Java实现亿级用户在线状态统计的两种方法

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。

 到此这篇关于Java实现亿级用户在线状态统计的示例的文章就介绍到这了,更多相关Java 亿级用户在线状态统计内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！