博客
关于我
全局唯一 ID 服务的分布式ID生成系统
阅读量:298 次
发布时间:2019-03-01

本文共 965 字,大约阅读时间需要 3 分钟。

在复杂分布式系统中,如何为大量数据和消息生成唯一标识是一个关键问题。美团点评金融、支付、餐饮、酒店、猫眼电影等系统日益扩展,面临着数据分库分表后的唯一标识需求。传统的自增ID无法满足业务需求,因此设计一个高效、安全的全局唯一ID生成系统显得尤为重要。

ID号的核心要求

  • 全局唯一性

    ID必须确保唯一性,避免重复。

  • 趋势递增

    在MySQL InnoDB中,使用聚集索引,B-tree数据结构的主键应尽量选择有序的形式,以提升写入性能。

  • 单调递增

    某些场景(如事务版本号、IM增量消息)要求ID呈单调递增,确保后续ID总大于前一个。

  • 信息安全

    连续性ID易遭受攻击,恶意用户可按顺序下载数据,订单号等危害更大。因此,ID需无规则化。

  • ID生成系统的设计要求

  • 高性能

    平均延迟和TP999指标需尽可能低。

  • 高可用性

    系统需5个9的可用性,确保关键业务不受影响。

  • 高QPS

    支持大规模并发请求。

  • 常见方案分析

    UUID(Universally Unique Identifier)

    • 优点

      本地生成,无网络消耗,性能高。

    • 缺点

      UUID长度较长(128位),存储困难;信息不安全,基于MAC地址生成易泄露。

    Leaf-segment方案

    • 优点

      线性扩展方便,性能稳定,支持大规模部署。

    • 缺点

      ID缺乏随机性,信息安全性较低;TP999指标波动较大,DB宕机可能导致服务不可用。

    Leaf-snowflake方案

    • 优点

      采用雪花算法设计,结合时间、机器码、PID、增量序列,ID趋势递增。

    • 缺点

      强依赖时钟,时钟回拨可能导致重复ID;依赖Zookeeper,可能引发一致性问题。

    Leaf系统在美团点评的应用

    Leaf系统已在美团点评内部服务中应用,支持金融、支付、餐饮等多个业务线。目前性能达4C8G机器QPS近5w/s,TP999指标1ms,提供亿级调用量,满足高性能、高可用性要求。

    Leaf系统采用双buffer优化和容灾机制,确保在DB宕机期间仍能持续发号,最大化系统稳定性。同时,服务化架构支持负载均衡和过载保护,保证高SLA。

    参考资料

    • 斯奇茨. 《高性能MySQL》. 电子工业出版社, 2010:162-171.

    通过以上分析,Leaf系统展示了其在高性能、高可用性和信息安全方面的优势,为业务提供了可靠的唯一标识生成方案。

    转载地址:http://bjqa.baihongyu.com/

    你可能感兴趣的文章
    Python:如果DataFrames之间的其他值匹配,则对DataFrame中的值求和
    查看>>
    Python:字典思维
    查看>>
    Python:将 HEX 字符串转换为字节
    查看>>
    Python:将列表与范围列表合并
    查看>>
    Python:将列表列表初始化为一定大小,
    查看>>
    Python:带有生成器的给定集合的幂集
    查看>>
    Python:按字符的位置拆分字符串
    查看>>
    Python:替换嵌套字典中的值
    查看>>
    Python:爬取数据出现response.status_code为403解决方法
    查看>>
    Python:爬取数据出现response.status_code为418解决方法
    查看>>
    Python:生成“元组集“;来自“元组列表“;不考虑顺序
    查看>>
    Python:生成具有趋势的随机时间序列数据(例如周期性、指数衰减等)
    查看>>
    Python:用渐进式数字重命名列表中的重复项而不对列表进行排序
    查看>>
    Python:矩形参数无效
    查看>>
    Python:语法进阶
    查看>>
    Python:调用复制函数时调用 Python 对象时超出了最大递归深度
    查看>>
    Python:这两个 import 语句有什么区别?
    查看>>
    Python:通过串口从 Velleman k8090 读取数据
    查看>>
    python:遍历具有列表值的字典
    查看>>
    Python:降低精度 pandas 时间戳数据帧
    查看>>