分布式 ID:雪花、号段与 Redis 自增的 3 个取舍

分布式 ID:雪花、号段与 Redis 自增的 3 个取舍

分布式 ID 看起来是个小工具,但它把三个互相冲突的要求绑在一起:全局唯一、趋势有序、高可用。

唯一是底线;有序决定了数据库插入的性能(随机的 ID 会让 B+ 树频繁裂页);高可用决定了发号服务能不能成为新的单点。三种主流方案,本质上是在这三者之间各让一步。

一、雪花算法:把时间写进 ID

雪花的思路是把 64 位切成几段:1 位符号位、41 位时间戳、10 位机器号、12 位序列号。时间戳在前,所以生成的 ID 天然趋势递增;机器号保证多节点不冲突;序列号解决同一毫秒内的并发。

它最大的优点是不依赖任何外部服务,纯本地计算,单节点每秒能发几十万个。任何需要低延迟发号的场景,它都是首选。

它的软肋有两个。

时钟回拨。 服务器时间被 NTP 往回校准,或者虚拟机迁移后时间跳动,就可能生成和之前重复的 ID。工程上的处理有三种:回拨幅度小(几十毫秒)就等它追上来;幅度大就拒绝服务并告警;更彻底的做法是记录"上次发号的最大时间戳",新时间小于它就直接报错,绝不冒险。

机器号分配。 10 位机器号最多 1024 个节点。容器化环境下 Pod 频繁重启、IP 变化,机器号怎么稳定分配本身就是个问题。常见做法是启动时从配置中心或数据库领一个,配合租约续期。

二、号段模式:批量发号,降低依赖

号段的思路是:不每次访问数据库,而是一次领一批。数据库里存每个业务的当前最大值,发号服务一次取 1000 个放进内存,用完再取。

好处很明显:数据库压力降低到千分之一,发号是内存操作,延迟极低;ID 严格递增,插入性能好。

代价是空洞。服务重启时,内存里没用完的号段就丢了,ID 出现跳号。业务上如果要求 ID 连续(比如发票号、流水号),号段就不能直接用。

另一个代价是依赖没有消失,只是变少了。双 buffer(内存里常备两个号段,一个用完切另一个,同时异步预取)能把数据库抖动的影响降到最低,但数据库本身仍然是瓶颈------所有发号实例都去抢同一行,会有行锁竞争。解决办法是拆多行、按步长错开,比如两个实例一个取 0~999,另一个取 1000~1999。

三、Redis 自增:简单,但要知道它的边界

INCR 天然原子、单线程执行、性能极高,几行逻辑就能发号。很多项目早期都是这么做的。

它的三个问题需要提前想清楚:

持久化丢号。 Redis 的 RDB 是定期快照,AOF 有 fsync 策略。如果发生主从切换且异步复制还没同步,新的主节点可能从旧值开始,导致重复发号。这不是理论问题------主从切换时的丢数据窗口是真实存在的。

单点与热点。 单个 key 的自增是天然热点,QPS 再高也只能落到一个实例上。分片能解决(比如按业务拆 key),但分片之后就失去了全局递增。

容量规划。 号用完怎么办、key 被误删怎么办,都要有预案。

Redis 自增适合对连续性要求不高、量不大、已经在用 Redis 的场景。拿它做订单号,要额外加上主从切换的防护。

四、三者的取舍对比

维度 雪花 号段 Redis 自增
依赖 无 数据库 Redis
性能 极高(本地计算) 高(内存发号) 高但有网络开销
连续性 趋势递增,可能跳号 趋势递增,重启跳号 严格递增
主要风险 时钟回拨 号段空洞、数据库行锁 主从切换重复
运维复杂度 机器号分配 中 低

五、常见的组合做法

实际系统很少只用一种。

  • 对外暴露的 ID 用雪花,因为不需要协调、性能最好;对外展示时再做一次混淆(比如把 ID 做对称加密或加前缀),避免暴露业务量。
  • 数据库主键用号段,保持递增以提升插入性能。
  • Redis 自增用于不需要严格唯一的场景,比如消息序号、限流计数。

还有一个容易被忽略的点:ID 的长度和可读性也是成本。19 位数字在 Excel 里会被截断精度,在前端 JS 里超过安全整数范围(2^53)会丢精度。所以很多系统会把雪花 ID 转成字符串传输,或者直接换成 64 位以内的字符串方案。

六、瓶颈与优化

雪花的瓶颈是时钟。 要监控 NTP 同步状态和时钟偏移;容器环境要确保宿主机时间一致;跨机房部署时,机器号要分段分配,避免两边撞号。

号段的瓶颈是数据库竞争。 双 buffer、多行拆分、按业务隔离,三个手段组合使用。监控重点是"号段剩余量"和"预取失败次数"。

Redis 的瓶颈是可用性。 主从切换的丢号窗口要靠业务容忍或额外校验来兜。监控重点是切换事件和 key 的剩余范围。

所有方案的共同瓶颈是"发号服务本身成了单点"。 发号服务要无状态、可水平扩展,客户端 SDK 要有本地缓存和降级策略。

七、怎么选:三个问题

  1. ID 要不要严格连续? 要,只能选数据库自增或号段(并接受空洞);不要,雪花最省事。
  2. 能不能接受一个中心化依赖? 不能,选雪花;能,号段和 Redis 都行。
  3. 有没有跨机房? 有,雪花要解决机器号分段,Redis 要考虑跨机房同步延迟。

ID 的选型一旦定下来,迁移成本极高------所有引用它的表、接口、外部对接都要跟着改。所以这块要在系统设计初期就想清楚,而不是等到量上来再换。

下一篇转向分库分表:分片键的选择比 ID 方案更不可逆,因为它决定了以后每一次查询能不能落到单库。

相关推荐
Flynn Liang1 小时前
多智能体协同不再复杂:Redis Stream 消费者组、幂等与故障恢复
数据库·人工智能·redis·缓存·ai agent·智能体
Flynn Liang15 小时前
大模型成本优化:基于 Redis 的可验证语义缓存架构
人工智能·redis·缓存·架构·ai agent·智能体
SA-D17 小时前
Redis 架构要点:性能、持久化、缓存故障与分布式锁的边界
redis·缓存·架构
苜蓿muxu17 小时前
缓存三大问题:穿透、击穿、雪崩
数据库·redis
bksczm2 天前
Redis Cluster 分片集群详解:槽路由、故障判定与扩缩容
数据库·redis·分布式
未秃头的程序猿2 天前
RedisTemplate 序列化用错,线上多了 3 个 G 的隐形 key
redis·后端
草莓熊Lotso2 天前
【C++ 基于微服务的即时通讯系统】用户服务之Redis数据层落地:会话、登录状态与验证码全封装
数据库·c++·redis·微服务·语音识别
Flynn Liang2 天前
AI Agent 分层记忆体系实战:用 Redis 五类结构构建可淘汰、可追溯的长短期记忆
数据库·人工智能·redis