图解Janusgraph系列-分布式id生成策略分析
2020-09-01 11:00
585 查看
JanusGraph - 分布式id的生成策略
大家好，我是洋仔，JanusGraph图解系列文章，
实时更新~
本次更新时间：2020-9-1
文章为作者跟踪源码和查看官方文档整理，如有任何问题，请联系我或在评论区指出，感激不尽！
图数据库网上资源太少，评论区评论 or 私信我，邀你加入“图库交流微信群”，一起交流学习！
源码分析相关：
源码图库-一文搞定janusgraph图数据库的本地源码编译（janusgraph source code compile）
图解图库JanusGraph系列-一文知晓导入数据流程（待发布）
图解图库JanusGraph系列-简要分析查询读数据流程（待发布）
图解图库JanusGraph系列-一文知晓锁机制（本地锁+分布式锁）（待发布）
图解图库JanusGraph系列-一文知晓分布式id生成策略
图解图库JanusGraph系列-一文知晓图库存储分区策略（待发布）
存储结构相关：
图解图库JanusGraph系列-一文知晓图数据底层存储结构
其他：< 71f0 /p> 解惑图数据库！你知道什么是图数据库吗？
图解图库JanusGraph系列-官方测试图:诸神之图分析（待发布）
源码分析相关可查看github（求star~~）： https://github.com/YYDreamer/janusgraph下述流程高清大图地址：https://www.processon.com/view/link/5f471b2e7d9c086b9903b629
版本：JanusGraph-0.5.2
转载文章请保留以下声明：
作者：洋仔聊编程
微信公众号：匠心Java
原文地址：https://liyangyang.blog.csdn.net/正文
在介绍JanusGraph的分布式ID生成策略之前，我们来简单分析一下
分布式ID应该满足哪些特征？
- 全局唯一：必须保证ID是分布式环境中全局性唯一的，这是基本要求
- 高性能：高可用低延时，ID生成响应快；否则可能会成为业务瓶颈
- 高可用：提供分布式id的生成的服务要保证高可用，不能随随便便就挂掉了，会对业务产生影响
- 趋势递增：主要看业务场景，类似于图存储中节点的唯一id就尽量保持趋势递增；但是如果类似于电商订单就尽量不要趋势递增，因为趋势递增会被恶意估算出当天的订单量和成交量，泄漏公司信息
- 接入方便：如果是中间件，要秉着拿来即用的设计原则，在系统设计和实现上要尽可能的简单
一：常用分布式id生成策略
当前
常用的分布式id的生成策略主要分为以下四种：
- UUID
- 数据库+号段模式（优化：数据库+号段+双buffer）
- 基于Redis实现
- 雪花算法（SnowFlake）
还有一些其他的比如：基于数据库自增id、数据库多主模式等，这些在小并发的情况下可以使用，大并发的情况下就不太ok了
市面上有一些生成分布式id的开源组件，包括滴滴基于
数据库+号段实现的
TinyID、百度基于
SnowFlake的
Uidgenerator、美团支持
号段和
SnowFlake的
Leaf等
那么，在JanusGraph中分布式id的生成是采用的什么方式呢？
二：JanusGraph的分布式id策略
在JanusGraph中，分布式id的生成采用的是
数据库+号段+双buffer优化的模式； 下面我们来具体分析一下：
分布式id生成使用的数据库就是JanusGraph当前使用的第三方存储后端，这里我们以使用的存储后端
Hbase为例；
JanusGraph分布式id生成所需元数据存储位置：
在Hbase中有
column family 列族的概念； JanusGraph在初始化Hbase表时默认创建了9大列族，用于存储不同的数据， 具体看《图解图库JanusGraph系列-一文知晓图数据底层存储结构》；
其中有一个列族
janusgraph_ids简写为
i这个列族，主要存储的就是JanusGraph分布式id生成所需要的元数据！
JanusGraph的分布式id的组成结构：
// 源码中有一句话体现 /* --- JanusGraphElement id bit format --- * [ 0 | count | partition | ID padding (if any) ] */
主要分为4部分：
0、count、partition、ID padding（每个类型是固定值）；
其实这4部分的顺序在序列化为二进制数据时，顺序会有所改变；这里只是标明了id的组成部分！
上述部分的
partition+
count来保证分布式节点的唯一性；
- partition id：分区id值，JanusGraph默认分了32个逻辑分区；节点分到哪个分区采用的是
随机分配
; - count：每个partition都有对应的一个count范围：0-2的55次幂；JanusGraph每次拉取一部分的范围作为节点的count取值；JanusGraph保证了针对相同的partition，不会重复获取同一个count值！
保证count在partition维度保持全局唯一性，就保证了生成的最终id的全局唯一性！！
则分布式id的唯一性保证，就在于
count基于
partition维度的唯一性！下面我们的分析也是着重在
count的获取！
JanusGraph分布式id生成的主要逻辑流程如下图所示：（推荐结合源码分析观看！）
分析过程中有一个概念为
id block：指当前获取的号段范围
JanusGraph主要使用
`PartitionIDPool类来存储不同类型的
StandardIDPool； 在
StandardIDPool中主要包含两个id Block：
- current block：当前生成id使用的block
- next block：double buffer中的另一个已经准备好的block
为什么要有两个block呢？
主要是如果只有一个block的话，当我们在使用完当前的block时，需要阻塞等待区获取下一个block，这样便会导致分布式id生成较长时间的阻塞等待block的获取；
怎么优化上述问题呢？
double buffer；
除了当前使用的block，我们再存储一个
next block；当正在使用的block假设已经使用了50%，触发
next block的异步获取，如上图的蓝色部分所示；
这样当
current block使用完成后可以直接无延迟的切换到
next block如上图中绿色部分所示；
在执行过程中可能会因为一些异常导致节点id获取失败，则会进行重试；重试次数默认为1000次；
private static final int MAX_PARTITION_RENEW_ATTEMPTS = 1000;
for (int attempt = 0; attempt < MAX_PARTITION_RENEW_ATTEMPTS; attempt++) {
// 获取id的过程
}
ps：上述所说的IDPool和block是基于当前
图实例维度共用的！
三：源码分析
在JanusGraph的源码中，主要包含两大部分和其他的一些组件：
- Graph相关类：用于对节点、属性、边的操作
- Transaction相关类：用于在对数据或者Schema进行CURD时，进行事务处理
- 其他一些：分布式节点id生成类；序列化类；第三方索引操作类等等
Graph和Transaction相关类的类图如下所示：
分布式id涉及到id生成的类图如下所示：
初始数据：
@Test
public void addVertexTest(){
List<Object> godProperties = new ArrayList<>();
godProperties.add(T.label);
godProperties.add("god");
godProperties.add("name");
godProperties.add("lyy");
godProperties.add("age");
godProperties.add(18);
JanusGraphVertex godVertex = graph.addVertex(godProperties.toArray());
assertNotNull(godVertex);
}
在
诸神之图中添加一个name为
lyy节点；看下执行流程，注意，此处主要分析的节点的分布式id生成代码！
1、调用JanusGraphBlueprintsGraph
类的AddVertex方法
@Override
public JanusGraphVertex addVertex(Object... keyValues) {
// 添加节点
return getAutoStartTx().addVertex(keyValues);
}
2、调用JanusGraphBlueprintsTransaction
的addVertex
方法
public JanusGraphVertex addVertex(Object... keyValues) {
// 。。。省略了其他的处理
// 该处生成节点对象，包含节点的唯一id生成逻辑
final JanusGraphVertex vertex = addVertex(id, label);
// 。。。省略了其他的处理
return vertex;
}
3、调用StandardJanusGraphTx
的addVertex
方法
@Override
public JanusGraphVertex addVertex(Long vertexId, VertexLabel label) {
// 。。。省略了其他的处理
if (vertexId != null) {
vertex.setId(vertexId);
} else if (config.hasAssignIDsImmediately() || label.isPartitioned()) {
graph.assignID(vertex,label); // 为节点分配正式的节点id！
}
// 。。。省略了其他的处理
return vertex;
}
4、调用VertexIDAssigner
的assignID(InternalElement element, IDManager.VertexIDType vertexIDType)
方法
private void assignID(InternalElement element, IDManager.VertexIDType vertexIDType) {
// 开始获取节点分布式唯一id
// 因为一些异常导致获取节点id失败，进行重试，重试此为默认为1000次
for (int attempt = 0; attempt < MAX_PARTITION_RENEW_ATTEMPTS; attempt++) {
// 初始化一个partiiton id
long partitionID = -1;
// 获取一个partition id
// 不同类型的数据，partition id的获取方式也有所不同
if (element instanceof JanusGraphSchemaVertex) {
// 为partition id赋值
}
try {
// 正式分配节点id， 依据partition id 和 节点类型
assignID(element, partitionID, vertexIDType);
} catch (IDPoolExhaustedException e) {
continue; //try again on a different partition
}
assert element.hasId();
// 。。。省略了其他代码
}
}
5、调用了VertexIDAssigner
的assignID(final InternalElement element, final long partitionIDl, final IDManager.VertexIDType userVertexIDType)
方法
private void assignID(final InternalElement element, final long partitionIDl, final IDManager.VertexIDType userVertexIDType) {
final int partitionID = (int) partitionIDl;
// count为分布式id组成中的一部分，占55个字节
// 分布式id的唯一性保证，就在于`count`基于`partition`维度的唯一性
long count;
if (element instanceof JanusGraphSchemaVertex) { // schema节点处理
Preconditions.checkArgument(partitionID==IDManager.SCHEMA_PARTITION);
count = schemaIdPool.nextID();
} else if (userVertexIDType==IDManager.VertexIDType.PartitionedVertex) { // 配置的热点节点，类似于`makeVertexLabel('product').partition()`的处理
count = partitionVertexIdPool.nextID();
} else { // 普通节点和边类型的处理
// 首先获取当前partition敌营的idPool
PartitionIDPool partitionPool = idPools.get(partitionID);
// 如果当前分区对应的IDPool为空，则创建一个默认的IDPool，默认size = 0
if (partitionPool == null) {
// 在PartitionIDPool中包含多种类型对应的StandardIDPool类型
// StandardIDPool中包含对应的block信息和count信息
partitionPool = new PartitionIDPool(partitionID, idAuthority, idManager, renewTimeoutMS, renewBufferPercentage);
// 缓存下来
idPools.putIfAbsent(partitionID,partitionPool);
// 从缓存中再重新拿出
partitionPool = idPools.get(partitionID);
}
// 确保partitionPool不为空
Preconditions.checkNotNull(partitionPool);
// 判断当前分区的IDPool是否枯竭；已经被用完
if (partitionPool.isExhausted()) {
// 如果被用完，则将该分区id放到对应的缓存中，避免之后获取分区id再获取到该分区id
placementStrategy.exhaustedPartition(partitionID);
// 抛出IDPool异常， 最外层捕获，然后进行重试获取节点id
throw new IDPoolExhaustedException("Exhausted id pool for partition: " + partitionID);
}
// 存储当前类型对应的IDPool，因为partitionPool中保存好几个类型的IDPool
IDPool idPool;
if (element instanceof JanusGraphRelation) {
idPool = partitionPool.getPool(PoolType.RELATION);
} else {
Preconditions.checkArgument(userVertexIDType!=null);
idPool = partitionPool.getPool(PoolType.getPoolTypeFor(userVertexIDType));
}
try {
// 重要！！！！ 依据给定的IDPool获取count值！！！！
// 在此语句中设计 block的初始化 和 double buffer block的处理！
count = idPool.nextID();
partitionPool.accessed();
} catch (IDPoolExhaustedException e) { // 如果该IDPool被用完，抛出IDPool异常， 最外层捕获，然后进行重试获取节点id
log.debug("Pool exhausted for partition id {}", partitionID);
placementStrategy.exhaustedPartition(partitionID);
partitionPool.exhaustedIdPool();
throw e;
}
}
// 组装最终的分布式id：[count + partition id + ID padding]
long elementId;
if (element instanceof InternalRelation) {
elementId = idManager.getRelationID(count, partitionID);
} else if (element instanceof PropertyKey) {
elementId = IDManager.getSchemaId(IDManager.VertexIDType.UserPropertyKey,count);
} else if (element instanceof EdgeLabel) {
elementId = IDManager.getSchemaId(IDManager.VertexIDType.UserEdgeLabel, count);
} else if (element instanceof VertexLabel) {
elementId = IDManager.getSchemaId(IDManager.VertexIDType.VertexLabel, count);
} else if (element instanceof JanusGraphSchemaVertex) {
elementId = IDManager.getSchemaId(IDManager.VertexIDType.GenericSchemaType,count);
} else {
elementId = idManager.getVertexID(count, partitionID, userVertexIDType);
}
Preconditions.checkArgument(elementId >= 0);
// 对节点对象赋值其分布式唯一id
element.setId(elementId);
}
上述代码，我们拿到了对应的IdPool，有两种情况：
- 第一次获取分布式id时，分区对应的IDPool初始化为默认的size = 0的IDPool
- 分区对应的IDPool不是初次获取
这两种情况的处理，都在代码
count = idPool.nextID()的
StandardIDPool类中的
nextID()方法中被处理！
在分析该代码之前，我们需要知道 PartitionIDPool
和StandardIDPool
的关系：
每个partition都有一个对应的
PartitionIDPool extends EnumMap<PoolType,IDPool>是一个枚举map类型；
每一个
PartitionIDPool都有对应的不同类型的
StandardIDPool：
- NORMAL_VERTEX：用于vertex id的分配
- UNMODIFIABLE_VERTEX：用于schema label id的分配
- RELATION：用于edge id的分配
在
StandardIDPool中包含多个字段，分别代表不同的含义，抽取几个重要的字段进行介绍：
private static final int RENEW_ID_COUNT = 100; private final long idUpperBound; // Block的最大值，默认为2的55次幂 private final int partition; // 当前pool对应的分区 private final int idNamespace; // 标识pool为那种类型的pool，上述的三种类型NORMAL_VERTEX、UNMODIFIABLE_VERTEX、RELATION；值为当前枚举值在枚举中的位置 private final Duration renewTimeout;// 重新获取block的超时时间 private final double renewBufferPercentage;// 双buffer中，当第一个buffer block使用的百分比，到达配置的百分比则触发other buffer block的获取 private IDBlock currentBlock; // 当前的block private long currentIndex; // 标识当前block使用到那一个位置 private long renewBlockIndex; // 依据currentBlock.numIds()*renewBufferPercentage来获取这个值，主要用于在当前的block在消费到某个index的时候触发获取下一个buffer block private volatile IDBlock nextBlock;// 双buffer中的另外一个block private final ThreadPoolExecutor exec;// 异步获取双buffer的线程池
6、调用了StandardIDPool
类中的nextID
方法
经过上述分析，我们知道，分布式唯一id的唯一性是由在partition维度下的count的值的唯一性来保证的；
上述代码通过调用IDPool的nextId来获取count值；
下述代码就是获取count的逻辑；
@Override
public synchronized long nextID() {
// currentIndex标识当前的index小于current block的最大值
assert currentIndex <= currentBlock.numIds();
// 此处涉及两种情况：
// 1、分区对应的IDPool是第一次被初始化；则currentIndex = 0； currentBlock.numIds() = 0；
// 2、分区对应的该IDPool不是第一次，但是此次的index正好使用到了current block的最后一个count
if (currentIndex == currentBlock.numIds()) {
try {
// 将current block赋值为next block
// next block置空 并计算renewBlockIndex
nextBlock();
} catch (InterruptedException e) {
throw new JanusGraphException("Could not renew id block due to interruption", e);
}
}
// 在使用current block的过程中，当current index == renewBlockIndex时，触发double buffer next block的异步获取！！！！
if (currentIndex == renewBlockIndex) {
// 异步获取next block
startIDBlockGetter();
}
// 生成最终的count
long returnId = currentBlock.getId(currentIndex);
// current index + 1
currentIndex++;
if (returnId >= idUpperBound) throw new IDPoolExhaustedException("Reached id upper bound of " + idUpperBound);
log.trace("partition({})-namespace({}) Returned id: {}", partition, idNamespace, returnId);
// 返回最终获取的分区维度的全局唯一count
return returnId;
}
上述代码中进行了两次判断：
- currentIndex == currentBlock.numIds()： 第一次生成分布式id：此处判断即为 0==0；然后生成新的block
- 非第一次生成分布式id：等于情况下标识当前的block已经使用完了，需要切换为next block
-
renew index：标识index使用多少后开始获取下一个double buffer 的next block；有一个默认值100，主要为了兼容第一次分布式id的生成；相等则会触发异步获取下一个next block
下面我们分别对
nextBlock();逻辑和
startIDBlockGetter();进行分析；
7、调用了StandardIDPool
类中的nextBlock
方法
private synchronized void nextBlock() throws InterruptedException {
// 在分区对应的IDPool第一次使用时，double buffer的nextBlock为空
if (null == nextBlock && null == idBlockFuture) {
// 异步启动 获取id block
startIDBlockGetter();
}
// 也是在分区对应的IDPool第一次使用时，因为上述为异步获取，所以在执行到这一步时nextBlock可能还没拿到
// 所以需要阻塞等待block的获取
if (null == nextBlock) {
waitForIDBlockGetter();
}
// 将当前使用block指向next block
currentBlock = nextBlock;
// index清零
currentIndex = 0;
// nextBlock置空
nextBlock = null;
// renewBlockIndex用于双buffer中，当第一个buffer block使用的百分比，到达配置的百分比则触发other buffer block的获取
// 值current block 对应的count数量 - （值current block 对应的count数量 * 为renewBufferPercentage配置的剩余空间百分比）
// 在使用current block的时候，当current index == renewBlockIndex时，触发double buffer next block的异步获取！！！！
renewBlockIndex = Math.max(0,currentBlock.numIds()-Math.max(RENEW_ID_COUNT, Math.round(currentBlock.numIds()*renewBufferPercentage)));
}
主要是做了三件事：
- 1、block是否为空，为空的话则异步获取一个block
- 2、nextBlock不为空的情况下：next赋值到current、next置空、index置零
- 3、计算获取下一个nextBlock的触发index renewBlockIndex值
8、调用了StandardIDPool
类中的startIDBlockGetter
方法
private synchronized void startIDBlockGetter() {
Preconditions.checkArgument(idBlockFuture == null, idBlockFuture);
if (closed) return; //Don't renew anymore if closed
//Renew buffer
log.debug("Starting id block renewal thread upon {}", currentIndex);
// 创建一个线程对象，包含给定的权限控制类、分区、命名空间、超时时间
idBlockGetter = new IDBlockGetter(idAuthority, partition, idNamespace, renewTimeout);
// 提交获取double buffer的线程任务，异步执行
idBlockFuture = exec.submit(idBlockGetter);
}
其中创建一个线程任务，提交到线程池
exec进行异步执行；
下面看下，线程类的
call方法主要是调用了
idAuthority.getIDBlock方法，这个方法主要是基于Hbase来获取还未使用的block；
/**
* 获取double buffer block的线程类
*/
private static class IDBlockGetter implements Callable<IDBlock> {
// 省略部分代码
@Override
public IDBlock call() {
Stopwatch running = Stopwatch.createStarted();
try {
// 此处调用idAuthority 调用HBase进行占用获取Block
IDBlock idBlock = idAuthority.getIDBlock(partition, idNamespace, renewTimeout);
return idBlock;
} catch (BackendException e) {}
}
}
9、调用ConsistentKeyIDAuthority
类的getIDBlock
方法
@Override
public synchronized IDBlock getIDBlock(final int partition, final int idNamespace, Duration timeout) throws BackendException {
// 开始时间
final Timer methodTime = times.getTimer().start();
// 获取当前命名空间配置的blockSize，默认值10000；可自定义配置
final long blockSize = getBlockSize(idNamespace);
// 获取当前命名空间配置的最大id值idUpperBound；值为：2的55次幂大小
final long idUpperBound = getIdUpperBound(idNamespace);
// uniqueIdBitWidth标识uniqueId占用的位数；uniqueId为了兼容“关闭分布式id唯一性保障”的开关情况，uniqueIdBitWidth默认值=4
// 值：64-1(默认0)-5（分区占用位数）-3（ID Padding占用位数）-4（uniqueIdBitWidth） = 51；标识block中的上限为2的51次幂大小
final int maxAvailableBits = (VariableLong.unsignedBitLength(idUpperBound)-1)-uniqueIdBitWidth;
// 标识block中的上限为2的51次幂大小
final long idBlockUpperBound = (1L <<maxAvailableBits);
// UniquePID用尽的UniquePID集合，默认情况下，randomUniqueIDLimit = 0；
final List<Integer> exhaustedUniquePIDs = new ArrayList<>(randomUniqueIDLimit);
// 默认0.3秒 用于处理TemporaryBackendException异常情况（后端存储出现问题）下：阻塞一断时间，然后进行重试
Duration backoffMS = idApplicationWaitMS;
// 从开始获取IDBlock开始，持续超时时间（默认2分钟）内重试获取IDBlock
while (methodTime.elapsed().compareTo(timeout) < 0) {
final int uniquePID = getUniquePartitionID(); // 获取uniquePID，默认情况下“开启分布式id唯一性控制”，值 = 0； 当“关闭分布式id唯一性控制”时为一个随机值
final StaticBuffer partitionKey = getPartitionKey(partition,idNamespace,uniquePID); // 依据partition + idNamespace + uniquePID组装一个RowKey
try {
long nextStart = getCurrentID(partitionKey); // 从Hbase中获取当前partition对应的IDPool中被分配的最大值，用来作为当前申请新的block的开始值
if (idBlockUpperBound - blockSize <= nextStart) { // 确保还未被分配的id池中的id个数，大于等于blockSize
// 相应处理
}
long nextEnd = nextStart + blockSize; // 获取当前想要获取block的最大值
StaticBuffer target = null;
// attempt to write our claim on the next id block
boolean success = false;
try {
Timer writeTimer = times.getTimer().start(); // ===开始：开始进行插入自身的block需求到Hbase
target = getBlockApplication(nextEnd, writeTimer.getStartTime()); // 组装对应的Column: -nextEnd + 当前时间戳 + uid（唯一标识当前图实例）
final StaticBuffer finalTarget = target; // copy for the inner class
BackendOperation.execute(txh -> { // 异步插入当前生成的RowKey 和 Column
idStore.mutate(partitionKey, Collections.singletonList(StaticArrayEntry.of(finalTarget)), KeyColumnValueStore.NO_DELETIONS, txh);
return true;
},this,times);
writeTimer.stop(); // ===结束：插入完成
final boolean distributed = manager.getFeatures().isDistributed();
Duration writeElapsed = writeTimer.elapsed(); // ===获取方才插入的时间耗时
if (idApplicationWaitMS.compareTo(writeElapsed) < 0 && distributed) { // 判断是否超过配置的超时时间，超过则报错TemporaryBackendException，然后等待一断时间进行重试
throw new TemporaryBackendException("Wrote claim for id block [" + nextStart + ", " + nextEnd + ") in " + (writeElapsed) + " => too slow, th
7d58
reshold is: " + idApplicationWaitMS);
} else {
assert 0 != target.length();
final StaticBuffer[] slice = getBlockSlice(nextEnd); // 组装下述基于上述Rowkey的Column的查找范围：(-nextEnd + 0 : 0nextEnd + 最大值)
final List<Entry> blocks = BackendOperation.execute( // 异步获取指定Rowkey和指定Column区间的值
(BackendOperation.Transactional<List<Entry>>) txh -> idStore.getSlice(new KeySliceQuery(partitionKey, slice[0], slice[1]), txh),this,times);
if (blocks == null) throw new TemporaryBackendException("Could not read from storage");
if (blocks.isEmpty())
throw new PermanentBackendException("It seems there is a race-condition in the block application. " +
"If you have multiple JanusGraph instances running on one physical machine, ensure that they have unique machine idAuthorities");
if (target.equals(blocks.get(0).getColumnAs(StaticBuffer.STATIC_FACTORY))) { // 如果获取的集合中，当前的图实例插入的数据是第一条，则表示获取block; 如果不是第一条，则获取Block失败
// 组装IDBlock对象
ConsistentKeyIDBlock idBlock = new ConsistentKeyIDBlock(nextStart,blockSize,uniqueIdBitWidth,uniquePID);
if (log.isDebugEnabled()) {
idBlock, partition, idNamespace, uid);
}
success = true;
return idBlock; // 返回
} else { }
}
} finally {
if (!success && null != target) { // 在获取Block失败后，删除当前的插入； 如果没有失败，则保留当前的插入，在hbase中标识该Block已经被占用
//Delete claim to not pollute id space
for (int attempt = 0; attempt < ROLLBACK_ATTEMPTS; attempt++) { // 回滚：删除当前插入，尝试次数5次
}
}
}
} catch (UniqueIDExhaustedException e) {
// No need to increment the backoff wait time or to sleep
log.warn(e.getMessage());
} catch (TemporaryBackendException e) {
backoffMS = Durations.min(backoffMS.multipliedBy(2), idApplicationWaitMS.multipliedBy(32));
sleepAndConvertInterrupts(backoffMS); \
}
}
throw new TemporaryLockingException();
}
主要的逻辑就是：
组装Rowkey
：partition + idNameSpace+unquePId组装Column
：-nextEnd+now time+uid- 将
RowKey+Column
插入Hbase - 获取的上述组装的RowKey 基于(-nextEnd + 0 : -nextEnd + max)范围的所有Column集合
- 判断集合的第一个Column是不是当前插入的Column，是的话则占用block成功，不是的话则占用失败，删除刚才占用并进行重试
最终：异步获取到了唯一占用的Block，然后生成对应的唯一count，组装最后的唯一id
整体的调用流程如下：
四：其他类型的id生成
上述我们主要依据生成节点id（vertex id）的过程来进行分析
在
JanusGraph中还包含
edge id、
property id、
schema label id等几种的分布式id生成
所有类型的分布式id的生成主要思想和逻辑都几乎相同，只是一些具体的逻辑可能有所不同，我们理解了
vertex id的分布式id生成流程，其他的也可以理解了。
1、property id的生成
在JanusGraph中的
property的分布式唯一id的生成，整体逻辑和
vertex id的生成逻辑大体相同；
property id
的 生成和 vertex id
有两点不同：
- ID的组成部分： 在
vertex id
中组成部分包含count
+partition
+ID Padding
； 而在property id
中没有ID Padding
部分，其组成为count + partition
long id = (count<<partitionBits)+partition; if (type!=null) id = type.addPadding(id); // 此时，type = null return id;
- partition id的获取方式：在生成
vertex id
时，partition id是随机获取的；而在生成property id
时，partition id是获取的当前节点对应的partition id，如果节点获取不到分区id，则随机生成一个；
if (element instanceof InternalRelation) { // 属性 + 边
InternalRelation relation = (InternalRelation)element;
if (attempt < relation.getLen()) {
InternalVertex incident = relation.getVertex(attempt);
Preconditions.checkArgument(incident.hasId());
if (!IDManager.VertexIDType.PartitionedVertex.is(incident.longId()) || relation.isProperty()) { // 获取对应节点已有的partition id
partitionID = getPartitionID(incident);
} else {
continue;
}
} else { // 如果对应的节点都没有，则随机获取一个partition id
partitionID = placementStrategy.getPartition(element);
}
2、Edge id的生成
在JanusGraph中的
edge的分布式唯一id的生成，整体逻辑和
vertex id的生成逻辑大体相同；
edge id
的 生成和 vertex id
有两点不同：
- ID的组成部分： 在
vertex id
中组成部分包含count
+partition
+ID Padding
； 而在edge id
中没有ID Padding
部分，其组成为count + partition
，代码同property id
的生成代码 - partition id的获取方式：在生成
vertex id
时，partition id是随机获取的；而在生成edge id
时，partition id是获取的当前source vertex
或者target vertex
对应的partition id，如果节点获取不到分区id，则随机生成一个，代码同property id
的生成代码；
3、Schema相关id的生成
在JanusGraph中的
schema相关id的分布式唯一id的生成，整体逻辑和
vertex id的生成逻辑大体相同；
schema相关id的生成分为四种：
PropertyKey、
EdgeLabel、
VertexLabel、
JanusGraphSchemaVertex
- ID的组成部分： 在
vertex id
中组成部分包含count
+partition
+ID Padding
； 在schema
对应的id生成，这四种产生的id对应的结构都是一样的：count + 对应类型的固定后缀
return (count << offset()) | suffix();
- partition id的获取方式：在生成
vertex id
时，partition id是随机获取的；而在生成schema id
时，partition id是默认的partition id = 0
；
public static final int SCHEMA_PARTITION = 0;
if (element instanceof JanusGraphSchemaVertex) {
partitionID = IDManager.SCHEMA_PARTITION; // 默认分区
}
总结
本文总结了
JanusGraph的分布式唯一id的生成逻辑，也进行的源码分析；
下一篇，JanusGraph的锁机制分析，包含本地锁和分布式锁相关的分析，我是“洋仔”，我们下期见~
内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理 
相关文章推荐
- 分布式ID使用场景及生成策略分析
- 【58沈剑架构系列】细聊分布式ID生成方法
- 分布式自增ID生成策略-Twitter-Snowflake实现
- 分布式系统中全局唯一ID生成策略
- 数据库分库分表常见分布式主键ID生成策略
- 分布式全局唯一ID生成策略
- Hibernate系列之Id生成策略
- 详解分布式系统中的唯一id生成策略
- Java秒杀系统实战系列~分布式唯一ID生成订单编号
- 分布式系统全局id生成策略
- 分布式ID生成策略
- 分布式ID生成策略(1)_snowflake算法
- （三）架构篇之分布式id生成策略
- 分布式 ID 生成策略
- 分布式系统下的全局id生成策略分析
- 分布式ID生成策略
- 分布式 ID 生成策略 —— 听云资深 Java 工程师
- 分布式ID生成策略
- Hibernate系列之ID生成策略
- 分布式学习一、高并发的场景下，ID生成策略