关于上网时长的高性能计算问题

Question

背景：
原始数据是上线一条数据纪录，下线一条数据数据纪录。并且数据量巨大，每秒产生20K～50K条数据。
数据纪录格式为文本，大概是这样：        IP地址，端口号，时间，上线/下线现在需要当收到下线数据纪录时，找到之前的上线数据纪录。同时计算出该用户上网的时长。上网时间＝下线时间－上线时间。
需要注意的问题：
1、上网时间可能会超过一周，因此前面上线纪录的数据需要保存较长时间，假设最长一周。
2、如何高效迅速的查到的对应的上线数据纪录，而不至于整个处理程序被堵塞。
3、按照IP地址、端口号来标识唯一一次用户上线行为，用户记录数最大可能会达到20M条纪录。假设可以全部放入内存中。
4、收到用户下线纪录后，完成上线时长的计算后，应该将内存中的相应上线纪录数据删除。删除也会有性能开销。请各位大牛给一些思路和方案，感觉应该有对应这个问题的数据结构和算法。谢谢！！！最多只能一次给100分，如果问题解决，可以另外开帖子散分。高性能计算算法内存

Answer 1

这么大的数据量，你要放在内存里面的话，检索起来会很麻烦的，倒不如采用数据库来做。如果硬要自己实现的话，算法肯定很复杂，否则你的性能根本支持不了，可以考虑btree结构存储索引试试。不过因为你数据量太大了，放在内存中很难说，不过如果可以分布式倒是没有问题。

Answer 2

内存里只需要有每个用户最后一次上线的数据就可以了吧，每次有下线事件，则输出并消除这个上线数据
这样在内存中储存时只需要一个map，key是用户id可以为 ip:port，数据为上线时间对于那个文件，可以用个watcher只观察modify这个事件，每此收到此事件获得新的文件大小，对比上次事件的大小只处理这两个事件变化的部分

Answer 3

大致同意。
此外删除上线数据并不需要实时，开一个线程定时遍历并删除那些过期的map entry，好处是某些用户可能重复登陆，重复使用可减少GC。
关于文件其实不需要watcher，既然数据量很大，那么就可以假设文件每时都在变化，一个定时检查器就足够了。整个程序的驱动器就像这里所说的LogView http://sunnylocus.iteye.com/blog/694666

Answer 4

缓存加数据库，以IP＋端口号为id
1. 数据库2个表，一个存储当前在线状态，一个存储历史上线与离线状态。
2. 缓存例如1000个用户状态，缓存满了就写入数据库，这样用于减轻数据库访问压力。缓存有许多优秀的框架，直接用。

Answer 5

可以全部放内存？ 就是说你内存够大？ 
那就都放HASHMAP好了 一开始初始化的时候开大点，以避免扩容带来的性能损耗。

Answer 6

这好比一个大session的功能，超时时间为1周，IP+端口号为唯一session好，上线的时候就相当于创建，下线注销，不过你的用户记录数最大可能会达到20M条，这倒是挺大的，具体多大我也没有什么概念，估计得50W条！
当用户下线的时候，组织session(IP+端口号) 新开线程去查询和得到上线时间并把该用户的上线记录删除？这所有的逻辑都在一起了，处理起来估计效率有点慢吖！或者直接把数据丢给其他程序处理，主程序只做数据转发，开多个客户端处理，主程序和客户端程序用socket通讯？