雪花算法对System.currentTimeMillis()优化真的有用么？

RedZero9 · 发表于 2021-12-14 21:49

前面已经讲过了雪花算法，里面使用了System.currentTimeMillis()获取时间，有一种说法是认为System.currentTimeMillis()慢，是因为每次调用都会去跟系统打一次交道，在高并发情况下，大量并发的系统调用容易会影响性能（对它的调用甚至比new一个普通对象都要耗时，毕竟new产生的对象只是在Java内存中的堆中）。我们可以看到它调用的是native 方法：
// 返回当前时间，以毫秒为单位。注意，虽然返回值的时间单位是毫秒，但值的粒度取决于底层操作系统，可能更大。例如，许多操作系统以数十毫秒为单位度量时间。
public static native long currentTimeMillis();
所以有人提议，用后台线程定时去更新时钟，并且是单例的，避免每次都与系统打交道，也避免了频繁的线程切换，这样或许可以提高效率。
这个优化成立么？

先上优化代码：
package snowflake;
import java.util.concurrent.Executors;
import java.util.concurrent.ScheduledExecutorService;
import java.util.concurrent.TimeUnit;
import java.util.concurrent.atomic.AtomicLong;

public class SystemClock {

private final int period;

private final AtomicLong now;

private static final SystemClock INSTANCE = new SystemClock(1);

private SystemClock(int period) {
      this.period = period;
      now = new AtomicLong(System.currentTimeMillis());
      scheduleClockUpdating();
}

private void scheduleClockUpdating() {
      ScheduledExecutorService scheduleService = Executors.newSingleThreadScheduledExecutor((r) -> {
         Thread thread = new Thread(r);
         thread.setDaemon(true);
         return thread;
      });
      scheduleService.scheduleAtFixedRate(() -> {
         now.set(System.currentTimeMillis());
      }, 0, period, TimeUnit.MILLISECONDS);
}

private long get() {
      return now.get();
}

public static long now() {
      return INSTANCE.get();
}

}
只需要用SystemClock.now()替换System.currentTimeMillis()即可。
雪花算法SnowFlake的代码也放在这里：
package snowflake;

public class SnowFlake {

// 数据中心(机房) id
private long datacenterId;
// 机器ID
private long workerId;
// 同一时间的序列
private long sequence;

public SnowFlake(long workerId, long datacenterId) {
      this(workerId, datacenterId, 0);
}

public SnowFlake(long workerId, long datacenterId, long sequence) {
      // 合法判断
      if (workerId > maxWorkerId || workerId < 0) {
         throw new IllegalArgumentException(String.format(&#34;worker Id can&#39;t be greater than %d or less than 0&#34;, maxWorkerId));
      }
      if (datacenterId > maxDatacenterId || datacenterId < 0) {
         throw new IllegalArgumentException(String.format(&#34;datacenter Id can&#39;t be greater than %d or less than 0&#34;, maxDatacenterId));
      }
      System.out.printf(&#34;worker starting. timestamp left shift %d, datacenter id bits %d, worker id bits %d, sequence bits %d, workerid %d&#34;,
            timestampLeftShift, datacenterIdBits, workerIdBits, sequenceBits, workerId);

      this.workerId = workerId;
      this.datacenterId = datacenterId;
      this.sequence = sequence;
}

// 开始时间戳（2021-10-16 22:03:32）
private long twepoch = 1634393012000L;

// 机房号，的ID所占的位数 5个bit 最大:11111(2进制)--> 31(10进制)
private long datacenterIdBits = 5L;

// 机器ID所占的位数 5个bit 最大:11111(2进制)--> 31(10进制)
private long workerIdBits = 5L;

// 5 bit最多只能有31个数字，就是说机器id最多只能是32以内
private long maxWorkerId = -1L ^ (-1L << workerIdBits);

// 5 bit最多只能有31个数字，机房id最多只能是32以内
private long maxDatacenterId = -1L ^ (-1L << datacenterIdBits);

// 同一时间的序列所占的位数 12个bit 111111111111 = 4095  最多就是同一毫秒生成4096个
private long sequenceBits = 12L;

// workerId的偏移量
private long workerIdShift = sequenceBits;

// datacenterId的偏移量
private long datacenterIdShift = sequenceBits + workerIdBits;

// timestampLeft的偏移量
private long timestampLeftShift = sequenceBits + workerIdBits + datacenterIdBits;

// 序列号掩码 4095 (0b111111111111=0xfff=4095)
// 用于序号的与运算，保证序号最大值在0-4095之间
private long sequenceMask = -1L ^ (-1L << sequenceBits);

// 最近一次时间戳
private long lastTimestamp = -1L;

// 获取机器ID
public long getWorkerId() {
      return workerId;
}

// 获取机房ID
public long getDatacenterId() {
      return datacenterId;
}

// 获取最新一次获取的时间戳
public long getLastTimestamp() {
      return lastTimestamp;
}

// 获取下一个随机的ID
public synchronized long nextId() {
      // 获取当前时间戳，单位毫秒
      long timestamp = timeGen();

      if (timestamp < lastTimestamp) {
         System.err.printf(&#34;clock is moving backwards.  Rejecting requests until %d.&#34;, lastTimestamp);
         throw new RuntimeException(String.format(&#34;Clock moved backwards.  Refusing to generate id for %d milliseconds&#34;,
                  lastTimestamp - timestamp));
      }

      // 去重
      if (lastTimestamp == timestamp) {

         sequence = (sequence + 1) & sequenceMask;

         // sequence序列大于4095
         if (sequence == 0) {
            // 调用到下一个时间戳的方法
            timestamp = tilNextMillis(lastTimestamp);
         }
      } else {
         // 如果是当前时间的第一次获取，那么就置为0
         sequence = 0;
      }

      // 记录上一次的时间戳
      lastTimestamp = timestamp;

      // 偏移计算
      return ((timestamp - twepoch) << timestampLeftShift) |
            (datacenterId << datacenterIdShift) |
            (workerId << workerIdShift) |
            sequence;
}

private long tilNextMillis(long lastTimestamp) {
      // 获取最新时间戳
      long timestamp = timeGen();
      // 如果发现最新的时间戳小于或者等于序列号已经超4095的那个时间戳
      while (timestamp <= lastTimestamp) {
         // 不符合则继续
         timestamp = timeGen();
      }
      return timestamp;
}

private long timeGen() {
      return SystemClock.now();
      // return System.currentTimeMillis();
}

public static void main(String[] args) {
      SnowFlake worker = new SnowFlake(1, 1);
      long timer = System.currentTimeMillis();
      for (int i = 0; i < 10000000; i++) {
         worker.nextId();
      }
      System.out.println(System.currentTimeMillis());
      System.out.println(System.currentTimeMillis() - timer);
}
}
Windows：i5-4590 16G内存 4核 512固态
Mac: Mac pro 2020 512G固态 16G内存
Linux：deepin系统，虚拟机，160G磁盘，内存8G
单线程环境测试一下 System.currentTimeMillis()：

平台/数据量	10000	1000000	10000000	100000000
mac	5	247	2444	24416
windows	3	249	2448	24426
linux(deepin)	135	598	4076	26388

单线程环境测试一下 SystemClock.now()：

平台/数据量	10000	1000000	10000000	100000000
mac	52	299	2501	24674
windows	56	3942	38934	389983
linux(deepin)	336	1226	4454	27639

上面的单线程测试并没有体现出后台时钟线程处理的优势，反而在windows下，数据量大的时候，变得异常的慢,linux系统上，也并没有快，反而变慢了一点。
多线程测试代码：
public static void main(String[] args) throws InterruptedException {
      int threadNum = 16;
      CountDownLatch countDownLatch = new CountDownLatch(threadNum);
      int num = 100000000 / threadNum;
      long timer = System.currentTimeMillis();
      thread(num, countDownLatch);
      countDownLatch.await();
      System.out.println(System.currentTimeMillis() - timer);

}

public static void thread(int num, CountDownLatch countDownLatch) {
      List<Thread> threadList = new ArrayList<>();
      for (int i = 0; i < countDownLatch.getCount(); i++) {
         Thread cur = new Thread(new Runnable() {
            @Override
            public void run() {
                  SnowFlake worker = new SnowFlake(1, 1);
                  for (int i = 0; i < num; i++) {
                     worker.nextId();
                  }
                  countDownLatch.countDown();
            }
         });
         threadList.add(cur);
      }
      for (Thread t : threadList) {
         t.start();
      }
}
下面我们用不同线程数来测试 100000000(一亿) 数据量 System.currentTimeMillis()：

平台/线程	2	4	8	16
mac	14373	6132	3410	3247
windows	12408	6862	6791	7114
linux	20753	19055	18919	19602

用不同线程数来测试 100000000(一亿) 数据量 SystemClock.now()：

平台/线程	2	4	8	16
mac	12319	6275	3691	3746
windows	194763	110442	153960	174974
linux	26516	25313	25497	25544

在多线程的情况下，我们可以看到mac上没有什么太大变化，随着线程数增加，速度还变快了，直到超过 8 的时候，但是windows上明显变慢了，测试的时候我都开始刷起了小视频，才跑出来结果。而且这个数据和处理器的核心也是相关的，当windows的线程数超过了 4 之后，就变慢了，原因是我的机器只有四核，超过了就会发生很多上下文切换的情况。
linux上由于虚拟机，核数增加的时候，并无太多作用，但是时间对比于直接调用 System.currentTimeMillis()其实是变慢的。
但是还有个问题，到底不同方法调用，时间重复的概率哪一个大呢？
static AtomicLong atomicLong = new AtomicLong(0);
private long timeGen() {
      atomicLong.incrementAndGet();
      // return SystemClock.now();
      return System.currentTimeMillis();
}
下面是1千万id，八个线程，测出来调用timeGen()的次数，也就是可以看出时间冲突的次数：

平台/方法	SystemClock.now()	System.currentTimeMillis()
mac	23067209	12896314
windows	705460039	35164476
linux	1165552352	81422626

可以看出确实SystemClock.now()自己维护时间，获取的时间相同的可能性更大，会触发更多次数的重复调用，冲突次数变多，这个是不利因素！还有一个残酷的事实，那就是自己定义的后台时间刷新，获取的时间不是那么的准确。在linux中的这个差距就更大了，时间冲突次数太多了。
结果

实际测试下来，并没有发现SystemClock.now()能够优化很大的效率，反而会由于竞争，获取时间冲突的可能性更大。JDK开发人员真的不傻，他们应该也经过了很长时间的测试，比我们自己的测试靠谱得多，因此，个人观点，最终证明这个优化并不是那么的可靠。
不要轻易相信某一个结论，如果有疑问，请一定做做实验，或者找足够权威的说法。
- END -

		自动登录	找回密码
密码			立即注册