雪花算法
前言
大家好,我是盼盼!
以前用 rand 和 srand 生成過僞隨機數,僞隨機數的序列是固定的,今天學習生成真正的隨機數的生成。
熵池
利用 / dev/urandom 可以生成隨機數的值,/dev/urandomLinux 下的熵池,所謂熵池就是當前系統下的環境噪音,描述了一個系統的混亂程度,環境噪音由這幾個方面組成,如內存的使用,文件的使用量,不同類型的進程數量等等。
利用 / dev/urandom 可以生成隨機數的值,/dev/urandomLinux 下的熵池,所謂熵池就是當前系統下的環境噪音,描述了一個系統的混亂程度,環境噪音由這幾個方面組成,如內存的使用,文件的使用量,不同類型的進程數量等等。
#include <stdio.h>
#include <fcntl.h>
int main()
{
int randNum = 0;
int fd = 0;
for(int i=0;i<5;i++)
{
fd = open("/dev/urandom", O_RDONLY);
read(fd, (char *)&randNum, sizeof(int));
close(fd);
printf("randNum is %d\n", randNum);
}
return 0;
}
運行結果:
mapan@mapan-virtual-machine:~/c++$ ./a.out
randNum is 94961710
randNum is -523780773
randNum is 1542169420
randNum is -1632410867
每次打印的 5 個隨機數都不一樣,其實它的隨機性也不太好。雪花算法生成的數的隨機性很好,通常在分佈式系統中生成唯一 ID。
雪花算法
SnowFlake 算法產生的 ID 是一個 64 位的整型,結構如下(每一部分用 “-” 符號分隔):
0 - 0000000000 0000000000 0000000000 0000000000 0 - 00000 - 00000 - 00000000000
1 位標識部分,在 java 中由於 long 的最高位是符號位,正數是 0,負數是 1,一般生成的 ID 爲正數,所以爲 0;
41 位時間戳部分,這個是毫秒級的時間,一般實現上不會存儲當前的時間戳,而是時間戳的差值(當前時間 - 固定的開始時間),這樣可以使產生的 ID 從更小值開始;41 位的時間戳可以使用 69 年,(1L << 41) / (1000L 60 60 24 365) = 69 年;
10 位節點部分,Twitter 實現中使用前 5 位作爲數據中心標識,後 5 位作爲機器標識,可以部署 1024 個節點;
12 位序列號部分,支持同一毫秒內同一個節點可以生成 4096 個 ID;
/*
snowflake
ID 生成策略
毫秒級時間41位+機器ID 10位+毫秒內序列12位。
0 41 51 64 +-----------+------+------+ |time |pc |inc | +-----------+------+------+
前41bits是以微秒爲單位的timestamp。
接着10bits是事先配置好的機器ID。
最後12bits是累加計數器。
macheine id(10bits)標明最多隻能有1024臺機器同時產生ID,sequence number(12bits)也標明1臺機器1ms中最多產生4096個ID, *
注意點,因爲使用到位移運算,所以需要64位操作系統,不然生成的ID會有可能不正確
*/
#include <stdio.h>
#include <pthread.h>
#include <unistd.h>
#include <stdlib.h>
#include <sched.h>
#include <linux/unistd.h>
#include <sys/syscall.h>
#include <errno.h>
#include<linux/types.h>
#include<time.h>
#include <stdint.h>
#include <sys/time.h>
struct globle
{
int global_int:12;
uint64_t last_stamp;
int workid;
int seqid;
};
void set_workid(int workid);
pid_t gettid( void );
uint64_t get_curr_ms();
uint64_t wait_next_ms(uint64_t lastStamp);
int atomic_incr(int id);
uint64_t get_unique_id();
#include "snowflake.h"
struct globle g_info;
#define sequenceMask (-1L ^ (-1L << 12L)) //L表示long型 4095
void set_workid(int workid)
{
g_info.workid = workid;
}
pid_t gettid( void )//獲取線程ID
{
return syscall( __NR_gettid );
}
uint64_t get_curr_ms() //獲取毫秒
{
struct timeval time_now;
gettimeofday(&time_now,NULL);
uint64_t ms_time =time_now.tv_sec*1000+time_now.tv_usec/1000;
return ms_time;
}
uint64_t wait_next_ms(uint64_t lastStamp)
{
uint64_t cur = 0;
do {
cur = get_curr_ms();
} while (cur <= lastStamp);
return cur;
}
int atomic_incr(int id)//累加
{
__sync_add_and_fetch(&id, 1);
return id;
}
uint64_t get_unique_id()
{
uint64_t uniqueId=0;
uint64_t nowtime = get_curr_ms();//獲取當前毫秒數
uniqueId = nowtime << 22; //填補時間戳部分
//0x3ff 1023,二進制對應11 1111 1111
//100的二進制0000 0000 0000 0000 0000 0000 0110 0100
//先執行移位
uniqueId |= (g_info.workid & 0x3ff) << 12; //填補節點部分
if (nowtime < g_info.last_stamp)
{
perror("error");
exit(-1);
}
if (nowtime == g_info.last_stamp)
{
//4095的二進制0000 1111 1111 1111 [long型]
g_info.seqid = atomic_incr(g_info.seqid) & sequenceMask;
if (g_info.seqid == 0) //seqid=0防止衝突,修改時間
{
nowtime = wait_next_ms(g_info.last_stamp);//獲取大於當前時間的time
}
}
else
{
g_info.seqid = 0;
}
g_info.last_stamp = nowtime;
uniqueId |= g_info.seqid;//填補序列號部分
return uniqueId;
}
int main()
{
set_workid(100);
int i;
for(i=0;i<10;i++)
{
uint64_t unquie = get_unique_id();
printf("pthread_id:%u, id [%llu]\n",gettid(),unquie);
}
return;
}
運行結果:
mapan@mapan-virtual-machine:~/c++$ ./a.out
pthread_id:4970, id [6595660141600063488]
pthread_id:4970, id [6595660141600063489]
pthread_id:4970, id [6595660141600063490]
pthread_id:4970, id [6595660141600063491]
pthread_id:4970, id [6595660141600063492]
結尾
雪花算法很多大廠都在使用,隨機性比熵池要好。雪花算法的思想在平時工作中也有用到,將多個數據拼到一個值裏面是常用套路,要掌握。
本文由 Readfog 進行 AMP 轉碼,版權歸原作者所有。
來源:https://mp.weixin.qq.com/s/rz7l1yfZvPtXv74dOYyKEA