100 câu Database & Kiến trúc nâng cao
Trang chủ / Chủ đề 10
🏗️ Chủ đề 10 / 10 ❓ Câu 91-100

System design nâng cao: 10 case study

Thanh toán và sổ cái kép, job scheduler phân tán, rate limiter toàn cầu, autocomplete, chat quy mô lớn, nền tảng video, gọi xe theo vị trí, key-value store phân tán, news feed, hệ thống metric và cảnh báo.

📌 Người phỏng vấn muốn kiểm tra điều gì

Vòng system design cấp senior/staff dùng những đề này để quan sát toàn bộ năng lực: làm rõ yêu cầu, ước lượng, chọn mô hình dữ liệu, xác định điểm nghẽn, xử lý lỗi và đánh đổi. Mỗi đáp án dưới đây đi theo khung: yêu cầu & ước lượng → thành phần chính → dữ liệu → điểm khó & đánh đổi. Hãy luyện trình bày mỗi đề trong 45 phút có vẽ sơ đồ.

📋 Danh sách câu hỏi

  1. 91Thiết kế hệ thống thanh toán / ví điện tử với sổ cái (ledger). Làm sao đảm bảo tiền không bao giờ bị tạo ra hoặc mất đi?●●●● Cực khó
  2. 92Thiết kế một job scheduler phân tán (kiểu cron cho hàng triệu job hẹn giờ của người dùng: nhắc lịch, gửi báo cáo định kỳ).●●●● Cực khó
  3. 93Thiết kế rate limiter toàn cầu cho API gateway chạy ở nhiều region, giới hạn theo API key (ví dụ 10.000 request/phút).●●●● Cực khó
  4. 94Thiết kế tính năng gợi ý tìm kiếm (autocomplete/typeahead) với độ trễ < 100ms cho hàng chục triệu người dùng.●●●○ Khó
  5. 95Thiết kế hệ thống chat quy mô lớn (kiểu Messenger/Zalo): tin nhắn 1-1 và nhóm, trạng thái đã gửi/đã nhận/đã xem, offline, nhiều thiết bị.●●●● Cực khó
  6. 96Thiết kế nền tảng video (kiểu YouTube): upload, xử lý, phát lại mượt trên mọi mạng.●●●● Cực khó
  7. 97Thiết kế hệ thống gọi xe (kiểu Grab/Uber): theo dõi vị trí tài xế theo thời gian thực và ghép chuyến với tài xế gần nhất.●●●● Cực khó
  8. 98Thiết kế một key-value store phân tán (kiểu DynamoDB/Cassandra) với độ sẵn sàng cao.●●●● Cực khó
  9. 99Thiết kế news feed / timeline (kiểu Facebook, Twitter/X). Fan-out on write hay fan-out on read? Xử lý tài khoản có hàng chục triệu người theo dõi thế nào?●●●● Cực khó
  10. 100Thiết kế hệ thống giám sát metric và cảnh báo (kiểu Prometheus/Datadog) cho 50.000 server.●●●● Cực khó
Mẹo: tự trả lời thành tiếng trước, rồi mới mở đáp án.
Câu 91●●●● Cực khó
Thiết kế hệ thống thanh toán / ví điện tử với sổ cái (ledger). Làm sao đảm bảo tiền không bao giờ bị tạo ra hoặc mất đi?
Xem câu trả lời & giải thích
💬 Trả lời ngắn (nói trong 30-60 giây)

Lõi là sổ cái kế toán kép (double-entry): mỗi giao dịch gồm các bút toán ghi nợ/ghi có có tổng bằng 0, ghi bất biến (chỉ thêm, sửa sai bằng bút toán đảo), số dư là tổng các bút toán (có thể lưu số dư tính sẵn cập nhật nguyên tử trong cùng transaction). Mọi API có idempotency key; tích hợp nhà cung cấp thanh toán (PSP) qua trạng thái máy (state machine) rõ ràng + webhook + đối soát định kỳ với sao kê của PSP/ngân hàng. Nhất quán mạnh (một database có transaction, serializable hoặc khoá dòng tài khoản) cho phần ledger.

📖 Giải thích lý thuyết
ledger_entries(id, transaction_id, account_id, amount_minor bigint, currency, created_at)
-- Chuyển 100.000đ từ ví A sang ví B (cùng transaction DB):
-- (tx1, wallet:A, -100000), (tx1, wallet:B, +100000)  → tổng = 0
-- Nạp tiền từ thẻ: (tx2, psp_clearing, -500000), (tx2, wallet:A, +500000)
-- Kiểm tra bất biến: SELECT transaction_id FROM ledger_entries GROUP BY 1 HAVING sum(amount_minor) <> 0;  → luôn rỗng
  • Tiền lưu bằng số nguyên đơn vị nhỏ nhất + mã tiền tệ; tỷ giá là giao dịch riêng có bút toán chênh lệch.
  • State machine thanh toán: CREATED → AUTHORIZED → CAPTURED → (REFUNDED / FAILED); chuyển trạng thái có điều kiện + version.
  • Chống tiêu vượt số dư: UPDATE balances SET amount = amount - x WHERE account_id = $1 AND amount >= x trong cùng transaction với bút toán.
  • Gọi PSP nằm ngoài transaction DB (trạng thái PENDING trước) + outbox cho sự kiện.
🛠️ Áp dụng trong dự án thực tế
  • Đối soát hằng ngày ba bên: ledger nội bộ ↔ báo cáo PSP ↔ ngân hàng; mọi lệch đưa vào hàng đợi xử lý.
  • Audit trail đầy đủ, phân quyền chặt, mã hoá; tuân thủ PCI DSS (dùng tokenization để không chạm số thẻ).
  • Quy mô: một Postgres lớn xử lý được hàng nghìn giao dịch/giây; shard theo account khi cần, giao dịch chéo shard qua tài khoản trung gian và saga.
🎭 Tình huống & câu hỏi nối tiếp

Câu hỏi nối tiếp: "Tài khoản hệ thống (phí, clearing) là dòng nóng mọi giao dịch đều chạm." → Chia tài khoản nóng thành nhiều tài khoản con (sub-accounts) và gộp khi báo cáo, hoặc ghi bút toán của nó theo lô.

🚩 Sai lầm khiến ứng viên mất điểm

Lưu mỗi ví một cột số dư và UPDATE trực tiếp không có bút toán; dùng float cho tiền.

  • Tôi trả lời được câu này mà không cần xem đáp án
Câu 92●●●● Cực khó
Thiết kế một job scheduler phân tán (kiểu cron cho hàng triệu job hẹn giờ của người dùng: nhắc lịch, gửi báo cáo định kỳ).
Xem câu trả lời & giải thích
💬 Trả lời ngắn (nói trong 30-60 giây)

Lưu định nghĩa job + next_run_at trong database có index theo thời gian (partition theo bucket thời gian khi rất lớn). Các scheduler worker định kỳ quét các job tới hạn trong cửa sổ sắp tới bằng FOR UPDATE SKIP LOCKED (hoặc phân vùng job theo shard cho từng scheduler), đẩy vào hàng đợi thực thi, cập nhật next_run_at kế tiếp. Executor chạy job với timeout, retry, idempotency theo (job_id, scheduled_time). Đảm bảo at-least-once, chống chạy trùng, xử lý trễ khi hệ thống ngừng (bỏ qua hay chạy bù).

📖 Giải thích lý thuyết
  • Ước lượng: 10 triệu job, đa số hằng ngày → ~115 job/giây trung bình nhưng dồn vào các mốc giờ tròn (9:00 sáng) → đỉnh hàng chục nghìn/giây; rải ngẫu nhiên vài phút (jitter) nếu nghiệp vụ cho phép.
  • Timing wheel / bucket theo phút trong Redis (sorted set theo thời gian) cho độ chính xác giây với chi phí thấp.
  • Múi giờ và DST: lưu biểu thức lịch + múi giờ của người dùng, tính next_run_at ở UTC mỗi lần; 2:30 sáng có thể không tồn tại hoặc xảy ra hai lần.
  • Chính sách misfire: hệ thống sập 2 giờ — chạy bù tất cả, chỉ chạy lần gần nhất, hay bỏ qua? Tuỳ loại job.
🛠️ Áp dụng trong dự án thực tế
  • Tách scheduler (quyết định khi nào) và executor (chạy) để scale độc lập; giới hạn concurrency theo tenant.
  • Theo dõi độ trễ lên lịch (thời gian thực chạy − thời gian hẹn) và độ dài hàng đợi.
  • Có sẵn: Temporal schedules, Quartz cluster, BullMQ repeatable, cloud scheduler — dùng khi đủ.
🎭 Tình huống & câu hỏi nối tiếp

Câu hỏi nối tiếp: "Người dùng đổi lịch trong khi job cũ đã được đẩy vào hàng đợi." → Job mang version của định nghĩa; executor kiểm tra version hiện tại trước khi chạy và bỏ qua job lỗi thời.

🚩 Sai lầm khiến ứng viên mất điểm

Mỗi job một cron/timer trong bộ nhớ của một server; không xử lý múi giờ.

  • Tôi trả lời được câu này mà không cần xem đáp án
Câu 93●●●● Cực khó
Thiết kế rate limiter toàn cầu cho API gateway chạy ở nhiều region, giới hạn theo API key (ví dụ 10.000 request/phút).
Xem câu trả lời & giải thích
💬 Trả lời ngắn (nói trong 30-60 giây)

Đánh đổi chính: chính xác tuyệt đối toàn cầu đòi hỏi phối hợp mỗi request (độ trễ liên region) — không chấp nhận được ở đường nóng. Cách thực tế: mỗi region/node kiểm tra cục bộ (token bucket trong bộ nhớ hoặc Redis của region) và đồng bộ bất đồng bộ số đếm giữa các region theo chu kỳ ngắn, hoặc chia hạn mức cho mỗi region theo tỷ lệ traffic và điều chỉnh động. Chấp nhận sai số nhỏ (vượt vài %) đổi lấy độ trễ thấp và sẵn sàng cao; fail-open khi kho đếm sập (trừ endpoint nhạy cảm).

📖 Giải thích lý thuyết
  • Thuật toán trong region: token bucket hoặc sliding window counter trong Redis bằng Lua (nguyên tử); cache cục bộ trong gateway giảm số lần gọi Redis (gom N request rồi trừ một lần).
  • Cấu hình hạn mức theo khách hàng/gói lưu tập trung, phân phối xuống gateway và cache.
  • Phản hồi chuẩn: 429 + Retry-After + header RateLimit-Limit/Remaining/Reset.
  • Tầng khác nhau cho mục đích khác nhau: DDoS/bot ở CDN/WAF theo IP; quota kinh doanh theo API key ở gateway; bảo vệ tài nguyên nội bộ bằng concurrency limit ở service.
🛠️ Áp dụng trong dự án thực tế
  • Ghi lại sự kiện bị giới hạn để khách hàng xem trong dashboard và để sales thấy nhu cầu nâng gói.
  • Cho phép burst ngắn (bucket size) để client hợp lệ không bị phạt vì gửi theo lô.
🎭 Tình huống & câu hỏi nối tiếp

Câu hỏi nối tiếp: "Khách hàng gọi đồng thời từ Mỹ và châu Âu và vượt hạn mức gấp đôi." → Chia hạn mức tĩnh 50/50 thì phạt sai khi traffic lệch; dùng đồng bộ định kỳ (ví dụ mỗi giây) hoặc phân bổ lại hạn mức theo lưu lượng quan sát.

🚩 Sai lầm khiến ứng viên mất điểm

Gọi một Redis trung tâm ở một region cho mọi request toàn cầu.

  • Tôi trả lời được câu này mà không cần xem đáp án
Câu 94●●●○ Khó
Thiết kế tính năng gợi ý tìm kiếm (autocomplete/typeahead) với độ trễ < 100ms cho hàng chục triệu người dùng.
Xem câu trả lời & giải thích
💬 Trả lời ngắn (nói trong 30-60 giây)

Tách hai đường: đường đọc phải cực nhanh — với mỗi tiền tố, trả về top-K gợi ý đã tính sẵn (trie/FST hoặc bảng prefix → top-K) nằm trong bộ nhớ, phân vùng theo tiền tố và nhân bản; cache mạnh ở CDN/trình duyệt cho tiền tố phổ biến. Đường ghi/tính toán chạy offline/gần realtime: thu log truy vấn, đếm tần suất có trọng số thời gian, lọc nội dung xấu, dựng lại cấu trúc gợi ý định kỳ và phát hành phiên bản mới. Client debounce, huỷ request cũ, chỉ gọi từ ký tự thứ 2-3.

📖 Giải thích lý thuyết
  • Ước lượng: 10 triệu DAU × 10 lần tìm × ~6 lần gõ = 600 triệu request/ngày ≈ 7.000/giây, đỉnh vài chục nghìn — phần lớn tiền tố ngắn trúng cache.
  • Top-K cho mỗi node trie được lưu sẵn tại node đó → truy vấn O(độ dài tiền tố).
  • Cá nhân hoá (lịch sử người dùng, vị trí) trộn ở bước sau với vài ứng viên riêng, không phải tính lại toàn bộ.
  • Tiếng Việt: chuẩn hoá bỏ dấu, chữ thường; xử lý gõ Telex/VNI dở dang; sửa lỗi chính tả (edit distance) cho tiền tố dài.
  • Giải pháp sẵn có: Elasticsearch completion suggester / edge n-gram, Typesense, Meilisearch.
🛠️ Áp dụng trong dự án thực tế
  • Xu hướng nóng (trending) cần cập nhật nhanh: lớp realtime nhỏ (stream processing đếm theo cửa sổ) trộn với chỉ mục chính.
  • Kiểm duyệt: danh sách chặn từ ngữ, không gợi ý dữ liệu cá nhân của người khác.
🎭 Tình huống & câu hỏi nối tiếp

Câu hỏi nối tiếp: "Gợi ý cho thương mại điện tử cần ưu tiên sản phẩm còn hàng và có lợi nhuận." → Điểm xếp hạng kết hợp tần suất tìm, tỷ lệ chuyển đổi, tồn kho; tồn kho thay đổi nhanh nên lọc ở bước cuối bằng dữ liệu cache ngắn hạn.

🚩 Sai lầm khiến ứng viên mất điểm

Chạy LIKE 'abc%' trên database cho mỗi phím gõ.

  • Tôi trả lời được câu này mà không cần xem đáp án
Câu 95●●●● Cực khó
Thiết kế hệ thống chat quy mô lớn (kiểu Messenger/Zalo): tin nhắn 1-1 và nhóm, trạng thái đã gửi/đã nhận/đã xem, offline, nhiều thiết bị.
Xem câu trả lời & giải thích
💬 Trả lời ngắn (nói trong 30-60 giây)

Thành phần: gateway WebSocket giữ kết nối (hàng triệu, stateless về nghiệp vụ, đăng ký vị trí kết nối của người dùng vào registry), message service nhận tin, gán sequence theo cuộc trò chuyện, ghi bền vững vào kho tin nhắn (wide-column như Cassandra/ScyllaDB, partition theo conversation_id + bucket thời gian), rồi fan-out tới thiết bị đang online qua pub/sub và tới thiết bị offline qua push notification. Client đồng bộ theo sequence (gửi 'đã có tới seq N', nhận phần thiếu) → không mất, không trùng (dedupe theo client_message_id), đúng thứ tự trong cuộc trò chuyện.

📖 Giải thích lý thuyết
  • Ước lượng: 100 triệu DAU × 50 tin/ngày = 5 tỷ tin/ngày ≈ 58.000 tin/giây, mỗi tin ~200 byte → ~1TB/ngày (chưa tính bản sao) → cần kho ghi nặng, partition tốt.
  • Gửi tin: client gắn client_message_id (idempotent khi retry) → server ack với seq → trạng thái 'đã gửi'. 'Đã nhận/đã xem' là sự kiện ngược chiều, gom lô để giảm tải (đặc biệt nhóm lớn).
  • Nhóm lớn: fan-out on write cho nhóm nhỏ; nhóm rất lớn/kênh thì người đọc kéo theo seq (fan-out on read) để tránh nhân bản hàng trăm nghìn lần.
  • Nhiều thiết bị: mỗi thiết bị có con trỏ đồng bộ riêng.
  • Mã hoá đầu-cuối (Signal protocol) làm server không đọc được nội dung → tìm kiếm và đồng bộ đa thiết bị phức tạp hơn.
🛠️ Áp dụng trong dự án thực tế
  • Presence (online/last seen) tách khỏi tin nhắn, lưu Redis với TTL, cập nhật throttle; người dùng có thể ẩn.
  • Media đi qua presigned upload lên object storage + CDN, tin nhắn chỉ chứa tham chiếu.
  • Kết nối lại hàng loạt sau deploy gateway: drain dần, client reconnect có jitter.
🎭 Tình huống & câu hỏi nối tiếp

Câu hỏi nối tiếp: "Hai người gửi tin cùng lúc trong một cuộc trò chuyện, mỗi người thấy thứ tự khác nhau." → Thứ tự do server gán (sequence theo conversation, một nơi duy nhất quyết định — leader của partition); client hiển thị theo seq, tin của mình hiển thị tạm (pending) cho tới khi có seq.

🚩 Sai lầm khiến ứng viên mất điểm

Dùng timestamp của client để sắp xếp; lưu toàn bộ tin nhắn trong một bảng Postgres không partition ở quy mô này.

  • Tôi trả lời được câu này mà không cần xem đáp án
Câu 96●●●● Cực khó
Thiết kế nền tảng video (kiểu YouTube): upload, xử lý, phát lại mượt trên mọi mạng.
Xem câu trả lời & giải thích
💬 Trả lời ngắn (nói trong 30-60 giây)

Upload: multipart/resumable upload thẳng lên object storage qua presigned URL. Xử lý: sự kiện upload xong → pipeline bất đồng bộ (queue + worker/DAG) kiểm tra, quét nội dung, transcode sang nhiều độ phân giải/bitrate và codec (H.264, VP9/AV1), chia thành segment vài giây, tạo manifest HLS/DASH, thumbnail, phụ đề. Phát: player dùng adaptive bitrate (chọn chất lượng theo băng thông thực tế), segment phục vụ qua CDN nhiều tầng. Metadata, lượt xem, bình luận ở các dịch vụ và kho riêng.

📖 Giải thích lý thuyết
  • Transcode là việc tốn kém nhất: chia video thành đoạn để transcode song song trên nhiều worker rồi ghép; ưu tiên chất lượng thấp xong trước để video xem được sớm.
  • Chi phí lưu trữ: video phổ biến giữ đủ bậc chất lượng và codec mới (AV1 tiết kiệm băng thông nhưng mã hoá đắt); video ít xem chỉ giữ vài bậc, chuyển sang lớp lưu trữ lạnh.
  • Băng thông CDN là chi phí lớn nhất khi xem: hit rate cao nhờ phân phối dạng Zipf (ít video chiếm phần lớn lượt xem); ISP cache/peering cho quy mô cực lớn.
  • Đếm lượt xem: sự kiện từ player → stream → đếm gần đúng realtime + tính chính xác offline (chống gian lận).
🛠️ Áp dụng trong dự án thực tế
  • Pipeline có trạng thái theo video (UPLOADED → PROCESSING → READY/FAILED), retry từng bước, idempotent, có thể chạy lại khi thêm codec mới.
  • Livestream khác VOD: ingest RTMP/SRT/WebRTC, transcode thời gian thực, segment ngắn (low-latency HLS) — đánh đổi độ trễ và độ ổn định.
  • Dùng dịch vụ có sẵn (Mux, Cloudflare Stream, AWS MediaConvert) trừ khi video là sản phẩm lõi ở quy mô lớn.
🎭 Tình huống & câu hỏi nối tiếp

Câu hỏi nối tiếp: "Video mới của kênh 10 triệu người theo dõi được phát hành — hàng triệu người cùng mở trong 5 phút." → Làm ấm CDN trước (pre-warm segment đầu), origin shield giảm tải origin, coalescing request cho cùng segment, metadata cache.

🚩 Sai lầm khiến ứng viên mất điểm

Phục vụ file video gốc trực tiếp từ server ứng dụng; transcode đồng bộ trong request upload.

  • Tôi trả lời được câu này mà không cần xem đáp án
Câu 97●●●● Cực khó
Thiết kế hệ thống gọi xe (kiểu Grab/Uber): theo dõi vị trí tài xế theo thời gian thực và ghép chuyến với tài xế gần nhất.
Xem câu trả lời & giải thích
💬 Trả lời ngắn (nói trong 30-60 giây)

Tài xế gửi vị trí mỗi 3-5 giây → location service nhận (qua kết nối bền vững), cập nhật chỉ mục không gian trong bộ nhớ (chia bản đồ thành ô geohash/S2/H3; mỗi ô giữ tập tài xế đang rảnh) — chỉ giữ vị trí mới nhất, không ghi DB mỗi lần (lịch sử đi vào stream cho phân tích). Ghép chuyến: tìm tài xế trong ô của khách và các ô lân cận, xếp hạng theo thời gian đến dự kiến (ETA theo mạng đường, không theo đường chim bay), gửi đề nghị cho một/vài tài xế có timeout; việc 'giữ' tài xế phải nguyên tử để một tài xế không nhận hai chuyến.

📖 Giải thích lý thuyết
  • Ước lượng: 1 triệu tài xế online gửi mỗi 4 giây = 250.000 cập nhật/giây — vượt khả năng ghi của DB truyền thống → bộ nhớ (Redis GEO hoặc service tự viết) phân vùng theo khu vực địa lý/thành phố.
  • H3 (lưới lục giác của Uber) có khoảng cách tới ô lân cận đều nhau, tiện cho tìm kiếm k-ring và định giá theo khu vực (surge).
  • Trạng thái chuyến đi (requested → matched → arriving → in_trip → completed) lưu trong DB nhất quán mạnh; thanh toán theo pattern ledger (câu 91).
  • Ghép theo lô (batch matching mỗi vài giây trên cả khu vực) cho kết quả tổng thể tốt hơn ghép tham lam từng khách.
🛠️ Áp dụng trong dự án thực tế
  • Phân vùng theo thành phố/khu vực là ranh giới tự nhiên (gần như không có ghép chéo thành phố) → cell theo vùng.
  • Mạng di động chập chờn: client gửi lại vị trí, server bỏ điểm cũ hơn (theo timestamp thiết bị + sequence), làm mượt (map matching) trước khi hiển thị cho khách.
🎭 Tình huống & câu hỏi nối tiếp

Câu hỏi nối tiếp: "Hai khách cùng được ghép với một tài xế." → Bước giữ tài xế là compare-and-set nguyên tử trên trạng thái tài xế (Redis Lua/DB với version); người thua được ghép với ứng viên tiếp theo.

🚩 Sai lầm khiến ứng viên mất điểm

Ghi mọi cập nhật vị trí vào Postgres và truy vấn khoảng cách bằng công thức trên toàn bảng.

  • Tôi trả lời được câu này mà không cần xem đáp án
Câu 98●●●● Cực khó
Thiết kế một key-value store phân tán (kiểu DynamoDB/Cassandra) với độ sẵn sàng cao.
Xem câu trả lời & giải thích
💬 Trả lời ngắn (nói trong 30-60 giây)

Phân vùng dữ liệu bằng consistent hashing với virtual node; sao chép mỗi khoá lên N node (thuộc các zone khác nhau); ghi/đọc theo quorum có thể cấu hình (W, R) để chọn đánh đổi nhất quán–độ trễ–sẵn sàng; storage engine dạng LSM cho ghi nhanh (commit log + memtable + SSTable + compaction, bloom filter); phát hiện lỗi và membership bằng gossip; khôi phục bằng hinted handoff, read repair và anti-entropy (Merkle tree); giải xung đột bằng LWW hoặc vector clock/CRDT.

📖 Giải thích lý thuyết
  • Yêu cầu làm rõ trước: kích thước giá trị, tỷ lệ đọc/ghi, cần nhất quán mạnh hay cuối cùng, cần quét theo khoảng (range) hay chỉ get/put theo khoá — quyết định hash vs range partitioning.
  • Nhất quán mạnh cho mỗi khoá: thay quorum lỏng bằng nhóm Raft cho mỗi partition (cách của nhiều hệ mới) — đổi lại cần leader và tăng độ trễ khi failover.
  • Thêm/bớt node: chỉ di chuyển các virtual node bị ảnh hưởng, truyền dữ liệu nền có giới hạn băng thông.
  • Vận hành: compaction, xử lý tombstone, hot partition, rebalancing, backup snapshot, nâng cấp cuốn chiếu.
🛠️ Áp dụng trong dự án thực tế
  • Trong phỏng vấn, đi theo luồng một request get/put từ client tới đĩa và quay lại, rồi lần lượt hỏi "nếu node X chết ở bước này thì sao?".
  • Tham chiếu: bài báo Dynamo (Amazon, 2007), Bigtable, kiến trúc Cassandra.
🎭 Tình huống & câu hỏi nối tiếp

Câu hỏi nối tiếp: "Hỗ trợ TTL cho khoá?" → Lưu thời điểm hết hạn cùng giá trị; đọc thì coi như không tồn tại nếu hết hạn; compaction loại bỏ vật lý; chú ý tombstone và đồng hồ giữa các node.

🚩 Sai lầm khiến ứng viên mất điểm

Bắt đầu bằng chọn công nghệ thay vì mô tả cơ chế; bỏ qua phần xử lý lỗi.

  • Tôi trả lời được câu này mà không cần xem đáp án
Câu 99●●●● Cực khó
Thiết kế news feed / timeline (kiểu Facebook, Twitter/X). Fan-out on write hay fan-out on read? Xử lý tài khoản có hàng chục triệu người theo dõi thế nào?
Xem câu trả lời & giải thích
💬 Trả lời ngắn (nói trong 30-60 giây)

Fan-out on write (push): khi đăng bài, ghi id bài vào feed (danh sách trong cache) của từng follower → đọc feed cực nhanh, nhưng ghi khuếch đại theo số follower. Fan-out on read (pull): khi mở feed, lấy bài mới của những người mình theo dõi rồi trộn → ghi rẻ, đọc đắt. Giải pháp thực tế là lai: push cho tài khoản thường; với tài khoản người nổi tiếng (nhiều follower), không push mà người đọc kéo bài của họ lúc đọc và trộn vào feed đã tính sẵn. Sau đó là tầng xếp hạng (ranking) chọn bài hiển thị.

📖 Giải thích lý thuyết
  • Lưu trữ: bài viết trong kho bền vững (shard theo author); feed mỗi người là danh sách id có giới hạn (vài trăm tới nghìn mục) trong Redis/kho cache; chi tiết bài lấy theo lô (multi-get) và cache.
  • Ước lượng ghi: 500 triệu bài/ngày × 200 follower trung bình = 100 tỷ lần ghi feed/ngày — lý do push thuần không khả thi cho tài khoản lớn.
  • Người dùng không hoạt động: không cần push vào feed của họ (dựng lại khi họ quay lại) → tiết kiệm lớn.
  • Ranking: lấy ứng viên (từ feed + nguồn khác), tính điểm bằng mô hình (tương tác dự đoán), lọc/đa dạng hoá, phân trang bằng cursor ổn định.
  • Xoá/sửa bài, chặn người dùng, quyền riêng tư: lọc khi đọc, không chỉ khi ghi.
🛠️ Áp dụng trong dự án thực tế
  • Pipeline fan-out chạy bất đồng bộ qua queue, có thể trễ vài giây — chấp nhận được với feed.
  • Cache nhiều tầng cho bài viral (hot key — câu 42).
🎭 Tình huống & câu hỏi nối tiếp

Câu hỏi nối tiếp: "Người dùng thấy bài của chính mình chưa xuất hiện trong feed sau khi đăng." → Chèn trực tiếp bài của người đăng vào feed của chính họ (và hiển thị lạc quan ở client) thay vì chờ pipeline fan-out — read-your-writes.

🚩 Sai lầm khiến ứng viên mất điểm

Chọn thuần một chiến lược; quên tài khoản nổi tiếng.

  • Tôi trả lời được câu này mà không cần xem đáp án
Câu 100●●●● Cực khó
Thiết kế hệ thống giám sát metric và cảnh báo (kiểu Prometheus/Datadog) cho 50.000 server.
Xem câu trả lời & giải thích
💬 Trả lời ngắn (nói trong 30-60 giây)

Thu thập: agent trên mỗi máy (push) hoặc scrape (pull), gom và nén trước khi gửi; đi qua hàng đợi (Kafka) để chịu burst. Lưu trữ: time-series database chuyên dụng — dữ liệu theo chuỗi (metric + bộ nhãn), nén mạnh (delta-of-delta cho timestamp, XOR cho giá trị — kiểu Gorilla), chia block theo thời gian, index ngược nhãn → chuỗi; phân tầng: dữ liệu nóng phân giải cao vài tuần, rollup cho dữ liệu cũ trong object storage. Truy vấn: engine tổng hợp theo nhãn/khoảng thời gian, cache kết quả dashboard. Cảnh báo: rule evaluator chạy định kỳ, quản lý trạng thái (pending → firing), gom nhóm, khử trùng, im lặng, định tuyến tới đúng người trực.

📖 Giải thích lý thuyết
  • Ước lượng: 50.000 máy × 1.000 chuỗi × 1 điểm/10 giây = 5 triệu điểm/giây; ~1.5 byte/điểm sau nén → ~650GB/ngày dữ liệu thô.
  • Cardinality là giới hạn chính: số chuỗi hoạt động quyết định bộ nhớ của index — áp hạn mức theo team/metric, từ chối label không giới hạn.
  • Scale ngang: shard theo hash của chuỗi; nhân bản 2-3 lần; truy vấn fan-out tới các shard và gộp (kiến trúc của Mimir/Cortex/Thanos/VictoriaMetrics).
  • Hệ thống cảnh báo phải tin cậy hơn hệ thống được giám sát: chạy độc lập (cluster/region riêng), có "dead man's switch" (cảnh báo khi không nhận được tín hiệu heartbeat của chính hệ thống cảnh báo).
🛠️ Áp dụng trong dự án thực tế
  • Cảnh báo dựa trên SLO và triệu chứng (câu 81) giảm mệt mỏi vì cảnh báo; mọi cảnh báo phải có runbook.
  • Dữ liệu đến trễ/mất từ một số máy: phân biệt "giá trị bằng 0" và "không có dữ liệu" trong rule.
🎭 Tình huống & câu hỏi nối tiếp

Câu hỏi nối tiếp: "Một team thêm label customer_id làm số chuỗi tăng từ 20 triệu lên 300 triệu, ingest bị nghẽn." → Hạn mức cardinality theo tenant ở tầng ingest (từ chối/hạ cấp chuỗi vượt hạn), cảnh báo cho team, chuyển dữ liệu theo khách hàng sang hệ thống event/trace.

🚩 Sai lầm khiến ứng viên mất điểm

Lưu metric trong database quan hệ thông thường; không tính đến cardinality.

  • Tôi trả lời được câu này mà không cần xem đáp án