如何实现亿级用户在线状态统计？

亿级用户在线场景分析与解决方案

1. 亿级用户在线场景分析

以 QQ 在线状态统计为例，其典型特征包括：数据量大、内存占用高、实时性要求高。传统的解决方案（如在数据库中为每个用户添加一个在线状态字段，上线设为 1，下线设为 0）在这种场景下显得力不从心。原因如下：

• 数据库压力大：频繁的上、下线操作会导致数据库 IO 压力剧增。
• 实时统计困难：频繁刷新查询会拖垮数据库性能，难以满足实时性要求。

因此，我们需要寻找更高效、更适合大规模场景的解决方案。

2. 解决方案

针对亿级用户在线状态统计，常见的解决方案可分为两类：

2.1 基于总数的统计方案

通过维护一个总在线人数计数器，用户上线时计数器加 1，下线时减 1，从而实现在线人数的统计。

优点

• 实现简单，效率高。
• 内存占用少。

缺点

• 无法精确查询某个用户在某个时刻的在线状态。
• 在异常退出应用的情况下，难以实现基于在线监测机制的重复下线判断。

2.2 基于具体用户详情的统计方案

将用户的标识（如 QQ 号）和在线状态存储在集合中，通过集合操作实现统计。

优点

• 统计精准，可以查询某个用户在某个时刻的在线状态。
• 在异常退出应用的情况下，可以精准地实现下线用户的去重功能。

缺点

• 内存占用大。
• 效率较低。

3. 具体实现

以下是两种方案的具体实现方式：

3.1 基于总数的统计方案

基于总数的统计可以通过以下两种方式实现：

3.1.1 基于 Redis 的 incr 和 decr 操作

使用 Redis 的 incr（加 1）和 decr（减 1）操作来维护在线人数计数器。用户上线时调用 incr，下线时调用 decr。

3.1.2 基于 Redis 的 HyperLogLog

Redis 的 HyperLogLog（HLL）是一种高性能的基数（去重）统计数据结构，适用于大规模数据的去重统计。其优点是空间占用率极低（仅需 12KB 空间即可统计约 18 亿数据），但缺点是存在极低的误差率（约 0.81%）。HLL 的特点如下：

• 无法移除元素。
• 适合对误差容忍度较高的场景。

3.2 基于用户标识的统计实现

基于用户标识（如 QQ 号），可以使用 Redis 的 Bitmap（位数组） 来实现。Bitmap 的结构如下：

• 每个下标表示一个具体的数字，值为 1 表示在线，值为 0 表示离线。
• 例如，10 亿个数字占用的位数组空间为 10 亿 bit = 0.116 GB，空间占用量极小。

具体操作命令

• 用户上线：使用 SETBIT 命令将对应位置设为 1。
• 用户下线：使用 SETBIT 命令将对应位置设为 0。
• 判断用户是否在线：使用 GETBIT 命令。
• 统计在线用户数：使用 BITCOUNT 命令。

3.3 Spring Boot 中的实现

在 Spring Boot 项目中，可以使用 RedisTemplate 实现用户的上、下线设置以及在线人数统计。具体代码如下：

import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.data.redis.core.RedisTemplate;
import org.springframework.stereotype.Service;

@Service
public class BitmapService {

    @Autowired
    private RedisTemplate<String, Object> redisTemplate;

    /**
     * 设置 Bitmap 中的位
     * @param key 键
     * @param offset 偏移量
     * @param value 值（0 或 1）
     */
    public void setBit(String key, long offset, boolean value) {
        redisTemplate.opsForValue().setBit(key, offset, value);
    }

    /**
     * 获取 Bitmap 中的位
     * @param key 键
     * @param offset 偏移量
     * @return 位的值（0 或 1）
     */
    public boolean getBit(String key, long offset) {
        return redisTemplate.opsForValue().getBit(key, offset);
    }

    /**
     * 计算 Bitmap 中值为 1 的位的数量
     * @param key 键
     * @return 值为 1 的位的数量
     */
    public Long bitCount(String key) {
        return redisTemplate.opsForValue().bitCount(key);
    }
}

4. 总结

在处理亿级用户在线状态统计时，选择合适的方案至关重要。基于总数的统计方案虽然简单高效，但缺乏精准性；而基于用户标识的统计方案虽然精准，但内存占用较大。结合实际需求，可以选择以下路径： 如果对实时性和性能要求极高，且可以容忍少量误差，可以选择基于 Redis 的 HyperLogLog 或 Bitmap 方案。 如果需要精准查询用户的在线状态，且对内存占用和效率要求较低，可以选择基于用户标识的集合方案。