1、简述
在分布式系统中，唯一 ID 生成 是一个核心问题。比如订单号、用户 ID、消息 ID 等。常见方案有：
🔹 数据库自增主键（性能瓶颈、单点问题）
🔹 UUID（全局唯一但过长，且无序）
🔹 Redis/ZooKeeper 分布式自增（额外依赖）
Twitter 提出的 Snowflake（雪花算法），是一种高性能、低延迟的 分布式唯一 ID 生成算法，能够在分布式场景下高效生成 趋势递增 的唯一 ID。
2、雪花算法的 ID 结构
一个 64 位的 long 型 ID，通常分配如下（以经典实现为例）：
| 符号位(1) | 时间戳(41) | 数据中心ID(5) | 机器ID(5) | 序列号(12) |
🔹 符号位（1位）：固定为 0，不使用。
🔹 时间戳（41位）：当前时间与自定义起始时间的差值，支持约 69 年。
🔹 数据中心ID（5位）：可支持 32 个数据中心。
🔹 机器ID（5位）：可支持每个数据中心 32 台机器。
🔹 序列号（12位）：每毫秒可生成 4096 个 ID。
3、雪花算法的特点
✅ 高性能：本地生成，无需远程调用。
✅ 高可用：无中心化依赖。
✅ 趋势递增：基于时间戳生成，ID 大致有序。
✅ 分布式唯一性：通过数据中心 ID + 机器 ID 区分。
⚠️ 不足：
🔹 时间回拨问题：若系统时间被回调，可能生成重复 ID。
🔹 数据中心 ID、机器 ID 需要合理分配。
4、实践样例
4.1 定义 SnowflakeIdWorker
public class SnowflakeIdWorker {
// ================== 常量 ==================
private final long twepoch = 1609459200000L; // 自定义起始时间 2021-01-01
private final long workerIdBits = 5L; // 机器ID位数
private final long datacenterIdBits = 5L; // 数据中心ID位数
private final long sequenceBits = 12L; // 序列号位数
private final long maxWorkerId = -1L ^ (-1L << workerIdBits); // 最大机器ID
private final long maxDatacenterId = -1L ^ (-1L << datacenterIdBits); // 最大数据中心ID
private final long sequenceMask = -1L ^ (-1L << sequenceBits); // 序列掩码
private final long workerIdShift = sequenceBits; // 机器ID左移位数
private final long datacenterIdShift = sequenceBits + workerIdBits; // 数据中心ID左移位数
private final long timestampLeftShift = sequenceBits + workerIdBits + datacenterIdBits; // 时间戳左移位数
// ================== 成员变量 ==================
private long workerId; // 机器ID
private long datacenterId; // 数据中心ID
private long sequence = 0L; // 毫秒内序列
private long lastTimestamp = -1L; // 上次生成ID的时间戳
// ================== 构造函数 ==================
public SnowflakeIdWorker(long workerId, long datacenterId) {
if (workerId > maxWorkerId || workerId < 0) {
throw new IllegalArgumentException(String.format("worker Id can't be greater than %d or less than 0", maxWorkerId));
}
if (datacenterId > maxDatacenterId || datacenterId < 0) {
throw new IllegalArgumentException(String.format("datacenter Id can't be greater than %d or less than 0", maxDatacenterId));
}
this.workerId = workerId;
this.datacenterId = datacenterId;
}
// ================== 生成ID ==================
public synchronized long nextId() {
long timestamp = timeGen();
if (timestamp < lastTimestamp) {
throw new RuntimeException(
String.format("Clock moved backwards. Refusing to generate id for %d milliseconds", lastTimestamp - timestamp));
}
if (lastTimestamp == timestamp) {
// 同一毫秒内，序列号自增
sequence = (sequence + 1) & sequenceMask;
if (sequence == 0) {
// 序列号溢出，等待下一毫秒
timestamp = tilNextMillis(lastTimestamp);
}
} else {
sequence = 0L; // 不同毫秒内，序列号置为0
}
lastTimestamp = timestamp;
return ((timestamp - twepoch) << timestampLeftShift) |
(datacenterId << datacenterIdShift) |
(workerId << workerIdShift) |
sequence;
}
private long tilNextMillis(long lastTimestamp) {
long timestamp = timeGen();
while (timestamp <= lastTimestamp) {
timestamp = timeGen();
}
return timestamp;
}
private long timeGen() {
return System.currentTimeMillis();
}
}
4.2 测试 Snowflake ID 生成
public class SnowflakeTest {
public static void main(String[] args) {
SnowflakeIdWorker idWorker = new SnowflakeIdWorker(1, 1);
for (int i = 0; i < 10; i++) {
long id = idWorker.nextId();
System.out.println(id);
}
}
}
4.3 运行结果示例
144116287064064000
144116287064064001
144116287064064002
144116287064064003
144116287064064004
...
这些 ID 是 唯一且大致有序 的 long 型数字。
5、雪花算法在实际系统中的应用
🔹 订单号生成：保证唯一性和趋势递增。
🔹 日志追踪 ID：用于分布式链路追踪。
🔹 消息队列 ID：保证消息唯一性。
🔹 数据库主键：避免数据库自增的单点瓶颈。
6、总结
🔹 雪花算法通过 时间戳 + 数据中心ID + 机器ID + 序列号 实现分布式唯一 ID 生成；
🔹 优点：高性能、去中心化、趋势递增；
🔹 缺点：依赖时间，需防止时钟回拨问题；
🔹 在订单、日志、消息等场景广泛应用。
