在性能测试场景中,生成全局唯一标识符 (GUID) 是一个常见的需求,主要用于标识每个请求或者事务,以便于追踪和分析。这是因为在性能测试中，需要对系统的各个功能进行测试，而每个功能都需要有一个唯一的标识来区分。如果不使用全局唯一标识，则可能会出现重复标识的情况，导致测试结果不准确。
相信对于性能测试 er 来讲这些并不陌生，特别在并发场景中使用各类的解决方案。我最近在研究 Go 语言线程安全问题的时候也被其他人问到了。所以打算单独写一写唯一标识的主题，本来打算用一篇文章解决，但是在实践中方案概述、方案实践以及性能对比几个部分，内容着实有点多。所以分成了上下两篇，本篇讲述几种常见方案的概述和代码实践，下一期我会分享几种方案的性能。
UUID（通用唯一标识符）是一种标准化的用于标识信息的方法。通常用于分布式系统中的唯一标识，以防止不同系统中的数据重复或冲突。它在数据库记录、网络通信、消息队列等方面都有广泛的应用。它是由 128 位二进制数表示的唯一标识符，通常以 32 个十六进制数字的形式表示，每四个数字之间用连字符分隔。UUID 的唯一性主要基于其随机性和长度，尽管在某些情况下可能会出现重复，但重复的概率非常低。具体有多低呢，我查到资料是这么说的：每秒产生10亿笔UUID，100年后只产生一次重复的机率是50%。如果地球上每个人都各有6亿笔GUID，发生一次重复的机率是50%。。我暂时还没遇到重复的情况，各位遇到请告诉我一下概率。
由于这是个自带的包，可以使用java.util.UUID类生成 UUID,例如:
UUID uuid = UUID.randomUUID();
String id = uuid.toString();
大概长这样 245fee40-8b24-47d3-b5e1-09a5e48a08d1。查阅资料过程中，还有多种版本的 UUID，不知道是不是都这个格式。我用的 JDK17，如果又不一样格式的，兴许版本不同导致的。
UUID 的优点包括：
然而，UUID 也存在一些缺点：
UUID 适用于需要全局唯一标识且不依赖于中心化管理的场景，但在某些情况下可能会受到长度、可读性和碰撞概率等因素的限制，需要根据具体情况进行选择和权衡。如果我们在性能测试结束后清理数据的话，可以很大程序降低 UUID 重复的概率。
在分布式系统中,能够生成全局唯一 ID 是一个常见且重要的需求。全局唯一 ID 不仅可以用于标识分布在不同节点上的数据记录,还可以用于追踪分布式事务、消息队列等场景。传统的基于数据库自增序列或 UUID 等方式无法满足分布式环境下的需求,因此需要借助分布式服务来实现。
利用 Redis 的INCR命令可以实现一个简单的分布式 ID 生成器。Redis 是一个高性能的内存数据库,它提供了原子操作命令INCR用于对键值进行自增操作。我们可以在 Redis 中设置一个全局的键,每次调用INCR命令即可获取一个唯一的 ID 值。由于 Redis 是单线程处理命令,因此可以确保获取到的 ID 是全局唯一的。这种方式实现简单,但需要注意 Redis 的可用性和性能问题。
另一种方式是利用 Zookeeper 的有序临时节点特性。Zookeeper 是一个分布式协调服务,它允许客户端创建有序的临时节点,节点名称是一个递增的计数器。我们可以在 Zookeeper 上创建一个根节点,每个客户端在该节点下创建一个有序临时节点,临时节点的名称就是一个全局唯一的 ID。这种方式相对复杂,但可靠性和可用性更高,适合于关键任务型系统。
这种方式最大的缺点就是需要 N 多次的网络通信，即使强如 Redis 也很难提供强大的性能，所以直接再次直接放弃了。对于性能要求不甚高的场景来说还是非常好用的。同样地我在查阅资料中发现也有使用 MySQL 递增主键实现的，性能就更差了，绝对不推荐。
雪花算法（Snowflake）是一种用于生成分布式系统中全局唯一的 ID 的算法。它由 Twitter 公司设计，采用了时间戳、机器 ID 和序列号等信息，结合位运算的方式生成 64 位的唯一 ID。其中，时间戳部分用于保证 ID 的唯一性和递增性，机器 ID 部分用于标识不同的机器，序列号部分用于解决同一毫秒内并发生成 ID 时的冲突。雪花算法具有高效、高性能、高可用等特点，被广泛应用于分布式系统中的 ID 生成。
雪花算法很大程度上弥补了 UUID 的不足，而且使用非常灵活，几十行代码即可完成，还能够根据实际场景进行定制化，受到了越来越多码农的喜欢。这里我分享一个简单的例子：
package com.funtester.utils;
public class SnowflakeUtils {
private static final long START_TIMESTAMP = 1616489534000L; // 起始时间戳，2021-03-23 00:00:00
private long datacenterId; // 数据中心ID
private long workerId; // 机器ID
private long sequence = 0L; // 序列号
private static final long MAX_WORKER_ID = 31L;// 机器ID最大值
private static final long MAX_DATA_CENTER_ID = 31L;// 数据中心ID最大值
private static final long SEQUENCE_BITS = 12L;// 序列号位数
private static final long WORKER_ID_SHIFT = SEQUENCE_BITS;// 机器ID左移位数
private static final long DATA_CENTER_ID_SHIFT = SEQUENCE_BITS + WORKER_ID_SHIFT;// 数据中心ID左移位数
private static final long TIMESTAMP_LEFT_SHIFT = DATA_CENTER_ID_SHIFT + DATA_CENTER_ID_SHIFT;// 时间戳左移位数
private static final long SEQUENCE_MASK = ~(-1L << SEQUENCE_BITS);// 序列号掩码
private long lastTimestamp = -1L;
public SnowflakeUtils(long datacenterId, long workerId) {
if (datacenterId > MAX_DATA_CENTER_ID || datacenterId < 0) {
throw new IllegalArgumentException("Datacenter ID can't be greater than " + MAX_DATA_CENTER_ID + " or less than 0");
}
if (workerId > MAX_WORKER_ID || workerId < 0) {
throw new IllegalArgumentException("Worker ID can't be greater than " + MAX_WORKER_ID + " or less than 0");
}
this.datacenterId = datacenterId;
this.workerId = workerId;
}
/**
* 获取下一个ID
* * @return
*/
public synchronized long nextId() {
long timestamp = System.currentTimeMillis();
if (timestamp < lastTimestamp) {
throw new RuntimeException("Clock moved backwards. Refusing to generate id for " + (lastTimestamp - timestamp) + " milliseconds");
}
if (lastTimestamp == timestamp) {
sequence = (sequence + 1) & SEQUENCE_MASK;
if (sequence == 0) {
timestamp = nextMillis(lastTimestamp);
}
} else {
sequence = 0L;
}
lastTimestamp = timestamp;
long l = ((timestamp - START_TIMESTAMP) << TIMESTAMP_LEFT_SHIFT) | (datacenterId << DATA_CENTER_ID_SHIFT) | (workerId << WORKER_ID_SHIFT) | sequence;
return l & Long.MAX_VALUE;
}
/**
* 获取下一个时间戳
*
* @param lastTimestamp
* @return
*/
private long nextMillis(long lastTimestamp) {
long timestamp = System.currentTimeMillis();
while (timestamp <= lastTimestamp) {
timestamp = System.currentTimeMillis();
}
return timestamp;
}
}
使用的方法如下：
public static void main(String[] args) {
SnowflakeUtils snowflake = new SnowflakeUtils(1, 1); // 创建雪花算法实例，数据中心ID为1，机器ID为1
for (int i = 0; i < 5; i++) {
System.out.println("Next ID: " + snowflake.nextId());
}
}
结果大概长这个样子：
Next ID: 3282842653393162240
Next ID: 3307893926320410624
Next ID: 3307893926320410625
Next ID: 3307893926320410626
Next ID: 3307893926320410627
我在 com.funtester.utils.SnowflakeUtils#nextId 方法的最后一行，加上了 l & Long.MAX_VALUE 为了获取一个正的值。
在非并发场景当中，我们要想获取一个全局唯一的标识符，最简单的就是来一个 i++ ，但这样并不能保障并发场景中的线程安全。尽管如此，我们依旧可以通过之前分享过的 将共享变独享 的思路改造一下，将每一个线程都分配一个 int i ，然后在线程内 i++ 保障数值的唯一性。然后再给每一个线程进行唯一性标记，这个在之前分享线程工厂类时候提到过。如果遇到分布式场景，抄袭一下前面成熟框架的方法，增加唯一的机器码标识即可。
下面是我使用的单机版本代码：
// 创建threadlocal对象
static ThreadLocal<Integer> threadLocal = new ThreadLocal<Integer>() {
@Override
protected Integer initialValue() {
return 0
}
}
public static void main(String[] args) {
setPoolMax(3)
for (int i = 0; i < 10; i++) {
fun {
increase()// 增加1
System.out.println(Thread.currentThread().getName() + " threadLocal.get() = " + threadLocal.get());// 打印threadLocal值
}
}
}
/**
* 增加1
* @return
*/
static def increase() {
threadLocal.set(threadLocal.get() + 1)
}
输出结果长这个样子：
F-3 threadLocal.get() = 1
F-2 threadLocal.get() = 1
F-1 threadLocal.get() = 1
F-2 threadLocal.get() = 2
F-1 threadLocal.get() = 2
F-3 threadLocal.get() = 2
F-2 threadLocal.get() = 3
F-1 threadLocal.get() = 3
F-3 threadLocal.get() = 3
F-2 threadLocal.get() = 4
基本是实现了设计需求。缺点就是 java.lang.ThreadLocal 可能会导致内存溢出。这一点在性能测试当中可以忽略，因为用例执行完之后，JVM自然也是要关闭的，如果是单 JVM 的性能测试服务，可以将 java.lang.ThreadLocal 对象设计成类成员属性规避内存溢出的问题。
这个思路就简单了：新建一个全局线程安全的变量，每次获取一个值之后，安全地递增 1，这样一下子就解决了所有问题，是所有方案里面最简单使用的。方案的代码
演示代码如下：
// 定义全局变量,用于线程安全递增计数
static AtomicInteger index = new AtomicInteger(0)
public static void main(String[] args) {
setPoolMax(3)
for (int i = 0; i < 10; i++) {
fun {
println "递增结果: ${index.incrementAndGet()}"
}
}
}
输出结果：
递增结果: 2
递增结果: 3
递增结果: 1
递增结果: 4
递增结果: 5
递增结果: 6
递增结果: 7
递增结果: 8
递增结果: 9
递增结果: 10
相信个性化的方案不止一种，如果你也有一些有趣的方案，欢迎一起交流分享。