美团二面挂了！问 “2亿日活怎么算”，我答 “Set集合”，面试官：你是想把 Redis 炸了吗？-平芜编程栈

写在开头

昨天帮一位粉丝复盘美团二面，他说自己最委屈的是倒在了“Redis 海量数据统计”上。他在现场和面试官经历了这样一段“死亡对话”：

面试官推了推眼镜：“我们现在的 App 有 2 亿注册用户，大促期间预计有 1 亿用户登录。如何设计 Redis 存储方案来统计今天的日活（DAU），并支持快速判断某个用户是否登录？”

老哥心里暗喜（这题我会啊）： “这简单，用Set 集合！用户登录一个SADD一个，利用 Set 的去重特性，最后SCARD一下就是日活。”

面试官冷笑了一声： “那你知道存 1 亿个用户 ID（假设是 Long 类型），Set 需要消耗多少内存吗？Redis 单线程处理这么大的 BigKey，扩容和持久化时会发生什么？”

老哥当场懵了，支支吾吾答不上来。

这一刻他才明白，面试官考的根本不是 API 怎么调，而是你对“底层成本”怎么算。

在小数据量下 Set 确实方便，但到了亿级流量，这简直是生产事故。

今天咱们就把这道题拆透，用“计算逻辑”和“大厂架构视角”告诉你，为什么顶级架构师在这类场景下都不单纯用 Set。

第一步：算“笨办法”成本，揭露 Set 的致命陷阱

咱们先别急着写代码，先拿出计算器，算算朋友口中那个“简单”的 Set 方案。

假设用户 ID 是连续的 Long 类型，占 8 字节。

你以为的内存：1 亿 × 8 字节 = 800 MB？错！大错特错！
真实的 Redis 内存：Redis 的 Set 底层存储不仅存数据，还有dictEntry、robj等元数据开销，加上哈希表的负载因子导致的预分配。

在 64 位操作系统下，存储一个 Long 类型的字符串或数字，Set 内部每个元素平均大概需要50 - 64 字节的空间。

真实的账是这么算的：

结论：仅仅为了统计一天的日活，就要吃掉6.4G 内存！

但这还不是最致命的。最致命的是你制造了一个核弹级的 BigKey：

BigKey 阻塞：这是一个 6G 的巨型 Key，删除或过期时，主线程直接卡死；
RDB 风险：生成快照时，fork 子进程复制页表，内存瞬间翻倍，甚至导致 OOM；
网络风暴：主从切换时，传输这个 6G 的 Key 会把网卡瞬间打满。

所以，Set 方案 = 生产事故。

第二步：算“位图”优势，空间压缩 250 倍

看着面试官失望的眼神，这时候你必须祭出 Bitmap（位图）。

针对这种“只有 0 和 1 两种状态”（登录/未登录）的场景，Bitmap 是物理上的极致。它的底层是 String，但可以按 bit 操作。我们将用户 ID 作为 bit 的偏移量（offset），1 表示登录，0 表示未登录。

关键计算逻辑：

Bitmap 的大小不取决于“有多少人登录”，而取决于“最大的 UserID 是多少”。

题目中有 2 亿注册用户，假设 UserID 是连续的（1 ~ 200,000,000）。

对比冲击：

Set 方案：6.4 GB
Bitmap 方案：~24 MB

差距高达 250 倍以上！哪怕你要统计一整年的日活，Bitmap 加起来也不过 8GB 左右，完全在可控范围内。

第三步：生产环境的“进阶坑”，别忘分片

面试到这一步，如果你只答出 Bitmap，只能算“合格”。要拿“S card”，你得指出 Bitmap 的隐患：

单个 Bitmap 还是 BigKey 怎么办？

虽然 24MB 不算超大，但在高并发下，对同一个 Key 的频繁 SETBIT 操作（尤其是 Cluster 模式）会导致请求全部打向某一个分片（Slot），造成单点过热。

解法：分片（Sharding）。

将用户 ID 模 1000，拆分成 1000 个小的 Bitmap：

Key = dau:20251215:001

...

Key = dau:20251215:999

这样既打散了流量，又避免了单个 Key 过大。

注意：统计总数时，需要在应用层并发查询这 1000 个 Key 的 BITCOUNT 然后累加。

第四步：架构师视角（大厂是如何做日活统计的？）

如果面试官继续追问：“如果我的 ID 不是连续的数字，或者是雪花算法（Snowflake）生成的 19 位 ID 怎么办？老板想看北京地区的日活怎么办？”

这时候，Redis Bitmap 就不是银弹了。大厂通常采用“组合拳”：

1. 稀疏 ID 场景 -> Roaring Bitmap

痛点：如果 ID 是 19 位的，直接用 Redis Bitmap 会申请一段巨大的内存（PB级），中间全是 0，极度浪费。
解法：使用Roaring Bitmap（压缩位图）。它在 Java 内存或大数据引擎中使用，对于稀疏数据，它使用数组存储；对于稠密数据，自动转换为位图。既省空间，又保留了位运算的高效。

2. 允许误差的大盘数据 -> HyperLogLog

痛点：几千个业务线都要统计日活，内存还是不够用。
解法：Redis HyperLogLog。无论日活是 1 万还是 10 亿，固定只占 12KB 内存。虽然有 0.81% 的误差，但对于实时大盘展示完全够用。

3. 多维度 BI 分析 -> ClickHouse

痛点：老板要看“北京地区、使用 iPhone、版本 v2.0 的日活”。
解法：Redis 做不到多维交叉。这时候数据要清洗入库ClickHouse或Doris，利用它们内置的bitmap函数进行 SQL 级的多维聚合分析。

面试标准答案模板：这样说，技术总监会觉得你是“自己人”

把上面的推导串起来，这就是可以直接输出的“专家级”回答：

“面试官您好，这道题不能直接拍脑袋选数据结构，需要结合数据基数、ID 特征和业务场景来分层设计。

在 C 端实时场景（如判断用户是否登录）：
我会排除 Set 方案，因为它有 6.4GB 的内存开销和 BigKey 风险。
我会首选 Redis Bitmap。对于 2 亿用户，内存仅需 24MB。为了防止热点，我会按 UserID 取模进行分片处理。
针对特殊 ID 场景（如雪花 ID）：
如果 ID 极其稀疏，Redis Bitmap 会造成空间浪费。我会引入 Roaring Bitmap 算法，或者在 Redis 外部维护一套‘UserID -> 自增 ID’的映射表。
在 B 端分析场景（如多维统计）：
如果业务需要统计‘北京地区+安卓’的日活，Redis 很难胜任。我会建议将数据落入 ClickHouse，利用其内置的 Bitmap 类型进行多维交叉分析。

总结就是：实时查状态用 Redis 分片 Bitmap，多维分析用 ClickHouse，大盘估算用 HyperLogLog。”