高并发下生成订单号的策略

互联网快速发展的今天，分布式应用系统已经见怪不怪，在分布式系统中，我们需要各种各样的ID，既然是ID那么必然是要保证全局唯一，除此之外，不同当业务还需要不同的特性，比如像并发巨大的业务要求ID生成效率高，吞吐大；比如某些银行类业务，需要按每日日期制定交易流水号；又比如我们希望用户的ID是随机的，无序的，纯数字的，且位数长度是小于10位的。等等，不同的业务场景需要的ID特性各不一样，于是，衍生了各种ID生成器。本文讲的订单号就是其中一种业务id，下面结合订单业务需求，介绍订单号的生成策略。

业务需求：

• 订单号不能重复
• 订单号没有规则，即编码规则不能加入任何和公司运营相关的数据，外部人员无法通过订单ID猜测到订单量。不能被遍历。
• 订单号长度固定，且不能太长
• 易读，易沟通，不要出现数字字母换乱现象
• 生成耗时

关于订单号的生成，一些比较简单的方案：

1、数据库自增长ID

• 优势：无需编码
• 缺陷：
  • 大表不能做水平分表，否则插入删除时容易出现问题
  • 高并发下插入数据需要加入事务机制
  • 在业务操作父、子表（关联表）插入时，先要插入父表，再插入子表

2、时间戳+随机数

• 优势：编码简单
• 缺陷：随机数存在重复问题，即使在相同的时间戳下。每次插入数据库前需要校验下是否已经存在相同的数值。

3、时间戳+会员ID

• 优势：同一时间，一个用户不会存在两张订单
• 缺陷：会员ID也会透露运营数据，鸡生蛋，蛋生鸡的问题
• 例如:S+yyMMddHHmmss+Math.abs(memberId.hashCode());[说明memberId为uuid的，String的hashCode唯一，而hashcode可能为负数]

4、GUID/UUID

• 优势：简单
• 劣势：用户不友好，索引关联效率较低。

UUID全称：Universally Unique Identifier，即通用唯一识别码。

UUID是由一组32位数的16进制数字所构成，所以理论上UUID的总数为16^32=2^128，约等于3.4*10^38。也就是书偶偶每纳秒产生1兆个UUID，要花100亿年才会将所有UUID用完。

UUID的标准形式包含32个16进制数字，以连字号分为五段，形式为8-4-4-4-12的32个字符，如：550e8400-e19b-41d4-a716-446655440000。

UUID的作用 
UUID是让分布式系统中的所有元素都能有唯一的辨识信息，而不要要通过中央控制端来做辨识信息的指定。如此一来，每个人都可以创建不与其他人冲突的UUID。在这样的情况下，就不需考虑数据库创建时的名称重复问题。目前最广泛应用的UUID，是微软公司的全局唯一标识符（GUID），而其他重要的应用，则有Linux ext2/ext3文件系统、LULS加密分区、GNOME、KDE、Mac OS X等等。

UUID的组成 
UUID是指在一台机器上生成的数字，它保证对在同一时空中的所有机器都是唯一的。通常平台会提供生成的API。按照开放软件基金会（OSF）制定的标准计算，用到了以太网卡地址、纳秒级时间、芯片ID码和许多可能的数字。

UUID由以下几部分的组合 
当前日期和时间，UUID的第一个部分与时间有关，如果你在生成一个UUID之后，过几秒后又生成了一个UUID，则第一个部分不同，其余相同。 
时钟序列。 
全局唯一的IEEE机器识别号，如果有网卡，从网卡MAC地址获得，没有网卡以其他方式获得。

UUID的唯一缺陷在于生成的结果穿会比较长。关于UUID这个标准使用最普遍的是微软的GUID（Globals Ujique Identifiers）。

5、twitter的SnowFlake [参考:https://blog.csdn.net/li396864285/article/details/54668031]

Twitter-Snowflake算法产生的背景相当简单，为了满足Twitter每秒上万条消息的请求，每条消息都必须分配一条唯一的id，这些id还需要一些大致的顺序（方便客户端排序），并且在分布式系统中不同机器产生的id必须不同.Snowflake算法核心把时间戳，工作机器id，序列号(毫秒级时间41位+机器ID 10位+毫秒内序列12位)组合在一起。

在上面的字符串中，第一位为未使用（实际上也可作为long的符号位），接下来的41位为毫秒级时间，然后5位datacenter标识位，5位机器ID（并不算标识符，实际是为线程标识），然后12位该毫秒内的当前毫秒内的计数，加起来刚好64位，为一个Long型。

除了最高位bit标记为不可用以外，其余三组bit占位均可浮动，看具体的业务需求而定。默认情况下41bit的时间戳可以支持该算法使用到2082年，10bit的工作机器id可以支持1023台机器，序列号支持1毫秒产生4095个自增序列id。下文会具体分析。

这里时间戳的细度是毫秒级，具体代码如下，建议使用64位linux系统机器，因为有vdso，gettimeofday()在用户态就可以完成操作，减少了进入内核态的损耗。

1.snowflake简介

snowflake算法是一款本地生成的（ID生成过程不依赖任何中间件，无网络通信），保证ID全局唯一，并且ID总体有序递增，性能每秒生成300w＋。

2.snowflake算法原理

snowflake生产的ID是一个18位的long型数字，二进制结构表示如下(每部分用-分开):

0 - 00000000 00000000 00000000 00000000 00000000 0 - 00000 - 00000 - 00000000 0000

第一位未使用，接下来的41位为毫秒级时间(41位的长度可以使用69年，从1970-01-01 08:00:00)，然后是5位datacenterId（最大支持2^5＝32个，二进制表示从00000-11111，也即是十进制0-31），和5位workerId（最大支持2^5＝32个，原理同datacenterId），所以datacenterId*workerId最多支持部署1024个节点，最后12位是毫秒内的计数（12位的计数顺序号支持每个节点每毫秒产生2^12＝4096个ID序号）.

所有位数加起来共64位，恰好是一个Long型（转换为字符串长度为18）.

单台机器实例，通过时间戳保证前41位是唯一的，分布式系统多台机器实例下，通过对每个机器实例分配不同的datacenterId和workerId避免中间的10位碰撞。最后12位每毫秒从0递增生产ID，再提一次：每毫秒最多生成4096个ID，每秒可达4096000个。理论上，只要CPU计算能力足够，单机每秒可生产400多万个，实测300w+，效率之高由此可见。

（该节改编自：http://www.cnblogs.com/relucent/p/4955340.html）

3.snowflake算法源码（java版）

1. @ToString

2. @Slf4j

3. public class SnowflakeIdFactory {

5. private final long twepoch = 1288834974657L;

6. private final long workerIdBits = 5L;

7. private final long datacenterIdBits = 5L;

8. private final long maxWorkerId = -1L ^ (-1L << workerIdBits);

9. private final long maxDatacenterId = -1L ^ (-1L << datacenterIdBits);

10. private final long sequenceBits = 12L;

11. private final long workerIdShift = sequenceBits;

12. private final long datacenterIdShift = sequenceBits + workerIdBits;

13. private final long timestampLeftShift = sequenceBits + workerIdBits + datacenterIdBits;

14. private final long sequenceMask = -1L ^ (-1L << sequenceBits);

16. private long workerId;

17. private long datacenterId;

18. private long sequence = 0L;

19. private long lastTimestamp = -1L;

23. public SnowflakeIdFactory(long workerId, long datacenterId) {

24. if (workerId > maxWorkerId || workerId < 0) {

25. throw new IllegalArgumentException(String.format("worker Id can't be greater than %d or less than 0", maxWorkerId));

26. }

27. if (datacenterId > maxDatacenterId || datacenterId < 0) {

28. throw new IllegalArgumentException(String.format("datacenter Id can't be greater than %d or less than 0", maxDatacenterId));

29. }

30. this.workerId = workerId;

31. this.datacenterId = datacenterId;

32. }

34. public synchronized long nextId() {

35. long timestamp = timeGen();

36. if (timestamp < lastTimestamp) {

37. //服务器时钟被调整了,ID生成器停止服务.

38. throw new RuntimeException(String.format("Clock moved backwards. Refusing to generate id for %d milliseconds", lastTimestamp - timestamp));

39. }

40. if (lastTimestamp == timestamp) {

41. sequence = (sequence + 1) & sequenceMask;

42. if (sequence == 0) {

43. timestamp = tilNextMillis(lastTimestamp);

44. }

45. } else {

46. sequence = 0L;

47. }

49. lastTimestamp = timestamp;

50. return ((timestamp - twepoch) << timestampLeftShift) | (datacenterId << datacenterIdShift) | (workerId << workerIdShift) | sequence;

51. }

53. protected long tilNextMillis(long lastTimestamp) {

54. long timestamp = timeGen();

55. while (timestamp <= lastTimestamp) {

56. timestamp = timeGen();

57. }

58. return timestamp;

59. }

61. protected long timeGen() {

62. return System.currentTimeMillis();

63. }

65. public static void testProductIdByMoreThread(int dataCenterId, int workerId, int n) throws InterruptedException {

66. List<Thread> tlist = new ArrayList<>();

67. Set<Long> setAll = new HashSet<>();

68. CountDownLatch cdLatch = new CountDownLatch(10);

69. long start = System.currentTimeMillis();

70. int threadNo = dataCenterId;

71. Map<String,SnowflakeIdFactory> idFactories = new HashMap<>();

72. for(int i=0;i<10;i++){

73. //用线程名称做map key.

74. idFactories.put("snowflake"+i,new SnowflakeIdFactory(workerId, threadNo++));

75. }

76. for(int i=0;i<10;i++){

77. Thread temp =new Thread(new Runnable() {

78. @Override

79. public void run() {

80. Set<Long> setId = new HashSet<>();

81. SnowflakeIdFactory idWorker = idFactories.get(Thread.currentThread().getName());

82. for(int j=0;j<n;j++){

83. setId.add(idWorker.nextId());

84. }

85. synchronized (setAll){

86. setAll.addAll(setId);

87. log.info("{}生产了{}个id,并成功加入到setAll中.",Thread.currentThread().getName(),n);

88. }

89. cdLatch.countDown();

90. }

91. },"snowflake"+i);

92. tlist.add(temp);

93. }

94. for(int j=0;j<10;j++){

95. tlist.get(j).start();

96. }

97. cdLatch.await();

99. long end1 = System.currentTimeMillis() - start;

101. log.info("共耗时:{}毫秒,预期应该生产{}个id, 实际合并总计生成ID个数:{}",end1,10*n,setAll.size());

103. }

105. public static void testProductId(int dataCenterId, int workerId, int n){

106. SnowflakeIdFactory idWorker = new SnowflakeIdFactory(workerId, dataCenterId);

107. SnowflakeIdFactory idWorker2 = new SnowflakeIdFactory(workerId+1, dataCenterId);

108. Set<Long> setOne = new HashSet<>();

109. Set<Long> setTow = new HashSet<>();

110. long start = System.currentTimeMillis();

111. for (int i = 0; i < n; i++) {

112. setOne.add(idWorker.nextId());//加入set

113. }

114. long end1 = System.currentTimeMillis() - start;

115. log.info("第一批ID预计生成{}个,实际生成{}个<<<<*>>>>共耗时:{}",n,setOne.size(),end1);

117. for (int i = 0; i < n; i++) {

118. setTow.add(idWorker2.nextId());//加入set

119. }

120. long end2 = System.currentTimeMillis() - start;

121. log.info("第二批ID预计生成{}个,实际生成{}个<<<<*>>>>共耗时:{}",n,setTow.size(),end2);

123. setOne.addAll(setTow);

124. log.info("合并总计生成ID个数:{}",setOne.size());

126. }

128. public static void testPerSecondProductIdNums(){

129. SnowflakeIdFactory idWorker = new SnowflakeIdFactory(1, 2);

130. long start = System.currentTimeMillis();

131. int count = 0;

132. for (int i = 0; System.currentTimeMillis()-start<1000; i++,count=i) {

133. /** 测试方法一: 此用法纯粹的生产ID,每秒生产ID个数为300w+ */

134. idWorker.nextId();

135. /** 测试方法二: 在log中打印,同时获取ID,此用法生产ID的能力受限于log.error()的吞吐能力.

136. * 每秒徘徊在10万左右. */

137. //log.error("{}",idWorker.nextId());

138. }

139. long end = System.currentTimeMillis()-start;

140. System.out.println(end);

141. System.out.println(count);

142. }

144. public static void main(String[] args) {

145. /** case1: 测试每秒生产id个数?

146. * 结论: 每秒生产id个数300w+ */

147. //testPerSecondProductIdNums();

149. /** case2: 单线程-测试多个生产者同时生产N个id,验证id是否有重复?

150. * 结论: 验证通过,没有重复. */

151. //testProductId(1,2,10000);//验证通过!

152. //testProductId(1,2,20000);//验证通过!

154. /** case3: 多线程-测试多个生产者同时生产N个id, 全部id在全局范围内是否会重复?

155. * 结论: 验证通过,没有重复. */

156. try {

157. testProductIdByMoreThread(1,2,100000);//单机测试此场景,性能损失至少折半!

158. } catch (InterruptedException e) {

159. e.printStackTrace();

160. }

162. }

163. }

测试用例：

/** case1: 测试每秒生产id个数?
 *   结论: 每秒生产id个数300w+ */
//testPerSecondProductIdNums();

/** case2: 单线程-测试多个生产者同时生产N个id,验证id是否有重复?
 *   结论: 验证通过,没有重复. */
//testProductId(1,2,10000);//验证通过!
//testProductId(1,2,20000);//验证通过!

/** case3: 多线程-测试多个生产者同时生产N个id, 全部id在全局范围内是否会重复?
 *   结论: 验证通过,没有重复. */
try {
    testProductIdByMoreThread(1,2,100000);//单机测试此场景,性能损失至少折半!
} catch (InterruptedException e) {
    e.printStackTrace();
}