# Twitter 的雪花算法（SnowFlake）
# 0. UUID
UUID（Universally Unique Identifier，通用唯一识别码）是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 是由一组 32 位数的 16 进制数字所构成，是故 UUID 理论上的总数为1632=2128，约等于 3.4 x 10123。
也就是说若每纳秒产生 1 百万个 UUID，要花 100 亿年才会将所有 UUID 用完。
UUID 通常以连字号分隔的五组来显示，形式为 8-4-4-4-12，总共有 36 个字符（即 32 个英数字母和 4 个连字号）。例如： 123e4567-e89b-12d3-a456-426655440000 。
JDK 从 1.5 开始在 java.util 包下提供了一个 UUID 类用来生成 UUID：
UUID uuid = UUID.randomUUID();
String uuidStr1 = uuid.toString();
String uuidStr2 = uuidStr1.replaceAll("-","");
# 1. UUID 的缺点和一个『好』ID 的标准
为了得到一个全局唯一 ID，很自然地就会想到 UUID 算法。但是，UUID 算法有明显的缺点：
UUID 太长了。16 个字节（128 位），通常以 36 长度的字符串表示，很多场景不适用。
非纯数字。UUID 中会出现 ABCDEF 这些十六进制的字母，因此，在数据库和代码中，自然就不能存储在整型字段或变量中。因此，在数据库中以它作为主键，建立索引的代价比较大，性能有影响。
不安全。UUID 中会包含网卡的 MAC 地址。
从 UUID 的缺点我们也能推导出一个『好』ID 的标准应该有哪些：
最好是由纯数字组成。
越短越好，最好能存进整型变量和数据库的整型字段中。
信息安全。另外，『ID 连续』并非好事情。
在不连续的情况下，最好是递增的。即便不是严格递增，至少也应该是趋势递增。
# 2. SnowFlake 的原理
Snowflake 是 Twitter 开源的分布式 ID 生成算法。最初 Twitter 把存储系统从 MySQL 迁移到 Cassandra，因为Cassandra 没有顺序 ID 生成机制，所以 Twitter 开发了这样一套全局唯一 ID 生成服务。
SnowFlake 的优点是，整体上按照时间自增排序，并且整个分布式系统内不会产生 ID 碰撞（由数据中心 ID 和机器 ID 作区分），并且效率较高。
经测试，SnowFlake 每秒能够产生 26 万 ID 左右。
Snowflake 会生成一个 long 类型的 id 值，Snowflake 对于 long 的各个位都有固定的规范：
SnowFlake 所生成的 ID 的结构如下（为便于理解，这里额外加上了 - 和空格作分隔符）:
0 - 0000000000 0000000000 0000000000 0000000000 0 - 00000 00000 - 000000000000
最高位标识（1 位）
由于 long 基本类型在 Java 中是带符号的，最高位是符号位，正数是 0，负数是 1，所以 id 一般是正数，最高位是 0 。
毫秒级时间截（41 位）
注意，41 位时间截不是存储当前时间的时间截，而是存储时间截的差值（当前时间截 - 开始时间截) 得到的值，这里的的开始时间截，一般是我们的 id 生成器开始使用的时间，由我们程序来指定的（如下面程序 IdGenerator 类的 startTime 属性）。
41 位的时间截，可以使用 69 年。
(1L << 41) / (1000L * 60 * 60 * 24 * 365) = 69数据机器位（10 位）
这 10 位的机器位实际上是由 5 位的 data-center-id 和 5 位的 worker-id 。
在 Twitter 的设计中，最多支持 32 个数据中心（地方），每个中心（地方）最多由 32 台电脑各自计算 ID 。即，总共允许存在 1024 台电脑各自计算 ID 。
每台电脑都由 data-center-id 和 worker-id 标识，逻辑上类似于联合主键的意思。
顺序号（12 位）
毫秒内的计数，12 位的计数顺序号支持每个节点每毫秒（同一机器，同一时间截）产生 4096 个 ID 序号。
# 3. Snowfake 实现源码
public class SnowflakeIdGenerator {
// ==============================Fields===========================================
// 所占位数、位移、掩码/极大值
private static final long sequenceBits = 12L;
private static final long sequenceShift = 0L;
private static final long sequenceMask = ~(-1L << sequenceBits);
private static final long workerIdBits = 5L;
private static final long workerIdShift = sequenceBits;
private static final long workerIdMask = ~(-1L << workerIdBits);
private static final long dataCenterIdBits = 5L;
private static final long dataCenterIdShift = sequenceBits + workerIdBits;
private static final long dataCenterIdMask = ~(-1L << dataCenterIdBits);
private static final long timestampBits = 41L;
private static final long timestampLeftShift = sequenceBits + workerIdBits + dataCenterIdBits;
private static final long timestampMask = ~(-1L << timestampBits);
/**
* 开始时间截 (2015-01-01)
*/
private static final long twepoch = 1420070400000L;
/*
* Instant instant = Instant.parse("2015-01-01T00:00:00Z");
* System.out.println(instant.getEpochSecond());
* System.out.println(instant.toEpochMilli());
*/
private long sequence = 0L;
private long workerId;
private long dataCenterId;
/**
* 上次生成 ID 的时间截
*/
private long lastTimestamp = -1L;
//==============================Constructors=====================================
public SnowflakeIdGenerator() {
this(0, 0);
}
/**
* 构造函数
*
* @param workerId 工作ID (0~31)
* @param dataCenterId 数据中心 ID (0~31)
*/
public SnowflakeIdGenerator(long workerId, long dataCenterId) {
if (workerId > workerIdMask || workerId < 0) {
throw new IllegalArgumentException(String.format("workerId can't be greater than %d or less than 0", workerIdMask));
}
if (dataCenterId > dataCenterIdMask || dataCenterId < 0) {
throw new IllegalArgumentException(String.format("dataCenterId can't be greater than %d or less than 0", dataCenterIdMask));
}
this.workerId = workerId;
this.dataCenterId = dataCenterId;
}
// ============================== Methods ==========================================
/**
* 获得下一个 ID (该方法是线程安全的，synchronized)
*/
public synchronized long nextId() {
long timestamp = timeGen();
// 如果当前时间小于上一次 ID 生成的时间戳，说明系统时钟回退过，这个时候应当抛出异常。
// 出现这种原因是因为系统的时间被回拨，或出现闰秒现象。
// 你也可以不抛出异常，而是调用 tilNextMillis 进行等待
if (timestamp < lastTimestamp) {
throw new RuntimeException(
String.format("Clock moved backwards. Refusing to generate id for %d milliseconds", lastTimestamp - timestamp));
}
// 如果是同一时间生成的，则进行毫秒内序列
if (lastTimestamp == timestamp) {
// 相同毫秒内，序列号自增
sequence = (sequence + 1) & sequenceMask;
// 毫秒内序列溢出，即，同一毫秒的序列数已经达到最大
if (sequence == 0) {
// 阻塞到下一个毫秒,获得新的时间戳
timestamp = tilNextMillis(lastTimestamp);
}
}
// 时间戳改变，毫秒内序列重置
else {
sequence = 0L;
}
// 将当前生成的时间戳记录为『上次时间戳』。『下次』生成时间戳时要用到。
lastTimestamp = timestamp;
// 移位并通过或运算拼到一起组成 64 位的 ID
return ((timestamp - twepoch) << timestampLeftShift) // 时间戳部分
| (dataCenterId << dataCenterIdShift) // 数据中心部分
| (workerId << workerIdShift) // 机器标识部分
| sequence; // 序列号部分
}
/**
* 阻塞到下一个毫秒，直到获得新的时间戳
*
* @param lastTimestamp 上次生成ID的时间截
* @return 当前时间戳
*/
protected long tilNextMillis(long lastTimestamp) {
long timestamp = timeGen();
while (timestamp <= lastTimestamp) {
timestamp = timeGen();
}
return timestamp;
}
/**
* 阻塞到下一个毫秒，直到获得新的时间戳
*
* @param timestamp 当前时间错
* @param lastTimestamp 上次生成ID的时间截
* @return 当前时间戳
*/
protected long tilNextMillis(long timestamp, long lastTimestamp) {
while (timestamp <= lastTimestamp) {
timestamp = timeGen();
}
return timestamp;
}
/**
* 返回以毫秒为单位的当前时间
*
* @return 当前时间(毫秒)
*/
protected long timeGen() {
return System.currentTimeMillis();
}
//==============================Test=============================================
/**
* 测试
*/
public static void main(String[] args) {
System.out.println(System.currentTimeMillis());
SnowflakeIdGenerator idWorker = new SnowflakeIdGenerator(1, 1);
long startTime = System.nanoTime();
for (int i = 0; i < 50000; i++) {
long id = idWorker.nextId();
System.out.println(id);
}
System.out.println((System.nanoTime() - startTime) / 1000000 + "ms");
}
}
# 解决时间回拨问题
原生的 Snowflake 算法是完全依赖于时间的，如果有时钟回拨的情况发生，会生成重复的 ID，市场上的解决方案也是不少。简单粗暴的办法有：
最简单的方案，就是关闭生成唯一 ID 机器的时间同步。
使用阿里云的的时间服务器进行同步，2017 年 1 月 1 日的闰秒调整，阿里云服务器 NTP 系统 24 小时“消化”闰秒，完美解决了问题。
如果发现有时钟回拨，时间很短比如 5 毫秒，就等待，然后再生成。或者就直接报错，交给业务层去处理。