回退到29秒那个时间对应的序号，依然使用当前的序号，如果序号也同时回退到29秒时间戳所对应的最后序号，就不会重复发号。解决方案如下：
系统中缓存最近几秒内最后的发号序号(具体范围请根据实际需要确定)，存储格式为：时间秒-序号。
Map<Long,Long> map=new ConcurrentHashMap<Long,Long>();
//发生回拨，本次最新时间小于上次时间
if (timestampSec < this.lastTimestampSec) {
//有缓存
if(map.get(timestampSec)!=null) {
this.sequence=map.get(timestampSec);
this.nextId();
map.put(timestampSec,this.sequence)
}else {
throw new GeneratIdException("时钟回退，拒绝生成ID");
}
}- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
闰秒处理：
闰秒，是指为保持协调世界时接近于世界时时刻，由国际计量局统一规定在年底或年中(也可能在季末)对协调世界时增加或减少1秒的调整。由于地球自转的不均匀性和长期变慢性(主要由潮汐摩擦引起的)，会使世界时(民用时)和原子时之间相差超过到±0.9秒时，就把协调世界时向前拨1秒(负闰秒，最后一分钟为59秒)或向后拨1秒(正闰秒，最后一分钟为61秒)，闰秒一般加在公历年末或公历六月末。
在闰秒产生的时候系统会出现秒级时间调整，下面我们来分析闰秒对发号器的影响：
-
负闰秒：当前23:59:58的下一秒就是第二天的00:00:00，00:00:00 这个时间我们还没产生过ID，不会产生重复的，对发号器没影响。
-
正闰秒：当天23:59:59的下一秒当记为23:59:60，然后才是第二天的00:00:00。由于我们系统时间戳部分取的从某个时间点(1970年1月1日)到现在的秒数，是一个数字，只要这个数字不重复，就不会产生重复的ID。如果在闰秒发生一段时间后ntp时间同步(为了规避闰秒风险，很多公司闰秒前关闭ntp同步，闰秒后打开ntp同步)，这个时候系统时钟回拨,可以使用解决时钟回拨的方案进行处理。
服务部署优化
-
部署结构
为了实现高可用，避免单点故障，系统部署采用集群水平部署，前置使用nginx做负载均衡，发号器使用springboot框架，web服务器使用springboot内嵌tomcat， 发号器和nginx之间进行心跳检测。
-
tomcat调优
使用APR
Tomcat支持三种接收请求的处理方式：BIO、NIO、APR， 性能 BIO
@Configuration
public class TomcatConfig {
AprLifecycleListener arpLifecycle = null;
@Value("${com.tomcat.apr:false}")
private boolean enableApr;
@Bean
public TomcatEmbeddedServletContainerFactory containerFactory() {
TomcatEmbeddedServletContainerFactory tomcat=new TomcatEmbeddedServletContainerFactory();
if (enableApr) {
arpLifecycle = new AprLifecycleListener();
tomcat.setProtocol("org.apache.coyote.http11.Http11AprProtocol");
}
return tomcat;
}
}- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
开发中遇到的问题
整个开发过程都非常顺利，测试的时候tps也很高，心情很愉快，世界很美好，突然一个意外出现，发现存在full gc现象，有内存溢出？ 于是分析了好几遍程序，也没找到明显的线索，只能开始jvm调试旅程。
pingpoint 监控图：
（上图中红色部署表示full gc）
JVM调试最直接的就是获取full gc时的jvm dump文件，以及gc log进行分析：
为了获取dump文件，在jvm参数中加上：
-XX:+PrintGCDetails -XX:+PrintGCTimeStamps -XX:+PrintGCDateStamps
-Xloggc:/tmp/gc2/gc.log -XX:+HeapDumpOnOutOfMemoryError
-XX:HeapDumpPath=/tmp/gc2/heapdump.bin
-XX:+HeapDumpBeforeFullGC -XX:+HeapDumpAfterFullGC- 1
- 2
- 3
- 4
参数介绍：
-XX:+PrintGCDetails 打印出gc详细信息
-Xloggc:/tmp/gc2/gc.log 输出gc日志
-XX:+HeapDumpBeforeFullGC full gc前打出dump文件
-XX:+HeapDumpAfterFullGC full gc后打出dump文件- 1
- 2
- 3
- 4
配置上面的虚拟机参数后，虚拟机gc的时候会把gc相关信息输出到文件gc.log中，full gc前后，会生成当时虚拟机的内存dump文件。从pingpoint监控图中可以看出full gc是发生在持久区域。
使用jmap 工具，获取JVM堆内存信息如下：
jmap -heap pid
从上图可以看出，使用的堆内存很少，总的堆内存只有0.84% 使用，其它使用指标也都在正常范围，系统装载的类也不多，没有内存泄露。
继续分析gc log：
Java HotSpot(TM) 64-Bit Server VM (25.131-b11) for windows-amd64 JRE (1.8.0_131-b11), built on Mar 15 2017 01:23:53 by "java_re" with MS VC++ 10.0 (VS2010)
Memory: 4k page, physical 8243596k(2632468k free), swap 11934328k(2371912k free)
CommandLine flags: -XX:+DisableExplicitGC -XX:+HeapDumpAfterFullGC -XX:+HeapDumpBeforeFullGC -XX:+HeapDumpOnOutOfMemoryError -XX:HeapDumpPath=/tmp/gc2/heapdump.bin -XX:InitialHeapSize=1073741824 -XX:InitiatingHeapOccupancyPercent=35 -XX:LargePageSizeInBytes=134217728 -XX:MaxGCPauseMillis=20 -XX:MaxHeapSize=1073741824 -XX:MaxTenuringThreshold=15 -XX:+PrintGC -XX:+PrintGCDateStamps -XX:+PrintGCDetails -XX:+PrintGCTimeStamps -XX:+UseCompressedClassPointers -XX:+UseCompressedOops -XX:+UseFastAccessorMethods -XX:-UseLargePagesIndividualAllocation -XX:+UseParallelGC
2017-08-10T17:02:29.308+0800: 2.077: [GC (Metadata GC Threshold) [PSYoungGen: 146832K->20475K(305664K)] 146832K->20563K(1005056K), 0.0336455 secs] [Times: user=0.02 sys=0.00, real=0.03 secs]
2017-08-10T17:02:29.341+0800: 2.109: [Heap Dump (before full gc): , 0.0004810 secs]2017-08-10T17:02:29.341+0800: 2.110: [Full GC (Metadata GC Threshold) [PSYoungGen: 20475K->0K(305664K)] [ParOldGen: 88K->19759K(699392K)] 20563K->19759K(1005056K), [Metaspace: 20897K->20897K(1069056K)], 0.0436578 secs] [Times: user=0.13 sys=0.02, real=0.04 secs]
2017-08-10T17:02:29.385+0800: 2.153: [Heap Dump (after full gc): , 0.0002851 secs]2017-08-10T17:02:32.687+0800: 5.455: [GC (Allocation Failure) [PSYoungGen: 262144K->16221K(305664K)] 281903K->35989K(1005056K), 0.0334918 secs] [Times: user=0.09 sys=0.01, real=0.03 secs]
2017-08-10T17:02:32.891+0800: 5.659: [GC (Metadata GC Threshold) [PSYoungGen: 28382K->6904K(305664K)] 48150K->26680K(1005056K), 0.0168069 secs] [Times: user=0.06 sys=0.00, real=0.02 secs]
2017-08-10T17:02:32.908+0800: 5.676: [Heap Dump (before full gc): , 0.0008220 secs]2017-08-10T17:02:32.909+0800: 5.676: [Full GC (Metadata GC Threshold) [PSYoungGen: 6904K->0K(305664K)] [ParOldGen: 19775K->16811K(699392K)] 26680K->16811K(1005056K), [Metaspace: 34773K->34773K(1081344K)], 0.0770809 secs] [Times: user=0.22 sys=0.00, real=0.08 secs]
2017-08-10T17:02:32.986+0800: 5.754: [Heap Dump (after full gc): , 0.0003360 secs]- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
从gc log 中寻找线索：
2017-08-10T17:02:32.908+0800: 5.676: [Heap Dump (before full gc): , 0.0008220 secs]2017-08-10T17:02:32.909+0800: 5.676:== [Full GC (Metadata GC Threshold)== [PSYoungGen: 6904K->0K(305664K)] [ParOldGen: 19775K->16811K(699392K)] 26680K->16811K(1005056K), ==[Metaspace: 34773K->34773K(1081344K)]======================, 0.0770809 secs] [Times: user=0.22 sys=0.00, real=0.08 secs]
2017-08-10T17:02:32.986+0800: 5.754: [Heap Dump (after full gc): , 0.0003360 secs]- 1
- 2
这里发现了以下线索：
- 从 [Full GC (Metadata GC Threshold)看出，的确产生了full gc，原因 Metadata GC Threshold。
- [Metaspace: 34773K->34773K(1081344K)] full gc前后metaspace的size没有变化说明此区域已经满了，释放不出内存。
- 仔细分析gc log，发现2次full gc记录，第一次full gc [Metaspace: 20897K->20897K(1069056K)，这个值比第2次的要小很多。
[Full GC (Metadata GC Threshold) [PSYoungGen: 20475K->0K(305664K)] [ParOldGen: 88K->19759K(699392K)] 20563K->19759K(1005056K), [Metaspace: 20897K->20897K(1069056K)],- 1
两次full gc原因都是 Metadata GC Threshold类型，说明pingpoint监控到的full gc是元空间引发的full gc，并非内存泄露引起，但是这个值才34m，距离最大值1081m，还有很大空间，为什么会full gc?
经过查阅官方资料，发现MetaspaceSize的默认大小是21807104b，也就是21296k，而发生GC的时候，元空间已经使用了34722K，从而产生full gc。
方法区:
方法区也是所有线程共享。主要用于存储类的信息、常量池、方法数据、方法代码等。方法区逻辑上属于堆的一部分，但是为了与堆进行区分，通常又叫“非堆”。其实，移除永久代的工作从JDK1.7就开始了。JDK1.7中，存储在永久代的部分数据就已经转移到了Java Heap或者是 Native Heap。但永久代仍存在于JDK1.7中，并没完全移除，譬如符号引用(Symbols)转移到了native heap，字符串常量转移到了java heap，类的静态变量(class statics)转移到了java heap。
在JDK8中，classe metadata(the virtual machines internal presentation of Java class)，被存储在叫做Metaspace的native memory。一些新的flags被加入：-XX:MetaspaceSize，class metadata的初始空间配额，以bytes为单位，达到该值就会触发垃圾收集进行类型卸载，同时GC会对该值进行调整：如果释放了大量的空间，就适当的降低该值；如果释放了很少的空间，就会在不超过MaxMetaspaceSize(如果设置了的话)的情况下，适当的提高该值。
在虚拟机参数中增加MetaspaceSize初始化大小，-XX:MetaspaceSize=128m，重新启动项目，不再有full gc出现。
总结
”发号器“—达达分布式ID生成系统，是以snowflake算法为基础，实现了生成全局唯一ID的功能，解决了在分布式系统唯一ID生成问题。在实现高可用性方面，采用水平集群部署、心跳检测等方案为系统保驾护航。该系统目前已在达达商城等项目中使用，每天提供大量服务。
参考
- Snowflake (https://github.com/twitter/snowflake)
- TDDL