Question

設計一個簡單搜尋引擎的webserver，假設系統有100台機器負責回應queries，有個昂貴的function，processSearch(string query)，機器的選擇是隨機的，同一台機器回應可能會不一樣，請設計最相關queries的caching機制，請解釋當資料改變時如何更新cache

Solutions

與面試官討論假設

Assumptions

沒有最正確的答案

• 所有的query 發生在機器最初呼叫時
• cache的queries要有百萬等級
• 在機器間呼叫要相對快
• 結果是order list，並且有50字以內title及200字summary
• 最熱門的會極端熱門，而且隨時都應該在cache

System Requirements

• 根據key有效檢索
• 過期舊資料應該被刪除

Step 1 design a cache for a single system

如何有效根據key新增及刪除資料？

• lined list 可以有效快速刪除特定節點、限制長度
• hashtable可以有效找尋data 使用hashmap map query 到特定node

Step 2 Expand to many machines

Option 1: Each machine has its own cache

• Pros
  • 相對快、因為沒有machine-to-machine call
• Cons
  • 如果有很多重複的query會很沒有效率

Option 2: Each machine has a copy of the cache

• Pros
  • 在cache一定會找得到
• Cons
  • 更新、佔用空間大、cache總數會較小

Option 3: Each machine stores a segment of the cache

根據

• Pros
  • 相對可儲存多
• Cons
  • 增加machine-to-machine call

Step 3 Updating results when contents change

數量大、太熱門會需要時間快取或按照需求快取(和interviewer討論) 確認什麼時候資料會怎麼改變

1. URL 裡面內容 改變
2. 根據page ranking改變
3. 根據特定query改變 1,2 可以使用hash table，根據特定URL cache query 資料不需同步的話，可以根據時間爬取 3 可以再快取裡面使用 auto-matic time out，只cache特定時間，否則timeout，可以確保資料定時更新

Step 4: Further Enhancements

轉送情形可以在中間節點cache 重新設計架構，不是隨機導流，而是使用hash 導入資料time out機制，刪除過久資料