分布式ID解決方案
在遊戲開發中,我們使用分布式ID。有很多優點
- 便於合服
- 便於ID管理
- 等等
一、單服各自ID系統的弊端
1. 列如合服
在遊戲上線後,合服是避免不了的事情。如果按照傳統的數據庫表自增來作為數據的唯一ID、或者每個遊戲中是相同的自增。這樣在合服的時候你就會相當的麻煩了。
比如上圖我們要把GameServer_2的數據合並到GameServer_1中,它們都有一個Player ID = 1的玩家,這個時候你就必須要重建GameServer_2中的Player_ID了。而引用了PlayerID的相關數據的PlayerID也全部需要修改。這還只是PlayerID的變化。在遊戲中很多的表和關聯,如果都要去修正ID,想想都可怕!
2. ID管理
在很多手遊、頁遊中。都設計有跨服系統。一旦ID是各自自增。在跨服服務器你就傻傻分不清楚了。還有比如GM後臺查詢等等一系列問題。
二、分布式ID推薦
為了解決上面的問題,最好的解決辦法就是采用分布式ID方案,分布式ID方案很多。java有自帶的UUID。但是考慮到排序、存儲空間等。UUID不是最佳的解決方案。下面我介紹一種分布式ID解決方案。
Twitter_Snowflake
SnowFlake的結構如下(每部分用-分開):
0 - 0000000000 0000000000 0000000000 0000000000 0 - 00000 - 00000 - 000000000000
1位標識,由於long基本類型在Java中是帶符號的,最高位是符號位,正數是0 ,負數是1,所以id一般是正數,最高位是0
41位時間截(毫秒級),註意,41位時間截不是存儲當前時間的時間截,而是存儲時間截的差值(當前時間截 - 開始時間截)
得到的值),這裏的的開始時間截,一般是我們的id生成器開始使用的時間,由我們程序來指定的(如下下面程序IdWorker類的startTime屬性)。41位的時間截,可以使用69年,年T = (1L << 41) / (1000L * 60 * 60 * 24 * 365) = 69
10位的數據機器位,可以部署在1024個節點,包括5位datacenterId和5位workerId<br>
12位序列,毫秒內的計數,12位的計數順序號支持每個節點每毫秒(同一機器,同一時間截)產生4096個ID序號
加起來剛好64位,為一個Long型。<br>
SnowFlake的優點是,整體上按照時間自增排序,並且整個分布式系統內不會產生ID碰撞(由數據中心ID和機器ID作區分),並且效率較高,經測試,SnowFlake每秒能夠產生26萬ID左右。
上面這種分位,可能有些不是很適合服務器很多的遊戲。這裏留給我們可部署的服務器節點站位10個
System.out.print(1 << 10);
算得結果就是1024個服務器,1024個服務器對於大多數遊戲應該是夠用了。但是極個別的1024個服務器節點可能不夠。我們可以有很多辦法解決此問題。
1.獨立ID服務器:
同一個ID_SERVER可以同時為多個遊戲服務器提供ID,遊戲服務器可以固定自定ID服務器,也可以吧ID服務器做成集群。這樣我們的遊戲就不受1024個節點的限制了!
但是有註意的一點,不要一個一個的去拿ID。畢竟不是當前進程去遠程拿ID還是有網絡、IO等消耗。較好的做法是一次拿一批,比如每次拿1000個然後緩存在本地服務器,當1000個快要耗盡時再去拿一批ID。
2.就是改Snowflake的分位
Snowflake能使用69年,如果覺得時間過長可以縮短時間的位數。比如39位可以用17年。那麽我們機器標示就是12位就可以有4096個服務器節點。如果還是覺得不好我們可以把單位時間做到秒級時間占31位,我們現在還有32位可支配。後面自增系列16位,一秒鐘可以生成65536個ID,同樣機器標示位16位也可以65536個服務器節點。怎麽組合就看你自己的需求了。
Snowflake源碼
package com.sojoys.artifact.tools;
/**
* Twitter_Snowflake<br>
* SnowFlake的結構如下(每部分用-分開):<br>
* 0 - 0000000000 0000000000 0000000000 0000000000 0 - 00000 - 00000 - 000000000000 <br>
* 1位標識,由於long基本類型在Java中是帶符號的,最高位是符號位,正數是0,負數是1,所以id一般是正數,最高位是0<br>
* 41位時間截(毫秒級),註意,41位時間截不是存儲當前時間的時間截,而是存儲時間截的差值(當前時間截 - 開始時間截)
* 得到的值),這裏的的開始時間截,一般是我們的id生成器開始使用的時間,由我們程序來指定的(如下下面程序IdWorker類的startTime屬性)。41位的時間截,可以使用69年,年T = (1L << 41) / (1000L * 60 * 60 * 24 * 365) = 69<br>
* 10位的數據機器位,可以部署在1024個節點,包括5位datacenterId和5位workerId<br>
* 12位序列,毫秒內的計數,12位的計數順序號支持每個節點每毫秒(同一機器,同一時間截)產生4096個ID序號<br>
* 加起來剛好64位,為一個Long型。<br>
* SnowFlake的優點是,整體上按照時間自增排序,並且整個分布式系統內不會產生ID碰撞(由數據中心ID和機器ID作區分),並且效率較高,經測試,SnowFlake每秒能夠產生26萬ID左右。
*/
public class SnowflakeIdWorker {
// ==============================Fields===========================================
/** 開始時間截 (2015-01-01) */
private final long twepoch = 1420041600000L;
/** 機器id所占的位數 */
private final long workerIdBits = 5L;
/** 數據標識id所占的位數 */
private final long datacenterIdBits = 5L;
/** 支持的最大機器id,結果是31 (這個移位算法可以很快的計算出幾位二進制數所能表示的最大十進制數) */
private final long maxWorkerId = -1L ^ (-1L << workerIdBits);
/** 支持的最大數據標識id,結果是31 */
private final long maxDatacenterId = -1L ^ (-1L << datacenterIdBits);
/** 序列在id中占的位數 */
private final long sequenceBits = 12L;
/** 機器ID向左移12位 */
private final long workerIdShift = sequenceBits;
/** 數據標識id向左移17位(12+5) */
private final long datacenterIdShift = sequenceBits + workerIdBits;
/** 時間截向左移22位(5+5+12) */
private final long timestampLeftShift = sequenceBits + workerIdBits + datacenterIdBits;
/** 生成序列的掩碼,這裏為4095 (0b111111111111=0xfff=4095) */
private final long sequenceMask = -1L ^ (-1L << sequenceBits);
/** 工作機器ID(0~31) */
private long workerId;
/** 數據中心ID(0~31) */
private long datacenterId;
/** 毫秒內序列(0~4095) */
private long sequence = 0L;
/** 上次生成ID的時間截 */
private long lastTimestamp = -1L;
//==============================Constructors=====================================
/**
* 構造函數
* @param workerId 工作ID (0~31)
* @param datacenterId 數據中心ID (0~31)
*/
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;
}
// ==============================Methods==========================================
/**
* 獲得下一個ID (該方法是線程安全的)
* @return SnowflakeId
*/
public synchronized long nextId() {
long timestamp = timeGen();
//如果當前時間小於上一次ID生成的時間戳,說明系統時鐘回退過這個時候應當拋出異常
if (timestamp < lastTimestamp) {
throw new RuntimeException(
String.format("Clock moved backwards. Refusing to generate id for %d milliseconds", lastTimestamp - timestamp));
}
//如果是同一時間生成的,則進行毫秒內序列
if (lastTimestamp == timestamp) {
sequence = (sequence + 1) & sequenceMask;
//毫秒內序列溢出
if (sequence == 0) {
//阻塞到下一個毫秒,獲得新的時間戳
timestamp = tilNextMillis(lastTimestamp);
}
}
//時間戳改變,毫秒內序列重置
else {
sequence = 0L;
}
//上次生成ID的時間截
lastTimestamp = timestamp;
//移位並通過或運算拼到一起組成64位的ID
return ((timestamp - twepoch) << timestampLeftShift) //
| (datacenterId << datacenterIdShift) //
| (workerId << workerIdShift) //
| sequence;
}
/**
* 阻塞到下一個毫秒,直到獲得新的時間戳
* @param lastTimestamp 上次生成ID的時間截
* @return 當前時間戳
*/
protected long tilNextMillis(long lastTimestamp) {
long timestamp = timeGen();
while (timestamp <= lastTimestamp) {
timestamp = timeGen();
}
return timestamp;
}
/**
* 返回以毫秒為單位的當前時間
* @return 當前時間(毫秒)
*/
protected long timeGen() {
return System.currentTimeMillis();
}
//==============================Test=============================================
/** 測試 */
public static void main(String[] args) {
SnowflakeIdWorker idWorker = new SnowflakeIdWorker(0, 0);
for (int i = 0; i < 1000; i++) {
long id = idWorker.nextId();
System.out.println(Long.toBinaryString(id));
System.out.println(id);
}
}
}
? 著作權歸作者所有
原文地址:https://my.oschina.net/dengying/blog/1838133
分布式ID解決方案