100 câu phỏng vấn Fullstack
Trang chủ / Chủ đề 5
🧰 Chủ đề 5 / 10 ❓ Câu 41-50

Cache, queue & hệ thống phân tán

Chiến lược cache và vô hiệu hoá, cache stampede, Redis, message queue, outbox, distributed lock, saga, nhất quán cuối cùng, retry/timeout/circuit breaker, realtime nhiều instance.

📌 Người phỏng vấn muốn kiểm tra điều gì

Ngay khi hệ thống có hơn một tiến trình, mọi thứ có thể hỏng một phần: mạng chậm, message đến hai lần, cache lệch với DB, service kia sập. Đây là chất liệu của vòng system design và cũng là nơi senior được trả tiền để lường trước. Câu trả lời tốt luôn nói rõ: chuyện gì xảy ra khi bước X thất bại?

📋 Danh sách câu hỏi

  1. 41Các chiến lược cache phổ biến là gì? Bạn vô hiệu hoá cache thế nào?●●○○ Trung bình
  2. 42Cache stampede (thundering herd) là gì và cách phòng tránh?●●●○ Khó
  3. 43Bạn dùng Redis cho những việc gì? Vì sao Redis nhanh dù xử lý lệnh trên một luồng?●●○○ Trung bình
  4. 44Khi nào cần message queue? 'At-least-once delivery' nghĩa là gì và bạn xử lý message trùng ra sao?●●●○ Khó
  5. 45Bạn cập nhật DB rồi publish một event lên queue. Điều gì có thể sai, và outbox pattern giải quyết thế nào?●●●● Cực khó
  6. 46Distributed lock bằng Redis hoạt động thế nào? Những rủi ro là gì?●●●○ Khó
  7. 47Một nghiệp vụ trải qua 3 service (Order, Payment, Inventory). Bạn đảm bảo tính nhất quán thế nào khi không có transaction chung?●●●● Cực khó
  8. 48Giải thích CAP và eventual consistency. Read-your-writes là gì và làm sao đảm bảo nó trên UI?●●●○ Khó
  9. 49Service của bạn gọi một API bên ngoài hay bị chậm/lỗi. Bạn áp dụng timeout, retry, circuit breaker thế nào?●●●○ Khó
  10. 50Ứng dụng chat dùng WebSocket chạy trên 4 instance sau load balancer. Những vấn đề gì phát sinh và giải quyết ra sao?●●●○ Khó
Mẹo: tự trả lời thành tiếng trước, rồi mới mở đáp án.
Câu 41●●○○ Trung bình
Các chiến lược cache phổ biến là gì? Bạn vô hiệu hoá cache thế nào?
Xem câu trả lời & giải thích
💬 Trả lời ngắn (nói trong 30-60 giây)

Phổ biến nhất là cache-aside: đọc cache, miss thì đọc DB rồi ghi vào cache có TTL; khi cập nhật thì ghi DB trước rồi xoá key cache. Các chiến lược khác: read-through, write-through (ghi cache và DB cùng lúc), write-behind (ghi cache trước, DB sau — rủi ro mất dữ liệu). Vô hiệu hoá: TTL + xoá theo sự kiện + đặt phiên bản vào key.

📖 Giải thích lý thuyết
  • Vì sao xoá thay vì cập nhật cache khi ghi? Hai request ghi đồng thời có thể cập nhật cache theo thứ tự khác DB → cache sai vĩnh viễn (tới khi hết TTL). Xoá thì lần đọc sau tự lấy giá trị đúng.
  • Vẫn còn cửa sổ nhỏ: request đọc lấy dữ liệu cũ từ DB, request ghi xoá cache, request đọc ghi dữ liệu cũ vào cache. Giảm thiểu: TTL ngắn, xoá trễ lần hai (delayed double delete), hoặc chấp nhận.
  • Key có version (project:v3:{id}) giúp vô hiệu hoá hàng loạt khi đổi cấu trúc dữ liệu.
  • Tầng cache: HTTP (Cache-Control, ETag) → CDN → cache trong tiến trình (LRU) → Redis → DB.
🛠️ Áp dụng trong dự án thực tế
  • Chỉ cache khi đo thấy cần: dữ liệu đọc nhiều, ghi ít, chấp nhận cũ vài giây (cấu hình, danh mục sản phẩm, trang công khai, kết quả tính toán nặng).
  • Không cache dữ liệu theo quyền mà key không có userId/tenantId — rò dữ liệu giữa người dùng là sự cố nghiêm trọng.
  • Đo hit rate; hit rate thấp nghĩa là cache chỉ thêm độ phức tạp.
🎭 Tình huống & câu hỏi nối tiếp

Tình huống: "Admin đổi giá sản phẩm nhưng khách vẫn thấy giá cũ 10 phút." → Có nhiều tầng cache (CDN, Next.js data cache, Redis). Xác định tầng nào giữ dữ liệu cũ, thêm vô hiệu hoá theo sự kiện cho từng tầng (purge CDN theo tag, revalidateTag, xoá key Redis). Và quan trọng: giá ở bước thanh toán luôn đọc từ DB.

🚩 Sai lầm khiến ứng viên mất điểm

Cập nhật cache trước khi ghi DB; cache mà không có chiến lược vô hiệu hoá.

  • Tôi trả lời được câu này mà không cần xem đáp án
Câu 42●●●○ Khó
Cache stampede (thundering herd) là gì và cách phòng tránh?
Xem câu trả lời & giải thích
💬 Trả lời ngắn (nói trong 30-60 giây)

Khi một key rất nóng hết hạn, hàng nghìn request cùng miss và cùng đập vào DB để tính lại → DB quá tải, có thể sập dây chuyền. Phòng tránh: TTL có jitter, single-flight/lock (chỉ một request tính lại, số còn lại chờ hoặc dùng giá trị cũ), stale-while-revalidate (trả dữ liệu cũ, làm mới nền), làm mới chủ động trước khi hết hạn.

📖 Giải thích lý thuyết
async function getWithLock<T>(key: string, ttl: number, load: () => Promise<T>): Promise<T> {
  const cached = await redis.get(key);
  if (cached) return JSON.parse(cached);
  const lockKey = `lock:${key}`;
  if (await redis.set(lockKey, '1', 'PX', 5000, 'NX')) {         // chỉ một người tính lại
    try {
      const value = await load();
      await redis.set(key, JSON.stringify(value), 'EX', ttl + Math.floor(Math.random() * ttl * 0.1));
      return value;
    } finally { await redis.del(lockKey); }
  }
  await sleep(50 + Math.random() * 50);                          // người khác chờ rồi đọc lại
  return getWithLock(key, ttl, load);
}

Trong một tiến trình, single-flight đơn giản là giữ Map các promise đang chạy theo key.

🛠️ Áp dụng trong dự án thực tế
  • Sau khi Redis restart hoặc deploy làm trống cache, toàn bộ traffic dồn vào DB (cold cache) → làm ấm cache trước, hoặc giới hạn đồng thời truy vấn nền.
  • CDN có sẵn stale-while-revalidate và request collapsing — tận dụng cho trang công khai.
  • Thêm giới hạn đồng thời (bulkhead) cho truy vấn nặng để DB không bao giờ nhận quá N truy vấn loại đó cùng lúc.
🎭 Tình huống & câu hỏi nối tiếp

Câu hỏi nối tiếp: "Trang chủ cache 60 giây, đúng giây thứ 60 DB CPU vọt lên 100%." → Stampede kinh điển. Dùng stale-while-revalidate hoặc làm mới chủ động bằng job mỗi 50 giây.

🚩 Sai lầm khiến ứng viên mất điểm

Không biết hiện tượng; giải quyết bằng TTL dài hơn.

  • Tôi trả lời được câu này mà không cần xem đáp án
Câu 43●●○○ Trung bình
Bạn dùng Redis cho những việc gì? Vì sao Redis nhanh dù xử lý lệnh trên một luồng?
Xem câu trả lời & giải thích
💬 Trả lời ngắn (nói trong 30-60 giây)

Cache, session, rate limit, bộ đếm, khoá phân tán, hàng đợi (BullMQ), pub/sub cho realtime, bảng xếp hạng (sorted set), dedupe (set với TTL). Redis nhanh vì dữ liệu nằm trong RAM, cấu trúc dữ liệu tối ưu, I/O đa luồng/non-blocking, và xử lý lệnh tuần tự trên một luồng nên mỗi lệnh là nguyên tử, không tốn chi phí khoá.

📖 Giải thích lý thuyết
Cấu trúcỨng dụng
String + INCR/EXPIRECache, counter, rate limit fixed window
HashSession, object nhiều field
SetNgười online, đã xử lý event id
Sorted setLeaderboard, sliding window rate limit, hàng đợi hẹn giờ
List / StreamHàng đợi; Stream có consumer group và ack
Pub/SubPhát sự kiện giữa các instance (không lưu lại — subscriber offline sẽ mất)

Hệ quả của đơn luồng: một lệnh chậm (KEYS *, SMEMBERS set triệu phần tử, Lua script dài) chặn mọi client. Dùng SCAN, giới hạn kích thước giá trị.

🛠️ Áp dụng trong dự án thực tế
  • Redis không phải nơi lưu dữ liệu duy nhất cho thứ quan trọng: persistence (RDB/AOF) có thể mất vài giây dữ liệu khi crash.
  • Đặt maxmemory và policy (allkeys-lru cho cache; noeviction cho Redis dùng làm queue — đừng dùng chung một instance cho cả hai).
  • Theo dõi bộ nhớ, key lớn (--bigkeys), latency.
🎭 Tình huống & câu hỏi nối tiếp

Tình huống: "Job BullMQ biến mất bí ẩn khi Redis đầy bộ nhớ." → Redis dùng chung cho cache với policy eviction → key của queue bị xoá. Tách instance hoặc đặt noeviction cho Redis của queue.

🚩 Sai lầm khiến ứng viên mất điểm

Nói Redis 'đơn luồng nên chậm'; dùng KEYS trên production.

  • Tôi trả lời được câu này mà không cần xem đáp án
Câu 44●●●○ Khó
Khi nào cần message queue? 'At-least-once delivery' nghĩa là gì và bạn xử lý message trùng ra sao?
Xem câu trả lời & giải thích
💬 Trả lời ngắn (nói trong 30-60 giây)

Dùng queue để tách việc chậm/không bắt buộc đồng bộ khỏi request (email, xử lý ảnh, webhook ra ngoài), làm phẳng đỉnh tải, retry tự động và tách rời hệ thống. Hầu hết queue đảm bảo at-least-once: message có thể được giao nhiều lần (worker crash trước khi ack, timeout). Vì vậy consumer phải idempotent: lưu id đã xử lý, dùng ràng buộc unique, hoặc thiết kế thao tác tự nhiên idempotent.

📖 Giải thích lý thuyết
Đảm bảoNghĩa
At-most-onceCó thể mất, không trùng (ack trước khi xử lý)
At-least-onceKhông mất, có thể trùng (ack sau khi xử lý) — phổ biến
Exactly-onceTrên thực tế đạt được bằng at-least-once + xử lý idempotent
// Consumer idempotent
await prisma.$transaction(async (tx) => {
  const r = await tx.processedEvent.createMany({ data: [{ id: msg.id }], skipDuplicates: true });
  if (r.count === 0) return;                      // đã xử lý rồi
  await tx.account.update({ where: { id }, data: { balance: { increment: msg.amount } } });
});
🛠️ Áp dụng trong dự án thực tế
  • Công cụ: BullMQ (Redis) cho job nền trong hệ Node; RabbitMQ/SQS cho hàng đợi giữa service; Kafka cho stream sự kiện lớn có replay.
  • Cấu hình: số lần retry, backoff, dead-letter queue, thời gian khoá job (visibility timeout) lớn hơn thời gian xử lý tối đa.
  • Thứ tự: hầu hết queue không đảm bảo thứ tự toàn cục; cần thứ tự theo thực thể thì dùng partition key (Kafka) hoặc message group (SQS FIFO).
🎭 Tình huống & câu hỏi nối tiếp

Câu hỏi nối tiếp: "Khách nhận 2 email xác nhận đơn hàng." → Worker gửi email xong nhưng crash trước khi ack → retry. Thêm bản ghi email_sent(order_id, type) unique trước khi gửi, hoặc dùng idempotency key của nhà cung cấp email.

🚩 Sai lầm khiến ứng viên mất điểm

Tin rằng queue đảm bảo exactly-once; không có dead-letter queue.

  • Tôi trả lời được câu này mà không cần xem đáp án
Câu 45●●●● Cực khó
Bạn cập nhật DB rồi publish một event lên queue. Điều gì có thể sai, và outbox pattern giải quyết thế nào?
Xem câu trả lời & giải thích
💬 Trả lời ngắn (nói trong 30-60 giây)

Đây là bài toán dual write: DB commit thành công nhưng publish thất bại (hoặc tiến trình chết) → event mất; hoặc publish trước rồi transaction rollback → event 'ma'. Outbox: ghi event vào bảng outbox trong cùng transaction với dữ liệu; một relay đọc outbox và publish, đánh dấu đã gửi. Kết quả: at-least-once, không mất event.

📖 Giải thích lý thuyết
await db.$transaction(async (tx) => {
  await tx.order.update({ where: { id }, data: { status: 'PAID' } });
  await tx.outbox.create({ data: { aggregateId: id, type: 'order.paid', payload } });
});

// Relay (worker riêng, chạy lặp)
const rows = await db.$queryRaw`
  SELECT * FROM outbox WHERE published_at IS NULL
  ORDER BY id LIMIT 100 FOR UPDATE SKIP LOCKED`;     // nhiều relay chạy song song không giẫm nhau
for (const r of rows) await broker.publish(r.type, r.payload, { messageId: r.id });
await db.outbox.updateMany({ where: { id: { in: rows.map((r) => r.id) } }, data: { publishedAt: new Date() } });

Biến thể: Change Data Capture (Debezium đọc WAL của Postgres) thay cho polling. Phía nhận vẫn phải idempotent vì relay có thể publish lại sau khi crash.

🛠️ Áp dụng trong dự án thực tế
  • Áp dụng cho mọi event có hậu quả kinh doanh: thanh toán thành công, đơn hàng tạo, người dùng đăng ký (để gửi email, cập nhật CRM).
  • Dọn bảng outbox định kỳ; theo dõi độ trễ (event cũ nhất chưa publish) và alert.
  • Pattern đối xứng phía nhận: inbox (lưu message id đã xử lý).
🎭 Tình huống & câu hỏi nối tiếp

Câu hỏi nối tiếp: "Sao không publish sau khi commit là đủ?" → Tiến trình có thể bị kill ngay giữa commit và publish (deploy, OOM), hoặc broker tạm sập. Xác suất nhỏ nhưng ở quy mô triệu giao dịch thì chắc chắn xảy ra, và hậu quả (khách đã trả tiền mà không được kích hoạt) rất đắt.

🚩 Sai lầm khiến ứng viên mất điểm

Publish bên trong transaction rồi coi là an toàn; không biết khái niệm dual write.

  • Tôi trả lời được câu này mà không cần xem đáp án
Câu 46●●●○ Khó
Distributed lock bằng Redis hoạt động thế nào? Những rủi ro là gì?
Xem câu trả lời & giải thích
💬 Trả lời ngắn (nói trong 30-60 giây)

SET lock:key <token-ngẫu-nhiên> NX PX 30000: chỉ một client đặt được; có TTL để không khoá vĩnh viễn khi client chết; gỡ khoá bằng Lua script chỉ khi token khớp (không gỡ nhầm khoá của người khác). Rủi ro: khoá hết hạn khi việc chưa xong (GC pause, mạng chậm) → hai người cùng giữ; Redis failover mất khoá. Vì vậy với dữ liệu quan trọng, dùng fencing token hoặc dựa vào ràng buộc của DB.

📖 Giải thích lý thuyết
-- Gỡ khoá an toàn (Lua, nguyên tử)
if redis.call('get', KEYS[1]) == ARGV[1] then return redis.call('del', KEYS[1]) else return 0 end
  • Fencing token: mỗi lần cấp khoá kèm số tăng dần; tài nguyên chỉ chấp nhận ghi với token lớn hơn lần trước → người giữ khoá "quá hạn" bị từ chối.
  • Thay thế: pg_advisory_lock / pg_try_advisory_xact_lock của Postgres khi đã có DB; leader election của orchestrator; SELECT ... FOR UPDATE SKIP LOCKED cho phân phối việc.
  • Redlock (nhiều node Redis) vẫn gây tranh cãi về tính đúng trong điều kiện đồng hồ/độ trễ xấu.
🛠️ Áp dụng trong dự án thực tế
  • Use case hợp lý: đảm bảo một cron chỉ chạy trên một instance, tránh hai worker cùng xử lý lại một báo cáo (nếu trùng cũng không hại lớn).
  • Use case nguy hiểm: trừ tiền, tồn kho — dùng transaction/ràng buộc DB.
  • Gia hạn khoá (watchdog) cho việc dài, nhưng vẫn phải chịu được trường hợp mất khoá.
🎭 Tình huống & câu hỏi nối tiếp

Câu hỏi nối tiếp: "Job báo cáo chạy 2 lần mỗi đêm sau khi scale lên 3 pod." → Mỗi pod chạy cron của riêng nó. Dùng scheduler tập trung (BullMQ repeatable job, Kubernetes CronJob) hoặc lock; và làm job idempotent.

🚩 Sai lầm khiến ứng viên mất điểm

SET rồi EXPIRE riêng (không nguyên tử); DEL không kiểm tra chủ khoá.

  • Tôi trả lời được câu này mà không cần xem đáp án
Câu 47●●●● Cực khó
Một nghiệp vụ trải qua 3 service (Order, Payment, Inventory). Bạn đảm bảo tính nhất quán thế nào khi không có transaction chung?
Xem câu trả lời & giải thích
💬 Trả lời ngắn (nói trong 30-60 giây)

Dùng Saga: chuỗi transaction cục bộ trong từng service, mỗi bước có hành động bù trừ (compensation) nếu bước sau thất bại. Hai kiểu: choreography (các service phản ứng với event của nhau) và orchestration (một orchestrator điều phối từng bước — dễ theo dõi hơn với luồng phức tạp). Kết hợp outbox, idempotency và trạng thái trung gian rõ ràng.

📖 Giải thích lý thuyết
Orchestration cho đặt hàng:
1. Order: tạo đơn PENDING
2. Inventory: giữ hàng          → thất bại: Order → CANCELLED
3. Payment: thu tiền            → thất bại: Inventory nhả hàng, Order → CANCELLED
4. Inventory: xác nhận trừ kho
5. Order: CONFIRMED
  • Saga đảm bảo nhất quán cuối cùng, không cách ly: người khác có thể thấy trạng thái trung gian (PENDING) → UI phải biểu diễn được.
  • Bù trừ không phải lúc nào cũng "undo" được (email đã gửi) → thiết kế bước không đảo ngược được ở cuối chuỗi.
  • 2PC (two-phase commit) gần như không dùng giữa microservice vì khoá lâu và phụ thuộc điều phối viên.
  • Công cụ orchestration bền vững: Temporal, AWS Step Functions.
🛠️ Áp dụng trong dự án thực tế
  • Câu hỏi đầu tiên của senior: có thật cần 3 service không? Nếu chúng chung một DB trong modular monolith, một transaction cục bộ giải quyết xong.
  • Mỗi saga có id để trace, có timeout cho từng bước và job đối soát xử lý saga kẹt.
🎭 Tình huống & câu hỏi nối tiếp

Câu hỏi nối tiếp: "Payment service timeout — không biết đã thu tiền hay chưa?" → Không bù trừ vội. Hỏi lại trạng thái bằng idempotency key (thanh toán idempotent), đặt đơn ở trạng thái 'đang xác minh', job đối soát quyết định tiếp tục hay bù trừ.

🚩 Sai lầm khiến ứng viên mất điểm

Đề xuất 2PC; không nghĩ tới trạng thái trung gian và timeout không rõ kết quả.

  • Tôi trả lời được câu này mà không cần xem đáp án
Câu 48●●●○ Khó
Giải thích CAP và eventual consistency. Read-your-writes là gì và làm sao đảm bảo nó trên UI?
Xem câu trả lời & giải thích
💬 Trả lời ngắn (nói trong 30-60 giây)

CAP: khi có phân mảnh mạng (P), hệ phân tán phải chọn giữa nhất quán (C — mọi node trả cùng dữ liệu mới nhất, hoặc lỗi) và sẵn sàng (A — luôn trả lời, có thể dữ liệu cũ). PACELC bổ sung: khi không có sự cố, vẫn phải đánh đổi độ trễ và nhất quán. Eventual consistency: các bản sao sẽ hội tụ nếu không có ghi mới. Read-your-writes: người dùng luôn thấy thay đổi của chính mình — đảm bảo bằng đọc primary sau khi ghi, trả dữ liệu mới trong response, và cập nhật cache phía client.

📖 Giải thích lý thuyết
  • Ví dụ hệ CP: hệ thống ngân hàng, etcd — thà từ chối còn hơn trả sai. Hệ AP: giỏ hàng, số lượt thích, feed — thà hiển thị cũ một chút.
  • Các mức nhất quán khác: monotonic reads (không thấy dữ liệu "đi lùi"), causal consistency (trả lời không xuất hiện trước câu hỏi).
  • Nhất quán là lựa chọn theo từng tính năng, không phải cho cả hệ thống.
🛠️ Áp dụng trong dự án thực tế
  • UI: optimistic update (hiện ngay thay đổi của người dùng), sau đó đồng bộ với server; hiển thị trạng thái "đang đồng bộ"/"đang xử lý" cho thao tác bất đồng bộ.
  • Số lượt xem/like: đếm gần đúng trong Redis, ghi dồn xuống DB định kỳ.
  • Tìm kiếm qua Elasticsearch có độ trễ index vài giây: sau khi tạo mới, điều hướng tới trang chi tiết (đọc từ DB) thay vì về trang kết quả tìm kiếm.
🎭 Tình huống & câu hỏi nối tiếp

Tình huống: "Người dùng tạo task rồi quay lại danh sách nhưng không thấy task vừa tạo." → Danh sách đọc từ replica/search index/cache cũ. Cập nhật cache client từ response tạo (TanStack Query setQueryData), hoặc đọc primary cho danh sách ngay sau khi ghi.

🚩 Sai lầm khiến ứng viên mất điểm

Hiểu sai CAP là 'chọn 2 trong 3 mọi lúc'; không nối được với trải nghiệm người dùng.

  • Tôi trả lời được câu này mà không cần xem đáp án
Câu 49●●●○ Khó
Service của bạn gọi một API bên ngoài hay bị chậm/lỗi. Bạn áp dụng timeout, retry, circuit breaker thế nào?
Xem câu trả lời & giải thích
💬 Trả lời ngắn (nói trong 30-60 giây)

Timeout luôn luôn (ngắn hơn timeout của người gọi bạn). Retry chỉ với lỗi tạm thời (timeout, 5xx, 429), có giới hạn số lần, exponential backoff + jitter, và chỉ cho thao tác idempotent. Circuit breaker: khi tỷ lệ lỗi vượt ngưỡng, ngừng gọi một thời gian và trả fallback ngay, sau đó thử lại dần (half-open). Thêm bulkhead để một phụ thuộc chậm không ăn hết tài nguyên.

📖 Giải thích lý thuyết
// retry với backoff + jitter
for (let attempt = 0; attempt < 3; attempt++) {
  try {
    return await fetch(url, { signal: AbortSignal.timeout(2000) });
  } catch (e) {
    if (!isTransient(e) || attempt === 2) throw e;
    await sleep(Math.random() * 200 * 2 ** attempt);   // full jitter
  }
}
  • Retry storm: mỗi tầng retry 3 lần qua 3 tầng = 27 lần gọi tới service đang yếu → làm nó sập hẳn. Chỉ retry ở một tầng, dùng retry budget.
  • Circuit breaker: thư viện opossum cho Node; service mesh (Istio, Linkerd) làm ở tầng hạ tầng.
🛠️ Áp dụng trong dự án thực tế
  • Fallback hợp lý: dữ liệu cache cũ, giá trị mặc định, ẩn tính năng phụ (gợi ý sản phẩm), đưa vào queue để xử lý sau.
  • Thiết kế để tính năng chính vẫn chạy khi phụ thuộc phụ sập (graceful degradation).
  • Theo dõi latency và error rate của từng phụ thuộc riêng biệt.
🎭 Tình huống & câu hỏi nối tiếp

Tình huống: "Nhà cung cấp gửi SMS chậm 30 giây làm API đăng ký của bạn treo, rồi cạn connection, rồi sập toàn bộ." → Gửi SMS qua queue (không đồng bộ), timeout 3 giây, circuit breaker, và tách pool kết nối cho phụ thuộc đó.

🚩 Sai lầm khiến ứng viên mất điểm

Retry vô hạn không backoff; retry POST không idempotent; không có timeout (mặc định của nhiều client là vô hạn).

  • Tôi trả lời được câu này mà không cần xem đáp án
Câu 50●●●○ Khó
Ứng dụng chat dùng WebSocket chạy trên 4 instance sau load balancer. Những vấn đề gì phát sinh và giải quyết ra sao?
Xem câu trả lời & giải thích
💬 Trả lời ngắn (nói trong 30-60 giây)

Người gửi và người nhận có thể kết nối tới hai instance khác nhau → cần một tầng pub/sub chung (Redis adapter của Socket.IO, NATS, Redis Streams) để phát sự kiện tới mọi instance. Ngoài ra: load balancer hỗ trợ upgrade WebSocket (và sticky session nếu dùng long-polling fallback), xác thực khi kết nối, kiểm tra quyền khi join room, reconnect và đồng bộ lại tin nhắn bị lỡ, giới hạn kết nối mỗi instance, graceful shutdown.

📖 Giải thích lý thuyết
  • Pub/sub của Redis không lưu message: client mất kết nối 10 giây sẽ lỡ sự kiện → khi reconnect, client gửi lastMessageId và tải lại phần thiếu từ DB. DB là nguồn sự thật; socket chỉ là kênh thông báo.
  • Presence (ai online): lưu trong Redis với TTL, heartbeat định kỳ.
  • SSE đơn giản hơn nhiều nếu chỉ cần server → client (thông báo, stream AI) và chạy trên HTTP thường.
🛠️ Áp dụng trong dự án thực tế
  • Mỗi kết nối tốn bộ nhớ; 100.000 kết nối cần tính toán số instance, file descriptor, và timeout idle của load balancer (thường 60s → cần heartbeat).
  • Khi deploy, mọi kết nối của instance bị đóng → client reconnect với backoff có jitter để tránh dồn cục.
  • Dịch vụ managed (Pusher, Ably, Supabase Realtime, AWS API Gateway WebSocket) khi không muốn tự vận hành.
🎭 Tình huống & câu hỏi nối tiếp

Câu hỏi nối tiếp: "Tin nhắn hiển thị sai thứ tự." → Gán thứ tự ở server (sequence/timestamp theo phòng), client sắp xếp theo đó và loại trùng theo id, không dựa vào thứ tự nhận qua mạng.

🚩 Sai lầm khiến ứng viên mất điểm

Không biết sự kiện không tới được client ở instance khác; coi socket là nguồn sự thật.

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