一个典型的雪花 ID 是一个 64 位的长整型数（long 类型），分为以下几个部分：

示意图

| 0 | 41 位时间戳 | 5 位数据中心 ID | 5 位机器 ID | 12 位序列号 |

• 固定为 0，保证生成的 ID 是正数。

• 从一个自定义的起始时间（Epoch）开始的毫秒数。

• 41 位可以表示约 69 年（241/(1000×60×60×24×365)241/(1000×60×60×24×365)）。

• 分为 5 位数据中心 ID 和 5 位机器 ID，最多支持 1024 个节点。

• 用于在同一毫秒内生成多个 ID。

• 每毫秒最多生成 4096 个 ID（212212）。

优点

• 通过时间戳、机器 ID 和序列号的组合，确保 ID 唯一。

• 本地生成，不依赖锁或数据库，单节点每秒可生成数百万个 ID。

• ID 的时间戳位决定了它按时间递增，有利于数据库索引。

缺点

• 如果机器时间不准确（如回拨），可能会导致重复 ID。

• ID 的长度较长（64 位），相比自增 ID，占用更多存储空间。

以下是一个简单的 Java 实现：

代码实现

public class SnowflakeIdGenerator {    // 起始时间戳（Epoch），建议固定为项目启动时间    private static final long EPOCH = 1609459200000L; // 2021-01-01 00:00:00    // 各部分位数    private static final long WORKER_ID_BITS = 5L; // 机器 ID 位数    private static final long DATA_CENTER_ID_BITS = 5L; // 数据中心 ID 位数    private static final long SEQUENCE_BITS = 12L; // 序列号位数    // 最大值    private static final long MAX_WORKER_ID = ~(-1L << WORKER_ID_BITS); // 31    private static final long MAX_DATA_CENTER_ID = ~(-1L << DATA_CENTER_ID_BITS); // 31    // 位移    private static final long WORKER_ID_SHIFT = SEQUENCE_BITS;    private static final long DATA_CENTER_ID_SHIFT = SEQUENCE_BITS + WORKER_ID_BITS;    private static final long TIMESTAMP_SHIFT = SEQUENCE_BITS + WORKER_ID_BITS + DATA_CENTER_ID_BITS;    // 序列号掩码    private static final long SEQUENCE_MASK = ~(-1L << SEQUENCE_BITS); // 4095    private long workerId; // 机器 ID    private long dataCenterId; // 数据中心 ID    private long sequence = 0L; // 当前序列号    private long lastTimestamp = -1L; // 上一次生成 ID 的时间戳    // 构造器    public SnowflakeIdGenerator(long workerId, long dataCenterId) {        if (workerId > MAX_WORKER_ID || workerId < 0) {            throw new IllegalArgumentException("Worker ID out of range");        }        if (dataCenterId > MAX_DATA_CENTER_ID || dataCenterId < 0) {            throw new IllegalArgumentException("Data Center ID out of range");        }        this.workerId = workerId;        this.dataCenterId = dataCenterId;    }    // 生成 ID    public synchronized long nextId() {        long timestamp = currentTime();        // 如果当前时间小于上次时间，说明时钟回拨        if (timestamp < lastTimestamp) {            throw new RuntimeException("Clock moved backwards. Refusing to generate ID");        }        // 如果是同一毫秒内，增加序列号        if (timestamp == lastTimestamp) {            sequence = (sequence + 1) & SEQUENCE_MASK;            // 序列号用尽            if (sequence == 0) {                timestamp = waitNextMillis(lastTimestamp); // 等到下一毫秒            }        } else {            sequence = 0L; // 不同毫秒，重置序列号        }        lastTimestamp = timestamp;        // 生成 ID        return ((timestamp - EPOCH) << TIMESTAMP_SHIFT) // 时间戳部分                | (dataCenterId << DATA_CENTER_ID_SHIFT) // 数据中心部分                | (workerId << WORKER_ID_SHIFT) // 机器 ID 部分                | sequence; // 序列号部分    }    // 等待下一毫秒    private long waitNextMillis(long lastTimestamp) {        long timestamp = currentTime();        while (timestamp <= lastTimestamp) {            timestamp = currentTime();        }        return timestamp;    }    // 获取当前时间    private long currentTime() {        return System.currentTimeMillis();    }    // 测试    public static void main(String[] args) {        SnowflakeIdGenerator generator = new SnowflakeIdGenerator(1, 1);        for (int i = 0; i < 10; i++) {            System.out.println(generator.nextId());        }    }}

解决时间回拨问题：

• 检测到时间回拨时，可以引入一定的等待机制，或者记录时间戳偏移。

• 使用 NTP 服务校准时间。

调整结构：

• 缩减时间戳位数，增加机器 ID 位数，用于更多节点场景。

• 增加序列号位数，适应极高并发场景。

• 增加或减少各部分位数，以适应特定业务场景。例如：

分布式改进：

• 雪花 ID 算法可以部署在多个节点上，利用 ZooKeeper 或 Etcd 分配唯一的工作机器 ID 和数据中心 ID。

06

直击面试

6.1 什么是雪花算法（Snowflake）？

问题解析：这个问题主要考察你对雪花算法的基础理解，尤其是它如何工作和为什么被广泛使用。

参考答案：雪花算法是由 Twitter 提出的分布式 ID 生成算法，用于在分布式系统中生成全局唯一且有序的 ID。雪花算法生成的 ID 通常为 64 位二进制数，其中包含以下几个部分：

• 1 位符号位：通常为 0（表示正数）。

• 41 位时间戳：表示从某个固定时间（通常是纪元时间，如 1970 年 1 月 1 日）开始的毫秒数，能够支持 69 年的时间跨度。

• 10 位机器 ID：可以表示 1024 个不同的节点或机器。

• 12 位序列号：用于同一毫秒内生成多个 ID，最多每毫秒能生成 4096 个唯一 ID。

雪花算法的核心是基于时间戳生成递增的 ID，能够在分布式系统中生成唯一且有序的 ID。

6.2 雪花算法生成的 ID 为什么是唯一的？

问题解析：考察你对雪花算法设计原理的理解，特别是如何确保全局唯一性。

参考答案：雪花算法能够生成唯一的 ID 主要基于以下几个因素：

• 时间戳：时间戳是基于毫秒的，可以确保同一时刻生成的 ID 不会重复。时间戳的位数足够长（41 位），可以支持大约 69 年的 ID 生成。

• 机器 ID：每个机器（节点）都有一个唯一的机器 ID。雪花算法将机器 ID 分配给不同的机器，确保每台机器生成的 ID 不会重复。

• 序列号：每个机器在同一毫秒内可以生成多个 ID，最多支持每毫秒生成 4096 个 ID。每次生成 ID 时，序列号自增，确保同一毫秒内的多个 ID 不会冲突。

通过时间戳、机器 ID 和序列号的组合，雪花算法可以保证生成的 ID 在分布式环境中是唯一的。

6.3 雪花算法生成 ID 是如何保证有序的？

问题解析：这个问题考察你对雪花算法在生成 ID 时如何保持顺序性的理解。

参考答案：雪花算法保证生成的 ID 有序主要是通过时间戳来实现的。由于雪花算法的 ID 由时间戳和自增序列号组成，其中时间戳部分是按毫秒递增的。因此，生成的 ID 会随着时间的推移而递增。

• 时间戳递增：由于时间戳是基于毫秒的，每次生成的 ID 时间戳部分会递增，确保生成的 ID 按时间顺序排列。

• 序列号递增：在同一毫秒内，雪花算法通过自增的序列号来区分不同的 ID，因此，同一毫秒内生成的 ID 也能按顺序排列。

总之，雪花算法通过时间戳的递增以及序列号的自增来保证 ID 的有序性。

6.4 雪花算法能支持多少个机器节点并发生成 ID？

问题解析：这个问题考察你对雪花算法中机器 ID 和节点数量的理解。

参考答案：雪花算法中，机器 ID 部分使用了 10 位 来表示，因此可以支持 2^10 = 1024 个不同的机器节点或工作进程。在一个集群中，如果有 1024 个机器节点，雪花算法能够确保每个节点生成的 ID 唯一。

如果节点数超过 1024 个，可以通过扩展机器 ID 的位数来增加可支持的机器节点数，但这需要修改雪花算法的位数划分。

6.5 雪花算法的时钟回拨问题如何解决？

问题解析：这个问题考察你对雪花算法中的时钟回拨问题的理解，以及如何解决该问题。

参考答案：时钟回拨是指机器的系统时间发生回退，例如由手动调整时间或系统故障导致。在雪花算法中，时钟回拨会导致生成的 ID 不连续，甚至重复。

为了避免这个问题，雪花算法使用了以下几种策略：

• 监控时钟回拨：雪花算法会监控系统时间是否发生回拨。如果检测到回拨，算法会停止生成新的 ID，直到系统时间恢复正常。

• 等待机制：如果检测到时钟回拨，雪花算法会等待一段时间，直到系统时间回到一个安全的状态。这样可以避免生成重复的 ID。

• 回退机制：如果时钟回拨，雪花算法可以回退到最近的合法时间戳，继续生成 ID，确保 ID 的递增性。

通过这些机制，雪花算法能够有效避免时钟回拨带来的问题。

6.6 雪花算法生成的 ID 为什么是 64 位？

问题解析：考察你对雪花算法位数划分的理解，尤其是为什么选择 64 位来表示 ID。

参考答案：雪花算法生成的 ID 是 64 位的，64 位的设计是为了满足以下需求：

• 时间戳部分（41 位）：用于表示生成 ID 的时间，精度到毫秒。41 位的时间戳可以表示约 69 年的时间跨度，足够支持大规模系统的需求。

• 机器 ID 部分（10 位）：用于表示生成 ID 的机器节点或数据中心的标识符。10 位可以支持最多 1024 个机器节点或数据中心。

• 序列号部分（12 位）：用于表示同一毫秒内生成的多个 ID。12 位的序列号可以在同一毫秒内生成最多 4096 个唯一 ID。

64 位的设计既能保证 ID 的唯一性，又能够支持高并发和大规模的分布式系统。

6.7 雪花算法与 Redis 自增 ID 相比有什么优势和劣势？

问题解析：这个问题考察你对雪花算法与 Redis 自增 ID 的对比理解。

参考答案：雪花算法和 Redis 自增 ID 各自有优缺点，适用于不同的场景：

• 雪花算法的优势：

• 分布式生成：雪花算法可以在多个机器节点上并行生成全局唯一的 ID，避免了单点故障和性能瓶颈。

• 高效生成：雪花算法生成 ID 非常高效，可以支持高并发的场景。

• 有序性：生成的 ID 基于时间戳递增，因此具有顺序性，适合需要排序的场景。

• 无依赖性：不依赖于外部服务，如 Redis，不会成为单点故障。

• Redis 自增 ID 的优势：

• 简单易用：通过 Redis 的 INCR 命令可以简单地生成自增 ID，使用起来非常方便。

• 支持高并发：Redis 的单线程模型非常适合高并发的场景。

• 雪花算法的劣势：

• 机器配置复杂：需要提前配置机器 ID 和数据中心 ID，管理起来较为复杂。

• 时钟回拨问题：雪花算法受系统时钟的影响，时钟回拨可能导致 ID 冲突。

• Redis 自增 ID 的劣势：

• 单点故障：如果 Redis 实例宕机且没有持久化机制，可能导致已生成的 ID 丢失。

• 性能瓶颈：高并发场景下，Redis 可能成为性能瓶颈，尤其是在单个节点上进行 ID 生成时。

6.8 雪花算法如何支持秒级别的 ID 生成？

问题解析：考察你对雪花算法的扩展性和优化的理解，尤其是在生成 ID 时的时间精度。

参考答案：雪花算法默认是基于毫秒级别的时间戳来生成 ID，精度是 1 毫秒。如果需要生成秒级别的 ID，可以通过以下几种方式：

• 降低时间戳精度：可以将时间戳的精度降低到秒级（例如将 41 位的时间戳中的低 10 位调整为 0），从而生成秒级别的 ID。

• 增加序列号的位数：通过增加序列号部分的位数，可以在每秒内生成更多的 ID

扫码关注

一起积累后端知识

不积跬步，无以至千里

不积小流，无以成江海