Kiến trúc & pattern nâng cao
DDD chiến lược và ranh giới service, event sourcing, CQRS, Kafka bên trong, tiến hoá schema sự kiện, choreography vs orchestration, API gateway/BFF/service mesh, modular monolith, strangler fig, coupling đồng bộ.
Ở cấp senior/staff, câu hỏi kiến trúc không có đáp án đúng tuyệt đối — người phỏng vấn đánh giá bạn có chọn pattern vì vấn đề cụ thể hay vì nó thời thượng, có nói được cái giá phải trả, và có biết lộ trình tiến hoá từ đơn giản đến phức tạp hay không. Mỗi câu trả lời nên kết thúc bằng: 'tôi sẽ dùng nó khi..., và tránh nó khi...'.
📋 Danh sách câu hỏi
- 61Bạn xác định ranh giới service/module thế nào? Bounded context trong DDD là gì?●●●○ Khó
- 62Event sourcing là gì? Lợi ích, chi phí và khi nào không nên dùng?●●●● Cực khó
- 63CQRS là gì? Khi nào tách mô hình đọc và mô hình ghi là đáng giá?●●●○ Khó
- 64Giải thích kiến trúc Kafka: topic, partition, offset, consumer group, rebalancing. Bạn chọn số partition và partition key thế nào?●●●● Cực khó
- 65Sự kiện giữa các service thay đổi cấu trúc theo thời gian. Bạn quản lý hợp đồng sự kiện (event contract) và schema evolution thế nào?●●●○ Khó
- 66Choreography và orchestration khác nhau thế nào cho quy trình nhiều service? Workflow engine như Temporal giải quyết gì?●●●● Cực khó
- 67Phân biệt API Gateway, Backend-for-Frontend (BFF) và Service Mesh. Mỗi thứ giải quyết vấn đề gì?●●●○ Khó
- 68Bạn xây dựng và giữ một 'modular monolith' thế nào để nó không thành 'big ball of mud'?●●●○ Khó
- 69Bạn được giao thay thế một hệ thống legacy 10 năm tuổi đang chạy kinh doanh. Kế hoạch của bạn là gì?●●●● Cực khó
- 70Một request phải gọi tuần tự qua 6 microservice, mỗi service có availability 99.9%. Availability tổng là bao nhiêu? Bạn giảm coupling đồng bộ thế nào?●●●● Cực khó
Xem câu trả lời & giải thích
Bounded context là phạm vi mà một mô hình và ngôn ngữ nghiệp vụ (ubiquitous language) có nghĩa nhất quán — 'Khách hàng' trong Billing (người trả tiền, có phương thức thanh toán) khác 'Khách hàng' trong Support (người có ticket). Ranh giới tốt được tìm từ nghiệp vụ (event storming, các năng lực kinh doanh, ai sở hữu quyết định), có gắn kết cao bên trong và phụ thuộc thấp ra ngoài, sở hữu dữ liệu riêng, và thường trùng với ranh giới team (định luật Conway).
- Context mapping: quan hệ giữa các context — Customer/Supplier, Conformist, Anti-Corruption Layer, Shared Kernel, Published Language, Open Host Service.
- Dấu hiệu ranh giới sai: hai service luôn phải deploy cùng nhau, thay đổi một tính năng chạm 5 service, gọi đồng bộ qua lại "trò chuyện" nhiều, chia sẻ bảng database.
- Chia theo danh từ (UserService, ProductService) thường tạo service phụ thuộc lẫn nhau; chia theo năng lực/luồng nghiệp vụ (Checkout, Fulfillment, Pricing) bền hơn.
- Core domain / supporting / generic subdomain: đầu tư thiết kế kỹ cho core; generic (auth, email, thanh toán) thì mua hoặc dùng dịch vụ.
- Bắt đầu bằng module trong monolith với ranh giới rõ; ranh giới được kiểm chứng bằng thời gian rồi mới tách service.
- Event storming 1-2 ngày với người làm nghiệp vụ thường lộ ra ranh giới tự nhiên và các hiểu lầm thuật ngữ.
Câu hỏi nối tiếp: "Bảng users được 12 module đọc trực tiếp." → Định nghĩa module Identity sở hữu bảng, cung cấp API/sự kiện
(UserRegistered, UserUpdated); module khác giữ bản sao dữ liệu cần thiết hoặc gọi API. Di chuyển dần, có lint/kiểm tra phụ thuộc.
Chia service theo bảng database hoặc theo tầng kỹ thuật.
- Tôi trả lời được câu này mà không cần xem đáp án
Xem câu trả lời & giải thích
Thay vì lưu trạng thái hiện tại, ta lưu chuỗi sự kiện bất biến đã xảy ra (AccountOpened, MoneyDeposited, MoneyWithdrawn); trạng thái là kết quả 'phát lại' các sự kiện. Lợi ích: lịch sử và audit đầy đủ, tái dựng trạng thái tại bất kỳ thời điểm nào, tạo read model mới từ lịch sử, gỡ lỗi bằng replay. Chi phí: phức tạp hơn nhiều (projection, snapshot, versioning sự kiện, nhất quán cuối cùng ở phía đọc), truy vấn trạng thái cần read model, sửa dữ liệu sai phải bằng sự kiện bù trừ, xoá dữ liệu cá nhân (GDPR) khó.
- Snapshot: lưu trạng thái định kỳ để không phải phát lại hàng triệu sự kiện.
- Optimistic concurrency trên stream: append với expected version để hai lệnh không cùng ghi đè.
- Upcasting: chuyển sự kiện phiên bản cũ sang cấu trúc mới khi đọc; sự kiện đã ghi không bao giờ sửa.
- GDPR: crypto-shredding — mã hoá dữ liệu cá nhân trong sự kiện bằng khoá theo người dùng, xoá khoá khi cần "quên".
- Event sourcing khác với event-driven architecture: có thể dùng event-driven mà không event sourcing.
- Hợp: ledger/kế toán, hệ thống có yêu cầu audit nghiêm (tài chính, y tế), nghiệp vụ mà lịch sử là sản phẩm (theo dõi đơn hàng, workflow).
- Không hợp: CRUD thông thường, team chưa quen, khi chỉ cần audit log (một bảng audit/CDC là đủ).
- Áp dụng cục bộ cho một bounded context, không cho cả hệ thống.
Câu hỏi nối tiếp: "Một bug đã ghi sai sự kiện suốt 2 tuần." → Không sửa sự kiện cũ. Ghi sự kiện điều chỉnh (compensating events), sửa logic projection rồi rebuild read model; với event sourcing, đây chính là lợi thế: có đủ dữ liệu để tính lại chính xác.
Đề xuất event sourcing cho mọi service; nhầm với việc publish event.
- Tôi trả lời được câu này mà không cần xem đáp án
Xem câu trả lời & giải thích
CQRS (Command Query Responsibility Segregation) tách mô hình ghi (xử lý lệnh, kiểm tra quy tắc nghiệp vụ, chuẩn hoá) khỏi mô hình đọc (tối ưu cho từng màn hình/truy vấn, phi chuẩn hoá, có thể ở kho khác như search index, cache, bảng tổng hợp). Đáng giá khi yêu cầu đọc và ghi khác nhau rất nhiều: đọc nhiều hơn ghi hàng trăm lần, màn hình cần join/tổng hợp phức tạp, nhiều dạng xem khác nhau của cùng dữ liệu. Cái giá: mô hình đọc cập nhật bất đồng bộ (nhất quán cuối cùng), thêm cơ chế đồng bộ và rebuild.
- Mức độ nhẹ: cùng database, chỉ tách code đường đọc (query trực tiếp DTO) khỏi đường ghi (domain model) — đã có lợi ích mà không thêm hạ tầng.
- Mức độ vừa: materialized view/bảng tổng hợp cập nhật bằng trigger, job hoặc sự kiện.
- Mức độ đầy đủ: read store riêng (Elasticsearch, Redis, DynamoDB) cập nhật qua event/CDC; thường đi cùng event sourcing nhưng không bắt buộc.
- UX cho độ trễ đồng bộ: trả dữ liệu mới trong response của lệnh, optimistic UI, hoặc đọc từ mô hình ghi ngay sau khi ghi.
- Luôn có cách rebuild read model từ nguồn sự thật; theo dõi độ trễ projection.
Câu hỏi nối tiếp: "Dashboard của khách hàng cần tổng hợp từ 8 bảng, truy vấn mất 4 giây." → Read model riêng cho dashboard (bảng tổng hợp theo tenant/ngày) cập nhật từ sự kiện, đọc trong vài ms; chấp nhận dữ liệu trễ vài giây.
Áp CQRS đầy đủ với hai database cho ứng dụng CRUD nhỏ.
- Tôi trả lời được câu này mà không cần xem đáp án
Xem câu trả lời & giải thích
Topic chia thành các partition — log chỉ ghi nối tiếp, có thứ tự trong partition, được sao chép (replication factor, ISR). Producer chọn partition theo key (cùng key → cùng partition → giữ thứ tự cho thực thể đó). Consumer trong một consumer group chia nhau partition (mỗi partition chỉ một consumer trong group), lưu vị trí đã đọc bằng offset; thêm/bớt consumer gây rebalance. Số partition = trần độ song song của consumer group; key chọn theo thực thể cần giữ thứ tự (order_id, account_id) và phân bố đều.
- Kafka lưu dữ liệu theo retention (thời gian/kích thước) — consumer có thể đọc lại từ đầu (replay), khác queue truyền thống xoá sau khi ack.
- Log compaction: giữ bản ghi mới nhất cho mỗi key → dùng như bảng trạng thái (changelog).
- Độ bền:
acks=all+min.insync.replicas=2với replication factor 3. - Tăng số partition về sau làm thay đổi ánh xạ key → partition (mất thứ tự trong giai đoạn chuyển); giảm số partition không được hỗ trợ.
- Rebalance tạm dừng tiêu thụ — cooperative sticky assignor và static membership giảm gián đoạn.
- Kafka mới (KRaft) bỏ phụ thuộc ZooKeeper.
- Ước lượng partition: throughput mục tiêu / throughput một consumer xử lý được, nhân hệ số dư cho tăng trưởng (ví dụ 12-48 cho topic vừa); quá nhiều partition tốn tài nguyên broker.
- Theo dõi consumer lag theo partition — lag dồn ở một partition là dấu hiệu hot key.
- Message lỗi không xử lý được: đưa vào dead-letter topic thay vì chặn cả partition (poison pill).
Câu hỏi nối tiếp: "Cần xử lý song song cao nhưng vẫn giữ thứ tự theo từng tài khoản?" → Key = account_id; nhiều partition; trong một consumer có thể xử lý song song theo key (thư viện như parallel-consumer) miễn là cùng key xử lý tuần tự.
Nghĩ Kafka đảm bảo thứ tự toàn topic; dùng key ngẫu nhiên rồi kỳ vọng thứ tự.
- Tôi trả lời được câu này mà không cần xem đáp án
Xem câu trả lời & giải thích
Coi sự kiện là API công khai: có schema (Avro/Protobuf/JSON Schema) đăng ký trong schema registry với quy tắc tương thích (backward/forward), chỉ thay đổi tương thích (thêm field có default, không xoá/đổi kiểu field đang dùng), đổi lớn thì tạo phiên bản/topic mới và chạy song song. Phân biệt sự kiện công khai (hợp đồng ổn định, ý nghĩa nghiệp vụ) với sự kiện nội bộ của service.
| Kiểu sự kiện | Nội dung | Đánh đổi |
|---|---|---|
| Event notification | "OrderPaid {orderId}" — bên nhận gọi API lấy chi tiết | Nhỏ, nhưng tạo coupling đồng bộ và tải ngược |
| Event-carried state transfer | Kèm dữ liệu cần thiết (khách, tổng tiền, items) | Bên nhận tự chủ, nhưng hợp đồng lớn hơn |
| Domain event (nội bộ) | Chi tiết theo mô hình nội bộ | Không nên lộ ra ngoài context |
- Envelope chuẩn:
id, type, version, occurredAt, source, subject, data(tham khảo CloudEvents). - Consumer theo nguyên tắc tolerant reader: bỏ qua field không biết, có default cho field thiếu.
- Kiểm tra tương thích schema trong CI của producer trước khi deploy.
- Catalog sự kiện (AsyncAPI, EventCatalog): ai phát, ai tiêu thụ, chủ sở hữu.
- Không phát sự kiện CDC thô của bảng cho team khác — mọi thay đổi schema nội bộ thành breaking change cho họ.
Câu hỏi nối tiếp: "Cần đổi amount từ số sang object có tiền tệ." → Thêm field mới money, phát cả hai trong giai đoạn chuyển,
consumer chuyển dần, theo dõi ai còn đọc field cũ, rồi mới bỏ (hoặc version 2 của sự kiện trên topic mới).
Sự kiện JSON tự do không schema; đổi cấu trúc rồi báo team khác cập nhật.
- Tôi trả lời được câu này mà không cần xem đáp án
Xem câu trả lời & giải thích
Choreography: mỗi service phản ứng với sự kiện của service khác và phát sự kiện mới — không có trung tâm, coupling thấp, nhưng luồng tổng thể ẩn trong nhiều nơi, khó theo dõi, khó thay đổi thứ tự, dễ vòng lặp sự kiện. Orchestration: một orchestrator điều khiển từng bước, gọi service và quyết định bước tiếp/bù trừ — luồng rõ ràng, dễ giám sát và xử lý timeout, nhưng orchestrator là nơi tập trung logic. Workflow engine bền vững (Temporal, AWS Step Functions, Cadence) lưu trạng thái workflow tự động, tự retry, timer dài ngày, chịu được crash — viết quy trình như code tuần tự.
// Temporal workflow (TypeScript): code tuần tự nhưng bền vững qua crash/deploy
export async function orderWorkflow(order: Order) {
await reserveInventory(order); // activity có retry policy
try {
await chargePayment(order);
} catch (e) {
await releaseInventory(order); // bù trừ
throw e;
}
await sleep('2 days'); // timer bền vững
await sendReviewRequest(order);
}
- Workflow code phải deterministic (không gọi random/thời gian/IO trực tiếp — chỉ qua activity), vì engine replay lịch sử để khôi phục trạng thái.
- Thay đổi code workflow đang chạy cần versioning.
- Quy tắc kinh nghiệm: luồng 2-3 bước, ít thay đổi → choreography; luồng dài, nhiều nhánh/timeout/bù trừ, cần hiển thị trạng thái cho người dùng → orchestration.
- Workflow engine cũng thay thế được nhiều cron + bảng trạng thái + queue tự chế (onboarding nhiều ngày, gia hạn subscription, xử lý tài liệu).
Câu hỏi nối tiếp: "Khách hỏi 'đơn hàng của tôi đang ở bước nào' mà không ai trả lời được." → Dấu hiệu choreography đã quá phức tạp. Đưa quy trình về orchestrator/workflow có trạng thái truy vấn được.
Chỉ biết một kiểu; không nói được nhược điểm của choreography.
- Tôi trả lời được câu này mà không cần xem đáp án
Xem câu trả lời & giải thích
API Gateway (north-south, tại biên): một cửa vào cho client bên ngoài — định tuyến, xác thực, rate limit, TLS, quota, chuyển đổi giao thức. BFF: một backend riêng cho từng loại client (web, mobile) tổng hợp/định dạng dữ liệu đúng màn hình cần, do team frontend sở hữu. Service mesh (east-west, giữa các service bên trong): proxy sidecar (hoặc ambient) xử lý mTLS, retry, timeout, circuit breaking, load balancing, telemetry đồng nhất mà không sửa code ứng dụng (Istio, Linkerd).
- Gateway không nên chứa logic nghiệp vụ — nếu không nó thành "monolith phân tán" mới.
- BFF giảm số round-trip cho mobile (mạng chậm) và tách vòng đời thay đổi của từng client; rủi ro là trùng lặp logic giữa các BFF.
- Mesh có chi phí: độ trễ thêm mỗi hop, tài nguyên sidecar, độ phức tạp vận hành; Istio ambient mode bỏ sidecar để giảm chi phí.
- Next.js server/route handlers thường đóng vai trò BFF trong kiến trúc web hiện đại.
- Ít service (< 10-15): thư viện chung + gateway là đủ, chưa cần mesh.
- Yêu cầu zero-trust (mTLS mọi kết nối nội bộ) và nhiều ngôn ngữ khác nhau → mesh trở nên đáng giá.
Câu hỏi nối tiếp: "App mobile gọi 14 API để dựng màn hình chính, chậm trên 4G." → BFF/endpoint tổng hợp cho màn hình đó (hoặc GraphQL), gọi song song phía server trong cùng datacenter, trả một payload gọn.
Đưa logic nghiệp vụ vào gateway; dùng service mesh cho 3 service.
- Tôi trả lời được câu này mà không cần xem đáp án
Xem câu trả lời & giải thích
Một artifact deploy nhưng chia thành module theo bounded context, mỗi module có API công khai (facade/service interface) và phần nội bộ ẩn; module sở hữu dữ liệu riêng (schema/bảng riêng, không module khác truy cập trực tiếp); giao tiếp qua gọi API trong tiến trình hoặc sự kiện nội bộ; và ranh giới được cưỡng chế bằng công cụ (lint quy tắc import, kiểm tra kiến trúc trong CI) thay vì chỉ bằng quy ước.
src/modules/
├── billing/
│ ├── index.ts # API công khai duy nhất: export { BillingService, InvoicePaid }
│ ├── internal/ # domain, repository — module khác KHÔNG import được
│ └── db/schema.ts # bảng thuộc schema "billing"
├── projects/
└── identity/
// eslint: chặn import vào internal của module khác (eslint-plugin-boundaries, dependency-cruiser,
// Nx module boundaries, ArchUnit cho Java)
- Transaction chéo module trong monolith dễ dàng — nhưng dùng có chủ đích; mỗi transaction chéo là điểm sẽ đau nếu tách service sau này.
- Lợi ích so với microservices: refactor dễ, một lần deploy, không có độ trễ mạng/nhất quán phân tán, debug đơn giản.
- Đo coupling: số phụ thuộc giữa module, chu trình phụ thuộc — đưa vào CI.
- Mỗi module có owner (team), có test riêng, có thể tách ra thành service khi có lý do cụ thể.
- Shopify là ví dụ nổi tiếng về modular monolith quy mô rất lớn.
Câu hỏi nối tiếp: "Module A cần dữ liệu của module B cho một truy vấn danh sách lớn — gọi API trong tiến trình N lần quá chậm." → Cho phép B cung cấp API batch, hoặc A giữ read model riêng cập nhật từ sự kiện của B; tránh join trực tiếp vào bảng của B.
Chỉ chia thư mục mà không cưỡng chế ranh giới; module dùng chung bảng tuỳ ý.
- Tôi trả lời được câu này mà không cần xem đáp án
Xem câu trả lời & giải thích
Tránh 'big bang rewrite'. Dùng strangler fig: đặt một lớp định tuyến (proxy/gateway) phía trước, xây chức năng mới bên cạnh, chuyển dần từng phần (theo luồng nghiệp vụ có giá trị cao/rủi ro thấp trước), đến khi hệ cũ không còn traffic thì tắt. Bảo vệ hệ mới bằng anti-corruption layer (lớp dịch mô hình legacy sang mô hình mới), đồng bộ dữ liệu hai chiều trong giai đoạn chuyển (CDC), và kiểm chứng bằng chạy song song so sánh kết quả (shadow traffic / dark launch).
- Hiểu hệ thống: hành vi thật (log, dữ liệu, người dùng), không chỉ tài liệu. Viết characterization test.
- Chọn lát cắt đầu tiên: giá trị rõ ràng, phụ thuộc ít, có thể đo lường.
- Định tuyến theo route/tính năng/tenant; feature flag để quay lại hệ cũ.
- Dữ liệu: ai là nguồn sự thật trong từng giai đoạn; đồng bộ và đối soát.
- Shadow: gửi bản sao request tới hệ mới, so sánh kết quả, không trả cho người dùng.
- Cắt dần, theo dõi chỉ số kinh doanh, dọn hệ cũ (đừng để chạy song song mãi).
- Rủi ro lớn nhất: hành vi ngầm (quy tắc nghiệp vụ không tài liệu nằm trong stored procedure, cron, cách xử lý dữ liệu lỗi). Shadow traffic và đối soát dữ liệu là cách tìm ra.
- Truyền thông với kinh doanh: lộ trình theo giá trị giao từng quý, không phải "2 năm nữa xong".
Câu hỏi nối tiếp: "Ban lãnh đạo muốn viết lại toàn bộ trong 12 tháng rồi chuyển một lần." → Trình bày rủi ro (hệ mới chạy theo mục tiêu di động, tính năng đóng băng 12 tháng, cutover một lần thất bại), đề xuất strangler với cột mốc giá trị sau 6-8 tuần.
Đề xuất viết lại từ đầu; không có kế hoạch dữ liệu.
- Tôi trả lời được câu này mà không cần xem đáp án
Xem câu trả lời & giải thích
Availability nối tiếp nhân với nhau: 0.999⁶ ≈ 99.4% — tức ~4.4 giờ gián đoạn/tháng thay vì ~43 phút, và độ trễ tổng là tổng các hop (tail latency cộng dồn). Giảm coupling: chuyển phần không cần trả lời ngay sang bất đồng bộ (sự kiện, queue), giữ bản sao dữ liệu cục bộ cần thiết (event-carried state) thay vì hỏi mỗi lần, gọi song song thay vì tuần tự, cache, fallback/degradation cho phụ thuộc không thiết yếu, và xem xét lại ranh giới service nếu chúng luôn gọi nhau.
- Temporal coupling: A chỉ chạy được khi B đang chạy. Messaging loại bỏ nó (B xử lý sau).
- Tail latency khuếch đại khi fan-out: gọi song song 100 backend, mỗi cái p99 = 1s → phần lớn request tổng sẽ gặp ít nhất một lần 1s. Hedged request (gửi bản dự phòng sau p95) giảm đuôi.
- Thiết kế dư thừa song song (hai bản sao độc lập cùng phục vụ) làm tăng availability: 1 − (1 − 0.999)² = 99.9999%.
- Vẽ sơ đồ phụ thuộc của luồng quan trọng (checkout), đánh dấu phụ thuộc thiết yếu vs không thiết yếu; mọi phụ thuộc không thiết yếu phải có timeout + fallback.
- SLO của service không thể cao hơn tích SLO các phụ thuộc thiết yếu — dùng phép tính này khi đàm phán SLO.
Câu hỏi nối tiếp: "Checkout gọi Recommendation để hiện 'sản phẩm gợi ý' và bị lỗi khi Recommendation sập." → Recommendation là phụ thuộc không thiết yếu: timeout 100ms, circuit breaker, ẩn khối gợi ý khi lỗi — checkout không bao giờ được hỏng vì nó.
Cộng availability thay vì nhân; nghĩ microservices tự động tăng độ sẵn sàng.
- Tôi trả lời được câu này mà không cần xem đáp án