SnowFlake(雪花算法)

Posted 2023-03-21

参考技术A 首先雪花算法就是生成一个64位的二进制数据，最终转换成长度为19的十进制正整数整型数据

解释一下这64位分别代表什么意思，从左往右。

当然这个算法的强大并不仅仅如此而已，这个算法的时间位、机器位、序列号位都是可以根据不同场景来调整的，那么他们碰撞的几率也随着调整发生改变。

接下来上干货

总体来说算法并不难，思路清晰，其中的牵扯到的知识点就是各个数据间进行位运算，这块知识薄弱的可以去补一补。
一篇文档不仅get到了雪花算法的思想，还发现了就像当初发现随机函数 Random 一样，随机只是在一定范围内随机，唯一只是在某一个时间段唯一。场景是度量算法的尺度，致敬 Twitter 。

雪花算法（SnowFlake）

参考技术A 解决方法：

首先，SnowFlake的末尾12位是序列号，用来记录同一毫秒内产生的不同id，同一毫秒总共可以产生4096个id，每一毫秒的序列号都是从0这个基础序列号开始递增。假设我们的业务系统在单机上的QPS为3w/s，那么其实平均每毫秒只需要产生30个id即可，远没有达到设计的4096，也就是说通常情况下序列号的使用都是处在一个低水位，当发生时钟回拨的时候，这些尚未被使用的序号就可以派上用场了。
因此，可以对给定的基础序列号稍加修改，后面每发生一次时钟回拨就将基础序列号加上指定的步长，例如开始时是从0递增，发生一次时钟回拨后从1024开始递增，再发生一次时钟回拨则从2048递增，这样还能够满足3次的时钟回拨到同一时间点。

改变原来的末尾sequence生成方法：

snowflake算法给workerId预留了10位，即workId的取值范围为[0, 1023]，事实上实际生产环境不大可能需要部署1024个分布式ID服务，所以：将workerId取值范围缩小为[0, 511]，[512, 1023]这个范围的workerId当做备用workerId。workId为0的备用workerId是512，workId为1的备用workerId是513，以此类推……