Netflix xây dựng đồ thị tri thức vận hành để quan sát hệ thống 38 triệu sự kiện mỗi giây

Tại một hội nghị công nghệ gần đây, Prasanna Vijayanathan và Renzo Sanchez-Silva của Netflix đã chia sẻ cách nền tảng streaming lớn nhất thế giới đối mặt với bài toán quan sát hệ thống (observability) ở quy mô khổng lồ. Họ trình bày việc chuyển đổi từ mô hình giám sát thụ động sang một ontology vận hành do AI dẫn dắt, kết hợp quy trình tác tử (agentic workflows) với Claude và cơ sở dữ liệu đồ thị.

Từ giám sát thụ động đến ontology vận hành

Netflix phải xử lý tới 38 triệu sự kiện mỗi giây, một con số khiến các phương pháp giám sát truyền thống trở nên quá tải. Cách tiếp cận cũ — đặt ngưỡng cảnh báo và chờ đợi tín hiệu bất thường — thường chỉ phản ứng sau khi sự cố đã xảy ra, gây ảnh hưởng trực tiếp đến trải nghiệm của hàng trăm triệu người dùng.

Thay vào đó, đội ngũ Netflix xây dựng một ontology vận hành (operational ontology): một mô hình ngữ nghĩa mô tả mối quan hệ giữa các dịch vụ, tài nguyên hạ tầng, chỉ số hiệu năng và sự kiện trong toàn bộ hệ sinh thái. Ontology này biến dữ liệu rời rạc thành một cấu trúc có ý nghĩa, cho phép hệ thống "hiểu" ngữ cảnh thay vì chỉ đọc các con số.

Hợp nhất dữ liệu MELT thành đồ thị tri thức

Bốn trụ cột dữ liệu quan sát truyền thống gồm Metrics, Events, Logs và Traces (viết tắt là MELT). Ở quy mô của Netflix, mỗi trụ cột này tạo ra khối lượng dữ liệu khổng lồ, thường nằm rải rác trong các hệ thống riêng biệt và khó liên kết với nhau.

Bằng cách hợp nhất MELT vào đồ thị tri thức có thể truy vấn (queryable knowledge graph), Netflix tạo ra một điểm truy cập duy nhất. Khi một dịch vụ gặp sự cố, kỹ sư có thể truy vấn đồ thị để thấy ngay mối liên hệ giữa log lỗi, trace chậm, chỉ số tài nguyên và các sự kiện triển khai gần đây — tất cả trong một ngữ cảnh thống nhất.

"Chúng tôi không chỉ muốn biết điều gì đang hỏng, mà còn muốn hệ thống tự hiểu vì sao nó hỏng và cần làm gì tiếp theo." — đại diện Netflix chia sẻ tại hội nghị.

Quy trình tác tử với Claude và cơ sở dữ liệu đồ thị

Điểm đáng chú ý nhất trong bài trình bày là việc ứng dụng quy trình tác tử (agentic workflows) kết hợp với mô hình ngôn ngữ lớn Claude của Anthropic và cơ sở dữ liệu đồ thị. Thay vì con người phải thủ công duyệt qua hàng nghìn cảnh báo, các tác tử AI có thể:

• Tự động phân loại sự cố dựa trên ngữ cảnh từ đồ thị tri thức
• Phân tích nguyên nhân gốc bằng cách lần theo mối quan hệ giữa các dịch vụ phụ thuộc
• Đề xuất hoặc thực thi hành động khắc phục trong các tình huống đã được định nghĩa trước

Cơ sở dữ liệu đồ thị đóng vai trò then chốt ở đây: nó cung cấp cho AI khả năng truy vấn quan hệ giữa các thực thể một cách nhanh chóng, điều mà cơ sở dữ liệu quan hệ truyền thống gặp nhiều khó khăn khi phải xử lý đệ quy sâu ở quy mô lớn.

Hướng tới hệ thống tự phục hồi

Mục tiêu cuối cùng mà Netflix theo đuổi là hệ thống tự phục hồi (self-healing systems). Khi sự cố xảy ra, thay vì chờ kỹ sư trực ca đánh thức lúc nửa đêm, hệ thống có thể tự chẩn đoán, tự cách ly thành phần lỗi và tự khởi động lại hoặc chuyển hướng lưu lượng mà không cần can thiệp thủ công.

Đối với các đội ngũ DevOps và SRE tại Việt Nam, bài học từ Netflix mang tính tham khảo cao. Không phải doanh nghiệp nào cũng có 38 triệu sự kiện mỗi giây, nhưng nguyên tắc cốt lõi — chuẩn hóa dữ liệu quan sát thành một mô hình ngữ nghĩa thống nhất trước khi áp dụng AI — hoàn toàn có thể áp dụng ở quy mô nhỏ hơn. Việc đầu tư vào ontology và đồ thị tri thức từ sớm sẽ giúp các hệ thống Việt Nam tránh được tình trạng "ngập lụt cảnh báo" (alert fatigue) khi hạ tầng mở rộng.