翻译：管长龙
Yves 是 Percona 的首席架构师，专门研究分布式技能，例如 MySQL Cluster，Pacemaker 和 XtraDB cluster。他以前是 MySQL 和 Sun 的高等顾问。拥有实验物理学博士学位。
原文链接：https://www.percona.com/blog/2019/11/22/uuids-are-popular-but-bad-for-performance-lets-discuss/
如果你在网上快速的做一个关于 UUID 和 MySQL 的搜索，你会得到相称多的结果。以下是一些例子：
存储 UUID 和 天生列在 MySQL 中存储 UUID 的值解释 InnoDB 中的主键模型及其对磁盘利用的影响主键选型之战 UUID vs. INTGUID / UUID 的性能打破到底需不须要 UUID？另：以上文章链接请在文章结尾处查看。
那么，像这样一个众所周知的话题还须要更多关注吗？显然是的。
只管大多数帖子都警告人们不要利用 UUID，但它们仍旧非常受欢迎。这种受欢迎的缘故原由是，这些值可以很随意马虎地由远程设备天生，并且冲突的概率非常低。这篇文章，目标是总结其他人已经写过的东西，并希望能带来一些新的想法。
UUID 是什么？
UUID 代表通用唯一标识符，在 RFC 4122 中定义。它是一个 128 位数字，常日以十六进制表示，并用破折号分成五组。范例的 UUID 值如下所示：
RFC 4122：https://tools.ietf.org/html/rfc4122
yves@laptop:~$ uuidgen83fda883-86d9-4913-9729-91f20973fa52
一共有 5 种正式的 UUID 值类型（版本 1 - 5），但最常见的是：基于韶光的（版本 1 / 2）和纯随机的（版本 3）。自 1970 年 1 月 1 日起，对 10ns 内基于韶光类型的 7.5 个字节（60位）形式的 UUID 数目进行编码，并以 "time-low"-"time-mid"-"time-hi" 的格式进行划分。短缺的 4 位是用作 time-hi字段前缀的版本号。前三组的 64 位值就这么产生了。末了两组是时钟序列，每次修正时钟都会增加一个值以及一个主机唯一标识符。大多数情形下，主机主网络接口的 MAC 地址用作唯一标识符。
利用基于韶光的 UUID 值时，须要把稳以下几点：
可以从前三个字段确定天生值的大概韶光连续的 UUID 值之间有许多重复字段第一个字段 "time-low" 每 429 秒滚动一次MySQL UUID 函数产生 1 版本的值这是一个利用 "uuidgen" （Unix 工具）天生基于韶光的值的示例：
yves@laptop:~$ for i in $(seq 1 500); do echo "$(date +%s): $(uuidgen -t)"; sleep 1; done1573656803: 572e4122-0625-11ea-9f44-8c16456798f11573656804: 57c8019a-0625-11ea-9f44-8c16456798f11573656805: 586202b8-0625-11ea-9f44-8c16456798f1...1573657085: ff86e090-0625-11ea-9f44-8c16456798f11573657086: 0020a216-0626-11ea-9f44-8c16456798f1...1573657232: 56b943b2-0626-11ea-9f44-8c16456798f11573657233: 57534782-0626-11ea-9f44-8c16456798f11573657234: 57ed593a-0626-11ea-9f44-8c16456798f1...
第一个字段翻转（t=1573657086），第二个字段递增。第一个字段再次看到相似的值大约须要 429s。第三个字段每年大约变动一次。末了一个字段在给定主机上是静态的，MAC 地址在条记本电脑上利用：
yves@laptop:~$ ifconfig | grep ether | grep 8c ether 8c:16:45:67:98:f1 txqueuelen 1000 (Ethernet)
另一个常常看到的 UUID 是版本 4，即纯随机版本。默认情形下 "uuidgen" 工具会天生 UUID 版本4 的值：
yves@laptop:~$ for i in $(seq 1 3); do uuidgen; done6102ef39-c3f4-4977-80d4-742d15eefe6614d6e343-028d-48a3-9ec6-77f1b703dc8fac9c7139-34a1-48cf-86cf-a2c823689a91
唯一的 “重复”值是第三个字段开头的版本 "4"。其他 124 位都是随机的。
UUID 的值到底有什么问题？
为了理解利用 UUID 值作为主键的影响，主要的是要检讨 InnoDB 如何组织数据。InnoDB 将表的行存储在主键的 b-tree（聚簇索引）中。聚簇索引通过主键自动对行进行排序。
当插入具有随机主键值的新数据时，InnoDB 必须找到该行所属的页面，如果尚不存在该页面，则将其加载到缓冲池中，插入该行，然后终极将页面刷新回 磁盘。如果利用纯随机值和大表，则所有 b-tree 的叶子页都易于吸收新行，没有热页。不按主键顺序插入的行会导致页面拆分，从而导致较低的添补系数。对付比缓冲池大得多的表，插入很可能须要从磁盘读取表页。缓冲池中已插入新行的页面将变为脏页。在须要刷新到磁盘之前，该页面吸收第二行的几率非常低。在大多数情形下，每次插入都会导致两次 IOP（一读一写）。第一个紧张是对 IOP 速率的影响，它是可伸缩性的紧张限定成分。
因此，得到良好性能的唯一方法是利用具有低延迟和高耐久性的存储。这是第二个紧张的影响成分。对付聚拢索引，赞助索引将主键值用作指针。主键 b-tree 的叶子来存储行，而二级索引 b-tree 的叶子来存储主键值。
假设一张一百万行的表格具有 UUID 主键和五个赞助索引。通过阅读上一段，我们知道每行主键值存储六次。这意味着统共有六百万个char(36) 类型的值，意味着数据总量 216 GB。这只是冰山一角，由于表常日具有指向其他表的外键（无论是否显式）。当架构基于 UUID 值时，所有支持的列和索引均为 char(36) 类型。基于 UUID 的架构，大约 70％ 的存储用于这些值。
如果这还不足，那么利用 UUID 值会产生第三个主要影响。CPU 一次最多可比较 8 个字节的整数值，但 UUID 值每个字符之间都要比较。数据库很少受到 CPU 的限定，但这仍旧增加了查询的延迟。如果还不愿定，请看一下整数与字符串之间的性能比较：
mysql> select benchmark(100000000,2=3);+--------------------------+| benchmark(100000000,2=3) |+--------------------------+| 0 |+--------------------------+1 row in set (0.96 sec)mysql> select benchmark(100000000,'df878007-80da-11e9-93dd-00163e000002'='df878007-80da-11e9-93dd-00163e000003');+----------------------------------------------------------------------------------------------------+| benchmark(100000000,'df878007-80da-11e9-93dd-00163e000002'='df878007-80da-11e9-93dd-00163e000003') |+----------------------------------------------------------------------------------------------------+| 0 |+----------------------------------------------------------------------------------------------------+1 row in set (27.67 sec)
当然，以上示例是最坏的情形，但至少可以解释问题的范围。整数的比较大约快 28 倍。纵然差值在 char 值中迅速涌现，也仍旧比 UUID 慢了约 2.5 倍：
mysql> select benchmark(100000000,'df878007-80da-11e9-93dd-00163e000002'='ef878007-80da-11e9-93dd-00163e000003');+----------------------------------------------------------------------------------------------------+| benchmark(100000000,'df878007-80da-11e9-93dd-00163e000002'='ef878007-80da-11e9-93dd-00163e000003') |+----------------------------------------------------------------------------------------------------+| 0 |+----------------------------------------------------------------------------------------------------+1 row in set (2.45 sec)
让我们探索一些办理这些问题的办理方案。
值的尺寸
UUID，hash 和 token 的默认表示形式常日是十六进制表示法。对付基数，可能的值数（每个字节只有 16 个）远没有效率。利用其他表示形式（如 base64 或直接二进制）怎么办？我们可以节省多少？性能如何受到影响？
让我们以 base64 表示法开始。每个字节的基数为 64（六十四进制），因此在 3 个字节在 base64 中须要 来表示 2 个字节的实际值。一个 UUID 的值由 16 个字节的数据组成，如果我们除以 3，则余数为 1。为处理该问题，base64 编码在末端添加了 '==' ：
mysql> select to_base64(unhex(replace(uuid(),'-','')));+------------------------------------------+| to_base64(unhex(replace(uuid(),'-',''))) |+------------------------------------------+| clJ4xvczEeml1FJUAJ7+Fg== |+------------------------------------------+1 row in set (0.00 sec)
如果知道编码实体的长度（例如 UUID 的长度），我们就可以删除 "=="，由于它只是一种长度配重。因此，以 base64 编码的 UUID 的长度为 22。
下一步的逻辑步骤是直接以二进制格式存储值。这是最空想的格式，但是在 MySQL 客户端中显示值不太方便。
那么，尺寸对性能有何影响？为相识释影响，我在具有以下定义的表中插入了随机的 UUID 值。
CREATE TABLE `data_uuid` ( `id` char(36) NOT NULL, PRIMARY KEY (`id`)) ENGINE=InnoDB DEFAULT CHARSET=latin1;
为默认的十六进制表示形式。对付 base64，"id" 列定义为 char(22)，而 binary(16) 用于二进制示例。数据库做事器的缓冲池大小为 128M，其 IOP 限定为 500。插入是在单个线程上完成的。
利用 UUID 值的不同表示形式的表的插入率
在所有情形下，插入速率最初都是受 CPU 限定的，但是一旦表大于缓冲池，则插入将很快成为 IO 限定。对付 UUID 值利用较小的表示形式只会使更多的行进入缓冲池，但从长远来看，这对性能没有真正的帮助，由于随机插入顺序占主导地位。如果利用随机 UUID 值作为主键，则性能会受到您可以承受的内存量的限定。
方案 1：利用伪随机顺序保存
如我们所见，最主要的问题是值的随机性。新的行可能会在任何表的子页中结束。因此，除非全体表都已加载到缓冲池中，否则它意味着读 IOP，末了是写 IOP。我的同事 David Ducos 为这个问题供应了一个很好的办理方案，但是一些客户不想 UUID 值中提取信息，例如天生韶光戳。
如果我们只是轻微减少值的随机性，以使几个字节的前缀在一个韶光间隔内不变，该怎么办？在该韶光间隔内，只须要将全体表的一小部分（对应于前缀的基数）存储在内存中，以保存读取的 IOP。这也将增加页面在刷新到磁盘之前吸收第二次写入的可能性，从而减少了写入负载。让我们考虑以下 UUID 天生函数：
drop function if exists f_new_uuid;delimiter ;;CREATE DEFINER=`root`@`%` FUNCTION `f_new_uuid`() RETURNS char(36) NOT DETERMINISTICBEGIN DECLARE cNewUUID char(36); DECLARE cMd5Val char(32); set cMd5Val = md5(concat(rand(),now(6))); set cNewUUID = concat(left(md5(concat(year(now()),week(now()))),4),left(cMd5Val,4),'-', mid(cMd5Val,5,4),'-4',mid(cMd5Val,9,3),'-',mid(cMd5Val,13,4),'-',mid(cMd5Val,17,12)); RETURN cNewUUID;END;;delimiter ;
函数解释
UUID 值的前四个字符来自当前年份和星期编号的串联 MD5 哈希值。当然，该值在一个星期内是静态的。UUID 值的别的部分来自随机值的 MD5 和当前韶光，精度为 1us。第三个字段以 "4" 为前缀，表示它是版本 4 的 UUID 类型。有 65536 个可能的前缀，因此在一周内，内存中仅须要表行的 1/65536，以避免在插入时读取 IOP。这更随意马虎管理，一个 1TB 的表在缓冲池中只须要大约 16MB 的空间即可支持插入。
方案 2：将 UUID 映射成整数
纵然您利用 binary(16) 存储的伪有序的 UUID 值，它仍旧是非常大的数据类型，这会增大数据集的大小。请记住，InnoDB 将主键值用作赞助索引中的指针。如果我们将所有的 UUID 值存储在映射表中怎么办？映射表将定义为：
CREATE TABLE `uuid_to_id` ( `id` int(10) unsigned NOT NULL AUTO_INCREMENT, `uuid` char(36) NOT NULL, `uuid_hash` int(10) unsigned GENERATED ALWAYS AS (crc32(`uuid`)) STORED NOT NULL, PRIMARY KEY (`id`), KEY `idx_hash` (`uuid_hash`)) ENGINE=InnoDB AUTO_INCREMENT=2590857 DEFAULT CHARSET=latin1;
主要的是要把稳 uuid_to_id 表不会逼迫 UUID 的唯一性。idx_hash 索引的浸染有点像布隆过滤器。如果没有匹配的哈希值，我们肯定会知道表格中没有 UUID 值，但是如果有匹配的哈希值，我们就必须利用存储的 UUID 值进行验证。为帮助我们，请创建一个 SQL 函数：
DELIMITER ;;CREATE DEFINER=`root`@`%` FUNCTION `f_uuid_to_id`(pUUID char(36)) RETURNS int(10) unsigned DETERMINISTICBEGIN DECLARE iID int unsigned; DECLARE iOUT int unsigned; select get_lock('uuid_lock',10) INTO iOUT; SELECT id INTO iID FROM uuid_to_id WHERE uuid_hash = crc32(pUUID) and uuid = pUUID; IF iID IS NOT NULL THEN select release_lock('uuid_lock') INTO iOUT; SIGNAL SQLSTATE '23000' SET MESSAGE_TEXT = 'Duplicate entry', MYSQL_ERRNO = 1062; ELSE insert into uuid_to_id (uuid) values (pUUID); select release_lock('uuid_lock') INTO iOUT; set iID = last_insert_id(); END IF; RETURN iID;END ;;DELIMITER ;
该函数检讨 uuid_to_id 表中是否存在通过验证的 UUID 值，如果确实存在，则返回匹配的 id 值，否则将插入 UUID 值并返回 lastinsertid。为了防止同时提交相同的 UUID 值，我添加了一个数据库锁。数据库锁限定理解决方案的可伸缩性。如果您的运用程序无法在很短的韶光内提交两次要求，则可以删除该锁。
替代方案结论
现在，让我们看一下利用这些替代方案的插入率。
利用 UUID 值作为主键插入表的方法
伪顺序结果很好。在这里，我修正了算法，以使 UUID 前缀保持一分钟而不是一星期不变，以便更好地适应测试环境。纵然伪顺序办理方案表现良好，也请记住，它仍旧会使架构膨胀，总体而言，性能提升可能不会那么大。
只管由于所需的附加 DML 导致插入率较小，但映射到整数值会使架构与 UUID 值分离。这些表现在利用整数作为主键。此映射险些肃清了利用 UUID 值的所有可伸缩性问题。只管如此，纵然在 CPU 和 IOP 受限的小型虚拟机上，UUID 映射技能也可以每秒产生近 4000次插入。在高下文中，这意味着每小时有 1400 万行，每天 3.45 亿行和每年 1260 亿行。这样的速率可能符合大多数哀求。唯一的增长限定成分是哈希索引的大小。当哈希索引太大而无法容纳在缓冲池中时，性能将开始低落。
UUID 之外的选择
当然，还有其他天生唯一 ID 的可能性。MySQL 函数 UUID_SHORT() 利用的方法很有趣。诸如智好手机之类的远程设备可以利用 UTC 韶光而不是做事器正常运行韶光。这是一个建议：
(Seconds since January 1st 1970) << 32+ (lower 2 bytes of the wifi MAC address) << 16+ 16_bits_unsigned_int++;
16 位计数器应初始化为随机值，并许可翻转。两个产生相同 ID 的设备的几率很小。它必须大约同时发生，两个设备的 MAC 必须具有相同的低字节，并且它们的 16 位计数器必须以相同的增量递增。
作者的 GitHub：
https://github.com/y-trudeau/blog_data/tree/master/YetAnotherPostAboutUUIDs
文章开头提到的搜索列表链接：
https://www.percona.com/blog/2017/05/03/uuid-generated-columns/
https://www.percona.com/blog/2014/12/19/store-uuid-optimized-way/
https://www.percona.com/blog/2015/04/03/illustrating-primary-key-models-in-innodb-and-their-impact-on-disk-usage/
http://www.mysqltutorial.org/mysql-uuid/
http://mysql.rjweb.org/doc.php/uuid
https://www.percona.com/blog/2007/03/13/to-uuid-or-not-to-uuid/
