使用Redis的Set集合和有序集合结合心跳机制实现在线用户统计。高并发场景下，采用滑动窗口+分布式锁确保数据准确性和实时性。核心代码如下：
1. 用户上线：ZADD online_users <timestamp> user_id; SADD active_users user_id;
2. 心跳续期：用户每30s发送心跳，EXPIRE user_heartbeat:user_id 60;
3. 清理离线：定时任务每分钟执行ZREMRANGEBYSCORE online_users 0 <current-120>; DEL user_heartbeat:user_id if expired;
4. 在线数：ZCARD online_users 或 SCARD active_users;
5. 高并发防重：Lua脚本原子执行incr/decr操作，避免竞态。脚本示例：redis.call('ZADD', KEYS[1], ARGV[1], ARGV[2]); redis.call('EXPIRE', KEYS[1], 120);

方案一：基于Redis Set + 定时清理

当用户登录时，将用户ID加入到一个Redis Set集合中，命名为online_users。同时设置一个超时时间，比如5分钟。用户主动退出时，从集合中移除。服务器定时任务每分钟扫描集合中超时的用户ID并清理。这样既保证了实时性，也能处理异常掉线情况。高并发下使用pipeline批量操作提升性能。

方案二：使用Sorted Set + 心跳机制

采用ZSET，score为当前时间戳。用户每30秒发送心跳更新score。后台任务每分钟执行ZREMRANGEBYSCORE online_users 0 <now-120> 移除2分钟无心跳用户。查询在线数直接ZCARD，非常高效。在高并发场景，结合Redis Cluster分片存储，按用户ID哈希到不同节点。

方案三：Bitmap + 分布式锁

对于百万级用户，用Bitmap节省内存，每位代表一个用户在线状态。用户上线SETBIT online_bitmap user_id 1，下线SETBIT 0。准确性问题用Redlock分布式锁包装操作。高并发下分多个Bitmap，按用户ID取模分片存储，实时性通过BITCOUNT快速统计。

方案四：HyperLogLog近似统计

如果不需要精确数字，HyperLogLog误差<1%。用户上线PFADD online_hll user_id，下线不处理或定时清理。适合亿级UV统计，高并发无压力，内存占用固定8KB左右。但不适合精确在线用户数。

方案五：Stream + Consumer Group

用户事件发到Redis Stream，消费者组处理上线/下线事件更新计数器。结合Lua脚本原子更新incr在线数。实时性强，支持回溯，适合复杂业务逻辑。高并发用多个消费者并行处理。

优化：Lua脚本防竞态

高并发下多进程同时操作同一key会导致数据不准。用Lua脚本原子执行：local users = redis.call('SCARD', KEYS[1]); if users < 10000 then redis.call('SADD', KEYS[1], ARGV[1]); end; return users;

实际生产代码片段

function addOnlineUser(userId)
redis:eval([[
if redis.call('sismember', KEYS[1], ARGV[1]) == 0 then
redis.call('sadd', KEYS[1], ARGV[1])
redis.call('setex', KEYS[2]..ARGV[1], 300, ARGV[2])
end
]], 2, 'online_users', 'heartbeat:', userId, timestamp)
end

FAQ
Q: 高并发下为什么不用数据库统计在线用户？
A: 数据库单表QPS有限，Redis内存操作快几千倍。
Q: 用户异常掉线怎么处理？
A: 心跳超时+定时清理任务自动移除。
Q: 怎么保证多机部署数据一致？
A: Redis Cluster或Sentinel，主从同步。
Q: 内存占用怎么控制？
A: Set每用户64字节，结合LRU策略和分片。