通用唯一识别码的介绍和使用

前言

在日常数据库使用中，经常会遇到UUID这种数据类型，此次博文主要向大家分享一下UUID的基本概念及如何在华为云数仓GaussDB(DWS)中生成UUID。

1. UUID的定义

UUID含义是通用唯一识别码 (Universally Unique Identifier)，这是一个软件建构的标准，也是被开源软件基金会 (Open Software Foundation, OSF) 组织应用在分布式计算环境 (Distributed Computing Environment, DCE) 领域的重要部分。其目的是让分布式系统中的所有元素都能有唯一的辨识信息，而不需要通过中央控制端来做辨识信息的指定。如此一来，每个人都可以创建不与其它人冲突的UUID。在这样的情况下，就不需考虑数据库创建时的名称重复问题。目前最广泛应用的UUID，是微软公司的全局唯一标识符(GUID)，而其他重要的应用，则有Linux ext2/ext3文件系统、LUKS加密分区、GNOME、KDE、Mac OS X等等。

2. UUID的格式

UUID由开放软件基金会标准化，作为分布式计算环境的一部分，在互联网工程任务组（IETF）公布的RFC 4122标准中对UUID进行了标准化。标准的UUID由36个字符组成，其中包括32个16进制数字和4个连字分隔符‘-’，形式为8-4-4-4-12，标准的UUID示例如下：

a0eebc99-9c0b-4ef8-bb6d-6bb9bd380a11

GaussDB(DWS)同样支持以其他方式输入：大写字母和数字、由花括号包围的标准格式、省略部分或所有连字符、在任意一组四位数字之后加一个连字符，示例如下：

A0EEBC99-9C0B-4EF8-BB6D-6BB9BD380A11
{a0eebc99-9c0b-4ef8-bb6d-6bb9bd380a11}
a0eebc999c0b4ef8bb6d6bb9bd380a11
a0ee-bc99-9c0b-4ef8-bb6d-6bb9-bd38-0a11
{a0eebc99-9c0b4ef8-bb6d6bb9-bd380a11}

3. UUID的组成

UUID采用时间信息和空间信息确保全局唯一，通常由时间戳信息、时钟序列和节点ID（MAC地址）组成。而GaussDB(DWS)分布式集群中多个节点可能部署在同一个机器上，其MAC地址相同，UUID存在冲突的风险。因此GaussDB(DWS)将最后48bit为的MAC地址替换为生成UUID的CN或DN的序号和当前的线程ID，确保UUID在分布式集群内部做到全局唯一，其组成如下图所示：

4. 生成UUID

GaussDB(DWS)提供接口函数uuid_generate_v1生成一个UUID类型的的序列号，示例如下：

SELECT uuid_generate_v1();
           uuid_generate_v1
--------------------------------------
 5fe5aaf3-076a-0279-6049-c927e700fffe
(1 row)

注意：uuid_generate_v1函数根据时间信息、集群节点编号、生成该序列的线程号和时钟序列生成UUID，可以确保在单个集群内部全局唯一，但在多个集群间时间信息、集群节点编号、线程号和时钟序列仍然存在同时相等的可能性，因此多个集群间生成的UUID存在极低概率冲突的可能性。

GaussDB(DWS)提供兼容Oracle的sys_guid函数，生成Oracle的类似UUID的GUID序列，示例如下：

SELECT sys_guid();
             sys_guid
----------------------------------
 5FE5ADAF0D3109BF2AB7C927E700FFFE
(1 row)

注意：sys_guid函数内部实现原理同uuid_generate_v1函数，因此多个集群间生成的GUID同样存在极低概率冲突的可能性。

5. UUID的应用

UUID全局唯一的特点，可以作为数据表生成主键，也可以作为数据表的分布列，uuid_generate_v1作为数据表分布列的默认值时，通过Hash分布可以将数据均匀分布到各个DN上，防止数据倾斜。示例如下：

--int类型作为分布列
testDB=# CREATE TABLE tt01(a INT, b INT) DISTRIBUTE BY hash(a);
CREATE TABLE
testDB=# INSERT INTO tt01 VALUES(1, 10);
INSERT 0 1
testDB=# INSERT INTO tt01 VALUES(1, 10);
INSERT 0 1
testDB=# INSERT INTO tt01 VALUES(1, 10);
INSERT 0 1
testDB=# INSERT INTO tt01 VALUES(1, 10);
INSERT 0 1
testDB=# INSERT INTO tt01 VALUES(1, 10);
INSERT 0 1
testDB=# SELECT * FROM tt01;
 a | b
---+----
 1 | 10
 1 | 10
 1 | 10
 1 | 10
 1 | 10
(5 rows)
testDB=# SELECT table_skewness('tt01');
           table_skewness
-------------------------------------
 ("datanode1           ",5,100.000%)
 ("datanode2           ",0,0.000%)
(2 rows)

--UUID类型作为分布列 
testDB=# CREATE TABLE tt02 (id UUID default uuid_generate_v1(), a INT, b INT) DISTRIBUTE BY hash(id);
CREATE TABLE
testDB=# INSERT INTO tt02(a, b) VALUES(1, 10);
INSERT 0 1
testDB=# INSERT INTO tt02(a, b) VALUES(1, 10);
INSERT 0 1
testDB=# INSERT INTO tt02(a, b) VALUES(1, 10);
INSERT 0 1
testDB=# INSERT INTO tt02(a, b) VALUES(1, 10);
INSERT 0 1
testDB=# INSERT INTO tt02(a, b) VALUES(1, 10);
INSERT 0 1 
testDB=# SELECT * FROM tt02;
                  id                  | a | b
--------------------------------------+---+----
 5fe5b85c-92a6-09c3-3690-f42fd700fffe | 1 | 10
 5fe5b85c-e7e4-098b-3693-f42fd700fffe | 1 | 10
 5fe5b85c-051c-0a77-3694-f42fd700fffe | 1 | 10
 5fe5b85c-b09c-09fa-3691-f42fd700fffe | 1 | 10
 5fe5b85c-ce27-0941-3692-f42fd700fffe | 1 | 10
(5 rows)
testDB=# SELECT table_skewness('tt02');
           table_skewness
------------------------------------
 ("datanode1           ",3,60.000%)
 ("datanode2           ",2,40.000%)
(2 rows)

6. 总结

UUID的显著优点就是全局唯一，不需要中心节点，单个节点独立生成，程序在不同的数据库中迁移时效果不受影响。缺点也很显著，UUID比INT占用更多的存储空间，索引效率低，生成的ID很随机，没有递增的特性，同时辨识困难。因此，在应用中，要根据实际情况选择UUID还是Sequence作为数据表主键。