100 câu phỏng vấn Fullstack
Trang chủ / Chủ đề 4
🐘 Chủ đề 4 / 10 ❓ Câu 31-40

Database & PostgreSQL

Index, EXPLAIN, N+1, transaction và isolation, race condition, SQL vs NoSQL, migration không downtime, connection pool, chuẩn hoá, scale database.

📌 Người phỏng vấn muốn kiểm tra điều gì

Hầu hết sự cố hiệu năng và sự cố sai dữ liệu ở production bắt nguồn từ database. Đây là nhóm câu hỏi mà fullstack developer hay yếu nhất (vì ORM che mất SQL) và cũng là nhóm người phỏng vấn senior đào sâu nhất. Trả lời tốt nghĩa là nói được SQL, đọc được plan và có câu chuyện 'query từ 3s xuống 20ms'.

📋 Danh sách câu hỏi

  1. 31Index B-tree hoạt động thế nào? Với index composite (a, b, c), truy vấn nào dùng được nó? Khi nào index không được dùng?●●○○ Trung bình
  2. 32Một truy vấn mất 3 giây trên production. Quy trình điều tra và tối ưu của bạn là gì?●●●○ Khó
  3. 33N+1 query là gì? Phát hiện và sửa trong ORM, và trong GraphQL thế nào?●●○○ Trung bình
  4. 34Giải thích các isolation level trong PostgreSQL và những hiện tượng (anomaly) mỗi mức ngăn được.●●●○ Khó
  5. 35Flash sale: 1.000 người cùng mua 100 sản phẩm còn lại. Làm sao không bán quá số lượng?●●●○ Khó
  6. 36SQL hay NoSQL? Bạn chọn database cho một sản phẩm mới dựa trên tiêu chí nào?●●○○ Trung bình
  7. 37Bạn cần đổi tên cột name thành full_name trên bảng 50 triệu dòng mà không downtime. Làm thế nào?●●●○ Khó
  8. 38Connection pooling là gì? Vì sao app serverless hay bị lỗi 'too many connections' với Postgres?●●○○ Trung bình
  9. 39Khi nào nên chuẩn hoá (normalize) và khi nào phi chuẩn hoá (denormalize)? Soft delete có nên dùng không?●●○○ Trung bình
  10. 40Database chính đã quá tải. Trình bày các bước scale database từ dễ đến khó, và vấn đề replication lag.●●●● Cực khó
Mẹo: tự trả lời thành tiếng trước, rồi mới mở đáp án.
Câu 31●●○○ Trung bình
Index B-tree hoạt động thế nào? Với index composite (a, b, c), truy vấn nào dùng được nó? Khi nào index không được dùng?
Xem câu trả lời & giải thích
💬 Trả lời ngắn (nói trong 30-60 giây)

B-tree lưu khoá đã sắp xếp trong cây cân bằng, tìm/khoảng/sắp xếp trong O(log n). Index (a, b, c) dùng được cho điều kiện trên tiền tố bên trái: a, a,b, a,b,c, và a = ? ORDER BY b; không hiệu quả cho chỉ b hay c. Index bị bỏ qua khi bọc cột trong hàm, ép kiểu, LIKE '%x', điều kiện trả về phần lớn bảng, hoặc thống kê lỗi thời.

📖 Giải thích lý thuyết
  • Quy tắc sắp cột: cột so sánh bằng (=) trước, cột khoảng/sắp xếp sau; cột chọn lọc cao thường đứng trước.
  • WHERE lower(email) = $1 cần expression index ON users (lower(email)).
  • Partial index WHERE status <> 'done' nhỏ và nhanh cho truy vấn lọc theo điều kiện cố định.
  • Covering index (INCLUDE (title)) cho phép Index Only Scan, không cần đọc bảng.
  • Loại khác: GIN (jsonb, mảng, full-text), GiST (khoảng thời gian, địa lý), BRIN (bảng append-only rất lớn theo thời gian).
🛠️ Áp dụng trong dự án thực tế
  • Mỗi index làm chậm INSERT/UPDATE và tốn bộ nhớ — xoá index không dùng (pg_stat_user_indexes.idx_scan = 0).
  • Foreign key không tự tạo index ở Postgres — thiếu index trên cột FK làm JOIN và DELETE cascade chậm.
  • Tạo index trên bảng production lớn: CREATE INDEX CONCURRENTLY để không khoá ghi.
🎭 Tình huống & câu hỏi nối tiếp

Câu hỏi nối tiếp: "Đã có index trên created_at nhưng WHERE created_at::date = '2026-01-01' vẫn chậm?" → Ép kiểu trên cột làm index không dùng được. Viết lại thành khoảng: created_at >= '2026-01-01' AND created_at < '2026-01-02'.

🚩 Sai lầm khiến ứng viên mất điểm

Index mọi cột; không biết quy tắc tiền tố trái.

  • Tôi trả lời được câu này mà không cần xem đáp án
Câu 32●●●○ Khó
Một truy vấn mất 3 giây trên production. Quy trình điều tra và tối ưu của bạn là gì?
Xem câu trả lời & giải thích
💬 Trả lời ngắn (nói trong 30-60 giây)

Tìm truy vấn tốn nhất bằng pg_stat_statements/APM → tái hiện với tham số thật → EXPLAIN (ANALYZE, BUFFERS) → đọc plan tìm Seq Scan trên bảng lớn, ước lượng sai lệch, sort tràn đĩa, nested loop với nhiều dòng → sửa (index, viết lại query, giảm dữ liệu, ANALYZE) → đo lại → theo dõi sau deploy.

📖 Giải thích lý thuyết
Dấu hiệu trong planÝ nghĩa / hướng sửa
Seq Scan + Filter loại bỏ 99% dòngThiếu index phù hợp
rows=5 ước lượng vs actual rows=200000Thống kê lỗi thời / tương quan cột → ANALYZE, extended statistics
Nested Loop với vòng ngoài lớnThiếu index ở bảng trong, hoặc planner ước lượng sai
Sort Method: external merge DiskTăng work_mem cục bộ hoặc index theo thứ tự sort
Buffers: read rất lớnĐọc từ đĩa nhiều — dữ liệu không vừa cache, cần giảm dữ liệu quét
🛠️ Áp dụng trong dự án thực tế
  • Ngoài index: chỉ SELECT cột cần, phân trang keyset, tiền tính (bảng tổng hợp, materialized view), cache kết quả, chuyển báo cáo nặng sang read replica.
  • Chú ý query nhanh nhưng gọi 5.000 lần/phút — tổng thời gian (total_exec_time) quan trọng hơn thời gian từng lần.
  • Kiểm tra lock: query chậm có thể đang chờ khoá chứ không phải chạy chậm (pg_stat_activity.wait_event, pg_locks).
🎭 Tình huống & câu hỏi nối tiếp

Câu chuyện mẫu cho phỏng vấn: "Trang danh sách đơn hàng p95 3.2s. pg_stat_statements cho thấy query lọc theo org_id, status sắp xếp created_at đang Seq Scan 4 triệu dòng. Thêm index (org_id, status, created_at DESC) bằng CONCURRENTLY, chuyển sang keyset pagination → 18ms. Thêm alert cho query mới vượt 500ms."

🚩 Sai lầm khiến ứng viên mất điểm

Thêm index ngẫu nhiên mà không đọc plan; chạy EXPLAIN không có ANALYZE trên dữ liệu không giống production.

  • Tôi trả lời được câu này mà không cần xem đáp án
Câu 33●●○○ Trung bình
N+1 query là gì? Phát hiện và sửa trong ORM, và trong GraphQL thế nào?
Xem câu trả lời & giải thích
💬 Trả lời ngắn (nói trong 30-60 giây)

N+1: một query lấy danh sách N bản ghi, rồi N query nữa để lấy dữ liệu liên quan cho từng bản ghi. Phát hiện bằng log/đếm số query mỗi request hoặc trace. Sửa: eager loading (include/JOIN), gom bằng WHERE id IN (...), và trong GraphQL dùng DataLoader để gom và cache theo request.

📖 Giải thích lý thuyết
// ❌ 1 + N
const orders = await prisma.order.findMany({ take: 50 });
for (const o of orders) o.customer = await prisma.customer.findUnique({ where: { id: o.customerId } });

// ✅ 2 query
const orders2 = await prisma.order.findMany({ take: 50, include: { customer: true } });

// GraphQL: resolver Order.customer gọi loader thay vì DB
const customerLoader = new DataLoader(async (ids) => {
  const rows = await prisma.customer.findMany({ where: { id: { in: [...ids] } } });
  const byId = new Map(rows.map((r) => [r.id, r]));
  return ids.map((id) => byId.get(id) ?? null);
});
🛠️ Áp dụng trong dự án thực tế
  • Thêm test/assertion đếm số query cho endpoint danh sách quan trọng (ví dụ ≤ 5 query bất kể số bản ghi).
  • Cẩn thận với eager loading quá tay: include lồng 4 tầng kéo về hàng chục nghìn dòng → chọn field (select), giới hạn (take).
  • N+1 cũng xảy ra với HTTP: frontend gọi API chi tiết cho từng item trong danh sách.
🎭 Tình huống & câu hỏi nối tiếp

Tình huống: "Trang danh sách chạy nhanh ở dev (10 dòng) nhưng chậm ở production (500 dòng)." → Dấu hiệu kinh điển của N+1: thời gian tăng tuyến tính theo số dòng. Bật query log, xem trace, sửa bằng include/DataLoader.

🚩 Sai lầm khiến ứng viên mất điểm

Không biết DataLoader cache theo request (dùng loader toàn cục gây rò dữ liệu giữa user).

  • Tôi trả lời được câu này mà không cần xem đáp án
Câu 34●●●○ Khó
Giải thích các isolation level trong PostgreSQL và những hiện tượng (anomaly) mỗi mức ngăn được.
Xem câu trả lời & giải thích
💬 Trả lời ngắn (nói trong 30-60 giây)

Postgres có Read Committed (mặc định), Repeatable Read và Serializable (Read Uncommitted hành xử như Read Committed). Read Committed chặn dirty read nhưng vẫn có non-repeatable read, phantom và lost update theo kiểu đọc-rồi-ghi. Repeatable Read dùng một snapshot cho cả transaction và báo lỗi khi ghi xung đột. Serializable đảm bảo kết quả như chạy tuần tự, kể cả write skew — đổi lại phải retry khi lỗi serialization.

📖 Giải thích lý thuyết
Hiện tượngVí dụRead CommittedRepeatable ReadSerializable
Dirty readĐọc dữ liệu chưa commitChặnChặnChặn
Non-repeatable readĐọc 2 lần ra 2 giá trịCó thểChặnChặn
PhantomĐếm 2 lần ra số khácCó thểChặn (Postgres)Chặn
Lost updateHai người đọc-sửa-ghi, một cập nhật bị mấtCó thểLỗi → retryLỗi → retry
Write skewHai bác sĩ cùng xin nghỉ vì thấy "còn người trực"Có thểCó thểChặn

Postgres cài đặt bằng MVCC: người đọc không chặn người ghi và ngược lại; mỗi transaction thấy một snapshot.

🛠️ Áp dụng trong dự án thực tế
  • Đa số ứng dụng dùng Read Committed + kỹ thuật cụ thể cho chỗ nhạy cảm: UPDATE có điều kiện nguyên tử, SELECT ... FOR UPDATE, optimistic version, ràng buộc UNIQUE/EXCLUDE.
  • Dùng Serializable cho nghiệp vụ phức tạp nhiều bảng — bắt buộc có vòng retry cho lỗi 40001.
  • Giữ transaction ngắn; không gọi HTTP bên trong transaction.
🎭 Tình huống & câu hỏi nối tiếp

Câu hỏi nối tiếp: "Hệ thống trực ca yêu cầu luôn có ít nhất một bác sĩ trực. Hai bác sĩ cùng bấm xin nghỉ. Làm sao chặn?" → Write skew: dùng Serializable + retry, hoặc khoá tường minh (SELECT ... FOR UPDATE các dòng ca trực liên quan), hoặc đưa quy tắc vào một dòng tổng hợp được cập nhật nguyên tử.

🚩 Sai lầm khiến ứng viên mất điểm

Nghĩ transaction mặc định ngăn được mọi race condition.

  • Tôi trả lời được câu này mà không cần xem đáp án
Câu 35●●●○ Khó
Flash sale: 1.000 người cùng mua 100 sản phẩm còn lại. Làm sao không bán quá số lượng?
Xem câu trả lời & giải thích
💬 Trả lời ngắn (nói trong 30-60 giây)

Không đọc-rồi-ghi. Dùng cập nhật nguyên tử có điều kiện: UPDATE products SET stock = stock - 1 WHERE id = $1 AND stock > 0 RETURNING stock — 0 dòng bị ảnh hưởng nghĩa là hết hàng; thêm CHECK (stock >= 0) làm lưới an toàn. Với tải cực lớn: giữ chỗ trong Redis (DECR nguyên tử) + hàng đợi tạo đơn, và có thời hạn giữ hàng.

📖 Giải thích lý thuyết
CáchƯuNhược
UPDATE có điều kiệnĐơn giản, đúng, một câu lệnhMột dòng "nóng" bị tranh chấp khoá khi tải rất cao
Pessimistic (FOR UPDATE)Logic phức tạp trong transactionNgười khác phải chờ; dễ deadlock nếu khoá nhiều dòng sai thứ tự
Optimistic (cột version)Không giữ khoá, tốt khi ít xung độtNhiều xung đột → nhiều retry
Redis counter + queueChịu tải cực caoPhải đồng bộ với DB, xử lý giữ chỗ hết hạn

Chia nhỏ dòng nóng: tách tồn kho thành N "bucket" để giảm tranh chấp (kỹ thuật dùng ở hệ thống lớn).

🛠️ Áp dụng trong dự án thực tế
  • Luồng thực tế: giữ hàng 10 phút khi vào thanh toán (bảng reservation có expires_at), job giải phóng giữ chỗ hết hạn, trừ kho thật khi webhook thanh toán thành công.
  • Viết test đồng thời: bắn 200 request song song vào 100 sản phẩm, khẳng định đúng 100 thành công.
  • Rate limit và hàng chờ ảo (waiting room) phía trước để bảo vệ DB.
🎭 Tình huống & câu hỏi nối tiếp

Câu hỏi nối tiếp: "Sao không dùng distributed lock Redis cho mỗi sản phẩm?" → Được nhưng phức tạp hơn và dễ sai (lock hết hạn giữa chừng, Redis failover). Khi DB đảm bảo được tính đúng bằng một câu lệnh nguyên tử thì đó là lựa chọn tốt hơn.

🚩 Sai lầm khiến ứng viên mất điểm

SELECT stock rồi kiểm tra trong code rồi UPDATE; dựa vào validate ở frontend.

  • Tôi trả lời được câu này mà không cần xem đáp án
Câu 36●●○○ Trung bình
SQL hay NoSQL? Bạn chọn database cho một sản phẩm mới dựa trên tiêu chí nào?
Xem câu trả lời & giải thích
💬 Trả lời ngắn (nói trong 30-60 giây)

Mặc định PostgreSQL cho hầu hết sản phẩm: dữ liệu quan hệ, transaction, ràng buộc, truy vấn linh hoạt, kèm jsonb cho phần linh hoạt và pgvector/full-text cho nhu cầu phụ. Chọn NoSQL khi có lý do cụ thể: mô hình truy cập đơn giản ở quy mô cực lớn (DynamoDB/Cassandra), document thật sự không có quan hệ (MongoDB), cache/counter (Redis), tìm kiếm (Elasticsearch), time-series, graph.

📖 Giải thích lý thuyết
Tiêu chíCâu hỏi
Mô hình dữ liệuCó nhiều quan hệ và JOIN không?
Nhất quánCó giao dịch tiền/tồn kho cần ACID không?
Mẫu truy cậpTruy vấn có biết trước và cố định (key-value) hay ad-hoc?
Quy môGhi hàng trăm nghìn/giây, dữ liệu hàng trăm TB?
Đội ngũTeam quen vận hành gì? Dịch vụ managed nào có sẵn?

Một Postgres được tối ưu tốt chịu được tải của phần lớn công ty. "Polyglot persistence" (mỗi việc một DB) tăng chi phí vận hành — chỉ thêm DB khi lợi ích rõ ràng.

🛠️ Áp dụng trong dự án thực tế
  • MongoDB vẫn hợp với CMS, catalog có thuộc tính rất khác nhau, prototyping — nhưng nhiều team sau này phải tự cài lại join và transaction trong code.
  • DynamoDB: phải thiết kế theo mẫu truy cập từ đầu (single-table design); đổi mẫu truy cập về sau rất tốn kém.
🎭 Tình huống & câu hỏi nối tiếp

Câu hỏi nối tiếp: "Dữ liệu sự kiện analytics 50 triệu dòng/ngày?" → Không nên đổ vào Postgres OLTP chính. Ghi vào queue/stream, lưu vào kho phân tích (ClickHouse, BigQuery) hoặc ít nhất bảng partition theo thời gian ở DB riêng.

🚩 Sai lầm khiến ứng viên mất điểm

Chọn NoSQL vì 'scale tốt hơn' mà không có số liệu; chọn theo trend.

  • Tôi trả lời được câu này mà không cần xem đáp án
Câu 37●●●○ Khó
Bạn cần đổi tên cột name thành full_name trên bảng 50 triệu dòng mà không downtime. Làm thế nào?
Xem câu trả lời & giải thích
💬 Trả lời ngắn (nói trong 30-60 giây)

Dùng mô hình expand → migrate → contract qua nhiều lần deploy: (1) thêm cột mới nullable; (2) code ghi cả hai cột; (3) backfill theo lô nhỏ; (4) code đọc cột mới; (5) ngừng ghi cột cũ; (6) xoá cột cũ ở lần deploy sau. Không bao giờ đổi tên trực tiếp vì code đang chạy (phiên bản cũ) sẽ lỗi ngay.

📖 Giải thích lý thuyết
-- Bước 1 (deploy A)
ALTER TABLE users ADD COLUMN full_name text;          -- nhanh, không ghi lại bảng
-- Bước 3: backfill theo lô, ngoài giờ cao điểm
UPDATE users SET full_name = name
WHERE id IN (SELECT id FROM users WHERE full_name IS NULL LIMIT 5000);
-- lặp lại đến hết, nghỉ giữa các lô để giảm áp lực replication/WAL
-- Bước 5-6 (deploy C, D)
ALTER TABLE users ADD CONSTRAINT full_name_nn CHECK (full_name IS NOT NULL) NOT VALID;
ALTER TABLE users VALIDATE CONSTRAINT full_name_nn;   -- không khoá ghi lâu
ALTER TABLE users DROP COLUMN name;

Những thao tác nguy hiểm trên bảng lớn: thêm cột có default biến động (bản cũ), đổi kiểu cột (ghi lại cả bảng), tạo index không CONCURRENTLY, thêm FK không NOT VALID. Đặt lock_timeout để migration không treo cả hệ thống khi chờ khoá.

🛠️ Áp dụng trong dự án thực tế
  • Trong lúc deploy rolling, phiên bản cũ và mới chạy song song — mọi migration phải tương thích với cả hai.
  • Migration chạy như một bước riêng trong pipeline trước khi deploy code; migration xoá (contract) đi sau một chu kỳ deploy.
  • Công cụ hỗ trợ kiểm tra migration nguy hiểm: squawk (lint SQL migration).
🎭 Tình huống & câu hỏi nối tiếp

Câu hỏi nối tiếp: "Rollback thì sao?" → Vì các bước đều tương thích ngược, rollback code ở bất kỳ bước nào vẫn chạy được. Đó là lợi ích lớn nhất của expand/contract so với một migration "big bang".

🚩 Sai lầm khiến ứng viên mất điểm

ALTER TABLE RENAME COLUMN trực tiếp trên production; backfill một câu UPDATE cho 50 triệu dòng.

  • Tôi trả lời được câu này mà không cần xem đáp án
Câu 38●●○○ Trung bình
Connection pooling là gì? Vì sao app serverless hay bị lỗi 'too many connections' với Postgres?
Xem câu trả lời & giải thích
💬 Trả lời ngắn (nói trong 30-60 giây)

Mỗi kết nối Postgres là một tiến trình riêng tốn vài MB RAM và có giới hạn (max_connections, thường 100-500). Pool giữ sẵn một số kết nối và cho các request dùng lại. Serverless/nhiều pod nhân số kết nối lên rất nhanh (mỗi instance một pool) → cạn kết nối. Giải pháp: pooler bên ngoài (PgBouncer transaction mode, RDS Proxy, pooler của Neon/Supabase), pool nhỏ mỗi instance.

📖 Giải thích lý thuyết

Ví dụ: 30 pod × pool 20 = 600 kết nối > 500 tối đa. Kết nối nhiều hơn số core DB còn làm hiệu năng giảm do context switching. Công thức tham khảo cho số kết nối hoạt động tối ưu ở DB: khoảng số core × 2-4.

  • PgBouncer transaction mode: một kết nối DB phục vụ nhiều client, nhưng không dùng được các tính năng gắn với session (prepared statement kiểu cũ, SET session, advisory lock theo session).
  • Pool cạn → request chờ lấy kết nối → latency tăng dù DB không bận. Đo thời gian chờ pool.
🛠️ Áp dụng trong dự án thực tế
  • Đặt timeout lấy kết nối và statement timeout để không treo vô hạn.
  • Không giữ kết nối lâu: transaction dài, stream kết quả lớn chiếm kết nối.
  • Prisma: cấu hình connection_limit, dùng adapter/pooler phù hợp với serverless.
🎭 Tình huống & câu hỏi nối tiếp

Tình huống: "Sau khi bật autoscale, DB báo too many connections và API lỗi hàng loạt lúc cao điểm." → Giảm pool mỗi pod, thêm PgBouncer, giới hạn số pod tối đa theo năng lực DB, cache để giảm truy vấn.

🚩 Sai lầm khiến ứng viên mất điểm

Tăng max_connections lên 5000 làm giải pháp.

  • Tôi trả lời được câu này mà không cần xem đáp án
Câu 39●●○○ Trung bình
Khi nào nên chuẩn hoá (normalize) và khi nào phi chuẩn hoá (denormalize)? Soft delete có nên dùng không?
Xem câu trả lời & giải thích
💬 Trả lời ngắn (nói trong 30-60 giây)

Mặc định chuẩn hoá (3NF) để mỗi sự thật lưu một chỗ, tránh bất nhất. Phi chuẩn hoá có chủ đích khi đọc nhiều hơn ghi rất nhiều và JOIN/tổng hợp quá tốn: lưu bộ đếm (comments_count), snapshot tại thời điểm (giá trong đơn hàng), bảng đọc riêng. Soft delete (deleted_at) hữu ích để khôi phục/kiểm toán nhưng làm mọi truy vấn phức tạp hơn và dễ rò dữ liệu đã 'xoá'.

📖 Giải thích lý thuyết
  • Snapshot là bắt buộc, không phải tối ưu: đơn hàng phải lưu giá, tên sản phẩm, địa chỉ tại thời điểm mua — sản phẩm đổi giá sau đó không được làm thay đổi đơn cũ.
  • Bộ đếm phi chuẩn hoá phải được cập nhật trong cùng transaction hoặc tính lại định kỳ; chấp nhận sai lệch tạm thời nếu cập nhật bất đồng bộ.
  • Soft delete: cần partial unique index (UNIQUE (email) WHERE deleted_at IS NULL), lọc ở mọi truy vấn (dễ quên), và vẫn phải xoá thật để tuân thủ GDPR.
🛠️ Áp dụng trong dự án thực tế
  • Thay vì soft delete toàn hệ thống: bảng archive/audit log riêng, hoặc soft delete chỉ cho thực thể người dùng hay xoá nhầm (project, tài liệu) với thùng rác 30 ngày.
  • Read model riêng (CQRS nhẹ) cho dashboard: bảng tổng hợp cập nhật bằng job/event.
🎭 Tình huống & câu hỏi nối tiếp

Câu hỏi nối tiếp: "Người dùng xoá tài khoản rồi đăng ký lại cùng email thì lỗi unique." → Đó là bẫy soft delete; sửa bằng partial unique index, hoặc ẩn danh hoá email khi xoá.

🚩 Sai lầm khiến ứng viên mất điểm

Không lưu snapshot giá trong đơn hàng; soft delete mà quên lọc.

  • Tôi trả lời được câu này mà không cần xem đáp án
Câu 40●●●● Cực khó
Database chính đã quá tải. Trình bày các bước scale database từ dễ đến khó, và vấn đề replication lag.
Xem câu trả lời & giải thích
💬 Trả lời ngắn (nói trong 30-60 giây)

Theo thứ tự: tối ưu truy vấn và index → cache (Redis, CDN) → tăng cấu hình (vertical) → connection pooler → read replica cho truy vấn đọc → chuyển việc nặng sang job/kho phân tích → partition bảng lớn theo thời gian/tenant → tách DB theo domain (service) → sharding (khó nhất, cuối cùng). Read replica có độ trễ sao chép: vừa ghi xong đọc từ replica có thể chưa thấy (vi phạm read-your-writes).

📖 Giải thích lý thuyết
Kỹ thuậtGiải quyếtChi phí
Read replicaTải đọcReplication lag, ứng dụng phải định tuyến đọc/ghi
Partitioning (cùng DB)Bảng khổng lồ, xoá dữ liệu cũ nhanh (DROP partition)Truy vấn phải có khoá partition
Tách DB theo domainTải tách biệt, team độc lậpMất JOIN và transaction chéo
ShardingTải ghi vượt một máyChọn shard key, truy vấn chéo shard, rebalancing — rất phức tạp (Citus, Vitess giúp)

Xử lý lag: đọc từ primary trong vài giây sau khi người dùng ghi (sticky theo session), hoặc đọc primary cho các màn hình vừa thao tác; replica dùng cho báo cáo, tìm kiếm, danh sách công khai.

🛠️ Áp dụng trong dự án thực tế
  • Phần lớn công ty không bao giờ cần sharding nếu làm tốt các bước đầu. Multi-tenant SaaS có thể "shard theo tenant" tự nhiên (tenant lớn sang DB riêng).
  • Đo trước khi scale: CPU, IOPS, cache hit ratio, lock wait, top query.
🎭 Tình huống & câu hỏi nối tiếp

Tình huống: "Người dùng sửa hồ sơ xong, trang reload vẫn hiện tên cũ." → Đọc từ replica bị lag. Sửa: route đọc của người vừa ghi về primary trong N giây, hoặc trả dữ liệu mới trong response của PUT và cập nhật cache phía client.

🚩 Sai lầm khiến ứng viên mất điểm

Nhảy ngay tới sharding/microservices; không biết replication lag.

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