Livid 的这个思路很有趣！
最近我也在研究这方面的问题，提供一些备选方案让大家参考。
方案 1 ：使用有序集合
--------------------------------------
每当用户上线时，执行以下操作：
ZADD("online_users", <user_id>, <current_timestamp>)
想要知道有多少人在指定的时间区间（比如一天或者一周）内上线过，那么可以使用时间区间的起始时间戳和结束时间戳作为参数，调用 ZCOUNT 命令：
ZCOUNT("oneline_users", <start_timestamp>, <end_timestamp>)
判断用户的 session 是否过期可以通过以下方法：
user_online_timestamp = ZSCORE("online_users", <user_id>)
return (user_online_timestamp+SESSION_EXPIRETIME) < now()
其中 SESSION_EXPIRETIME 为 SESSION 的有效期秒数。
这个方案的优点是信息齐全，能够通过有序集合的特性方便地执行区间操作（ O(logN)），也可以快速地获取指定用户的登录时间（ O(1)）。缺点是耗费的内存比较大，并且需要手动删除有序集合中已经过期的用户信息。
方案 2 ：使用 HyperLogLog
--------------------------------------
用户上线：
PFADD("online_users", <user_id>)
获取在线人数：
PFCOUNT("online_users")
这个方案的优点是非常节约内存，无论网站的用户数量有多大，一个 HyperLogLog 都只消耗 12 KB 内存。当然，这个方案的缺点也非常明显：
1. 它无法获取用户的具体登录时间。
2. 因为 HyperLogLog 是一个概率算法，所以它无法准确地判断一个用户是否在线。
以上缺点都可以通过增加一个储存用户登录时间的 Hash 来解决，不过这一样一来，需要消耗的内存也会增加。
方案 3 ：使用 bitmap
---------------------------------------
上线：
SETBIT("online_users", <user_id>, 1)
检查指定的用户是否上线：
GETBIT("online_users" <user_id>) == 1
统计在线人数：
BITCOUNT("online_users")
这个方案最有趣的地方，就是可以对多个 bitmap 执行聚合计算，从而计算出诸如“有多少个人连续一周都上线了（全勤）”、“这周一共上线了多少个人”、“有多少人今天上线了但是昨天没上线”等问题：
BITOP("AND", "one_week_both_online", "day_1_online", "day_2_online", ..., "day_7_online") # 计算一周都上线的人
BITOP("OR", "one_week_online_total", "day_1_online", ..., "day_7_online") # 计算这周一共有多少人上线
这个方案储存一个用户的在线信息只需要使用一个二进制位，对于用户数为 100 万的网站来说，使用这一方案只需要花费 125 KB 内存，而储存 1000 万的用户信息只需要花费 1.25 MB 。
虽然 bitmap 节约内存的效果不及 HyperLogLog ，但是使用 bitmap 可以准确地判断一个用户是否上线。对于想要尽量节约内存，但又需要准确地知道用户是否在线，又或者需要对用户的在线信息进行聚合计算的应用来说，这个方案是最佳之选。
结语
---------------------------------------
好的，关于统计在线用户的备选方案就介绍到这里，希望这些方案会给大家带来帮助和启发。
最后打个小广告，我正在写一本名为《 Redis 使用教程》的书，里面不仅对用户 SESSION 储存、用户在线统计等问题给出了详细的解法，还提供了实际可运行的 Python 代码，上面给出的一些方案在书中也有介绍，有兴趣的朋友可以关注一下：
RedisGuide.com 非常感谢！
huangz
2016.8.13