800 মিলিয়ন ChatGPT ব্যবহারকারীর জন্য PostgreSQL স্কেল করা

বছরের পর বছর ধরে, PostgreSQL অন্যতম গুরুত্বপূর্ণ অন্তর্নিহিত ডেটা সিস্টেম হিসেবে কাজ করছে, যা ChatGPT এবং OpenAI-এর API-এর মতো মূল পণ্যগুলোকে চালিত করছে. আমাদের ব্যবহারকারীভিত্তি দ্রুত বাড়ছে, ফলে আমাদের ডেটাবেসগুলোর উপর চাহিদাও দ্রুত বাড়ছে. গত এক বছরে, আমাদের PostgreSQL লোড 10 গুণেরও বেশি বেড়েছে এবং এটি দ্রুত বাড়ছে.

এই প্রবৃদ্ধি বজায় রাখতে আমাদের প্রোডাকশন ইনফ্রাস্ট্রাকচার উন্নত করার প্রচেষ্টা আমাদের একটি নতুন উপলব্ধি দিয়েছে: PostgreSQL নির্ভরযোগ্যভাবে স্কেল করা যায় এবং এটি অনেকের ধারণার চেয়ে অনেক বড় রিড-হেভি ওয়ার্কলোড সমর্থন করতে সক্ষম. সিস্টেমটি (প্রথমে ক্যালিফোর্নিয়া বিশ্ববিদ্যালয়, বার্কলেতে বিজ্ঞানীদের একটি দল দ্বারা তৈরি) আমাদেরকে একটি একক প্রাইমারি Azure PostgreSQL ফ্লেক্সিবল সার্ভার ইনস্ট্যান্স⁠(একটি নতুন উইন্ডোতে খোলে) এবং বিশ্বব্যাপী একাধিক অঞ্চলে ছড়িয়ে থাকা প্রায় ৫০টি রিড রেপ্লিকা দ্বারা বিশাল বৈশ্বিক ট্র্যাফিক সমর্থন করতে সক্ষম করেছে. কঠোর অপ্টিমাইজেশন এবং দৃঢ় ইঞ্জিনিয়ারিংয়ের মাধ্যমে 800 মিলিয়ন ব্যবহারকারীর জন্য প্রতি সেকেন্ডে লক্ষ লক্ষ কুয়েরি সমর্থন করতে OpenAI-এ আমরা কিভাবে PostgreSQL স্কেল করেছি—এটাই সেই গল্প; পাশাপাশি, পথে আমরা যে মূল শিক্ষাগুলো পেয়েছি সেগুলিও তুলে ধরব.

ChatGPT চালু হওয়ার পর, ট্রাফিক অভূতপূর্ব হারে বৃদ্ধি পেয়েছে. এটি সমর্থন করার জন্য, আমরা দ্রুত অ্যাপ্লিকেশন এবং PostgreSQL ডেটাবেস স্তরে ব্যাপক অপ্টিমাইজেশন বাস্তবায়ন করেছি, ইনস্ট্যান্সের আকার বাড়িয়ে স্কেল আপ করেছি এবং আরও রিড রেপ্লিকা যোগ করে স্কেল আউট করেছি. এই আর্কিটেকচার দীর্ঘ সময় ধরে আমাদের জন্য কার্যকর হয়েছে. অব্যাহত উন্নতির মাধ্যমে, এটি ভবিষ্যৎ বৃদ্ধির জন্য পর্যাপ্ত সুযোগ প্রদান করে চলেছে.

এটা শুনতে অবাক লাগতে পারে যে একটি সিঙ্গল-প্রাইমারি আর্কিটেকচার OpenAI-এর স্কেলের চাহিদা পূরণ করতে পারে; তবে, বাস্তবে এটি কার্যকর করা সহজ নয়. আমরা Postgres ওভারলোডের কারণে সৃষ্ট বেশ কয়েকটি SEVs দেখেছি এবং সেগুলো প্রায়ই একই ধাঁচ অনুসরণ করে: কোনো আপস্ট্রিম সমস্যা ডেটাবেস লোডে হঠাৎ স্পাইক ঘটায়, যেমন ক্যাশিং-লেয়ার ব্যর্থতার ফলে ব্যাপক ক্যাশ মিস, ব্যয়বহুল বহু-পথ জয়েনের ঢেউ CPU সম্পৃক্ত করে ফেলে বা নতুন ফিচার লঞ্চ থেকে একটি রাইট স্টর্ম. যখন রিসোর্সের ব্যবহার বাড়ে, তখন কুয়েরি লেটেন্সি বেড়ে যায় এবং অনুরোধগুলি টাইম আউট হতে শুরু করে. পুনঃচেষ্টা লোড আরও বাড়ায়, যা একটি দুষ্টচক্র সৃষ্টি করে এবং পুরো ChatGPT ও API সেবাগুলিকে অবনতি ঘটানোর সম্ভাবনা তৈরি করে.

যদিও PostgreSQL আমাদের রিড-হেভি ওয়ার্কলোডের জন্য ভালোভাবে স্কেল করে, তবুও উচ্চ লেখার ট্র্যাফিকের সময় আমরা চ্যালেঞ্জের সম্মুখীন হই. এটি মূলত PostgreSQL-এর মাল্টিভার্সন কনকারেন্সি কন্ট্রোল (MVCC) বাস্তবায়নের কারণে, যা এটিকে লেখার ভারী কাজের জন্য কম দক্ষ করে তোলে. উদাহরণস্বরূপ, যখন একটি কুয়েরি একটি টিউপল বা এমনকি একটি একক ক্ষেত্র আপডেট করে, তখন সম্পূর্ণ সারিটি কপি করে একটি নতুন সংস্করণ তৈরি করা হয়. ভারী লেখার লোডের অধীনে, এর ফলে উল্লেখযোগ্য লেখার বৃদ্ধি ঘটে. এটি 'রিড অ্যামপ্লিফিকেশন' বৃদ্ধিও করে, কারণ কোয়েরিগুলোকে সর্বশেষ তথ্যটি খুঁজে পেতে একাধিক টিউপল ভার্সন বা মৃত টিউপলগুলোর মধ্য দিয়ে স্ক্যান করতে হয়. MVCC অতিরিক্ত চ্যালেঞ্জ সৃষ্টি করে, যেমন টেবিল ও ইনডেক্স ব্লোট, ইনডেক্স রক্ষণাবেক্ষণের বাড়তি ওভারহেড এবং জটিল অটোভ্যাকুয়াম টিউনিং. (এই বিষয়গুলো নিয়ে বিস্তারিত আলোচনা আপনি কার্নেগি মেলন বিশ্ববিদ্যালয়ের প্রফেসর অ্যান্ডি পাভলোকে সঙ্গে নিয়ে আমি যে ব্লগটি লিখেছিলাম The Part of PostgreSQL We Hate the Most⁠(একটি নতুন উইন্ডোতে খোলে), সেখানে পাবেন⁠(একটি নতুন উইন্ডোতে খোলে); এটি PostgreSQL–এর উইকিপিডিয়া পাতায় উদ্ধৃত আছে.)

এই সীমাবদ্ধতাগুলো কাটিয়ে উঠতে এবং রাইট প্রেসার কমাতে, আমরা শার্ডযোগ্য (অর্থাৎ, যে ওয়ার্কলোডগুলোকে অনুভূমিকভাবে বিভাজন বা হরাইজন্টালি পার্টিশন করা সম্ভব) এবং অতিরিক্ত রাইট-নির্ভর ওয়ার্কলোডগুলোকে Azure Cosmos DB-এর মতো শার্ডেড সিস্টেমে স্থানান্তরিত করেছি ও করছি; পাশাপাশি অপ্রয়োজনীয় রাইট কমাতে অ্যাপ্লিকেশন লজিককেও অপ্টিমাইজ করছি. আমরা আর বর্তমান PostgreSQL ডিপ্লয়মেন্টে নতুন টেবিল যোগ করার অনুমতি দিচ্ছি না. নতুন ওয়ার্কলোডগুলি শার্ডেড সিস্টেমগুলিতে ডিফল্ট হয়.

আমাদের অবকাঠামো উন্নত হওয়া সত্ত্বেও, PostgreSQL শার্ডবিহীনই রয়ে গেছে এবং একটি একক প্রাইমারি ইনস্ট্যান্স সব লেখার কাজ পরিচালনা করে. প্রাথমিক যুক্তি হলো বিদ্যমান অ্যাপ্লিকেশন ওয়ার্কলোডগুলোকে শার্ডিং করা অত্যন্ত জটিল এবং সময়সাপেক্ষ হবে, যার জন্য শত শত অ্যাপ্লিকেশন এন্ডপয়েন্টে পরিবর্তন করতে হবে এবং এতে মাস বা এমনকি বছর লেগে যেতে পারে. যেহেতু আমাদের ওয়ার্কলোডগুলো প্রধানত রিড-হেভি এবং আমরা ব্যাপক অপ্টিমাইজেশন ইমপ্লিমেন্ট করেছি, তাই বর্তমান আর্কিটেকচার এখনও পর্যাপ্ত হেডরুম প্রদান করে যাতে ক্রমাগত ট্র্যাফিক বৃদ্ধিকে সমর্থন করা যায়. যদিও আমরা ভবিষ্যতে PostgreSQL শার্ডিং করার সম্ভাবনা বাতিল করছি না, বর্তমান এবং ভবিষ্যতের বৃদ্ধির জন্য আমাদের যে পর্যাপ্ত সময় আছে, তা বিবেচনায় এটি নিকট ভবিষ্যতের অগ্রাধিকার নয়.

পরবর্তী বিভাগগুলোতে, আমরা যে চ্যালেঞ্জগুলোর মুখোমুখি হয়েছিলাম এবং সেগুলো মোকাবিলা করতে ও ভবিষ্যতের আউটেজ প্রতিরোধ করতে যে ব্যাপক অপ্টিমাইজেশনগুলো বাস্তবায়ন করেছি, সেগুলো নিয়ে আলোচনা করব. আমরা PostgreSQL-কে তার সীমা পর্যন্ত ঠেলে দিয়েছি এবং এটিকে প্রতি সেকেন্ডে মিলিয়ন মিলিয়ন কুয়েরি (QPS) পর্যন্ত স্কেল করেছি.

চ্যালেঞ্জ: মাত্র একজন লেখক থাকলে, একটি একক-প্রাথমিক সেটআপ লেখার স্কেল করতে পারে না. ভারী লেখার স্পাইকগুলি দ্রুত প্রাইমারিকে ওভারলোড করতে পারে এবং ChatGPT এবং আমাদের API-এর মতো সেবাগুলিতে প্রভাব ফেলতে পারে.

সমাধান: আমরা প্রাইমারির উপর যতটা সম্ভব কম লোড রাখি—পড়া এবং লেখা উভয় ক্ষেত্রেই—যাতে এটি লেখার স্পাইক সামলানোর জন্য পর্যাপ্ত ক্ষমতা ধরে রাখতে পারে. যেখানে সম্ভব, রিড ট্র্যাফিক রেপ্লিকাগুলিতে স্থানান্তর করা হয়. তবে, কিছু রিড কোয়েরি প্রাইমারিতেই থাকতে হবে কারণ সেগুলো লেখার লেনদেনের অংশ. সেগুলোর ক্ষেত্রে, আমরা সেগুলো যেন দক্ষ হয় এবং ধীরগতির কুয়েরি এড়িয়ে চলে তা নিশ্চিত করার উপর ফোকাস করি. লেখার ট্র্যাফিকের জন্য, আমরা শার্ডযোগ্য, ভারী লেখার ওয়ার্কলোডগুলোকে Azure CosmosDB-এর মতো শার্ডেড সিস্টেমে স্থানান্তর করেছি. যে ওয়ার্কলোডগুলো শার্ড করা কঠিন, কিন্তু তবুও উচ্চ লেখার ভলিউম তৈরি করে, সেগুলো স্থানান্তর করতে বেশি সময় লাগে এবং সেই প্রক্রিয়া এখনও চলছে. আমরা আমাদের অ্যাপ্লিকেশনগুলিকে আক্রমণাত্মকভাবে অপ্টিমাইজ করেছি যাতে লেখার লোড কমানো যায়; উদাহরণস্বরূপ, আমরা এমন অ্যাপ্লিকেশন বাগ ঠিক করেছি যা অপ্রয়োজনীয় পুনরাবৃত্ত লেখার কারণ হত এবং যেখানে প্রয়োজন, সেখানে অলস লেখার পদ্ধতি প্রয়োগ করেছি যাতে ট্রাফিকের উত্থান মসৃণ করা যায়. এছাড়াও, টেবিল ফিল্ডগুলো ব্যাকফিল করার সময়, অতিরিক্ত লেখার চাপ প্রতিরোধ করতে আমরা কঠোর রেট সীমা প্রয়োগ করি.

চ্যালেঞ্জ: আমরা PostgreSQL-এ বেশ কয়েকটি ব্যয়বহুল কোয়েরি শনাক্ত করেছি. অতীতে, এই প্রশ্নগুলোর হঠাৎ ভলিউম বৃদ্ধিতে প্রচুর পরিমাণে CPU ব্যবহৃত হতো, যা ChatGPT এবং API অনুরোধ উভয়কেই ধীর করে দিত.

সমাধান: অনেকগুলো টেবিল একসাথে যোগ করে এমন কয়েকটি ব্যয়বহুল কুয়েরি সার্ভিসের পারফরম্যান্স উল্লেখযোগ্যভাবে খারাপ করতে পারে বা এমনকি পুরো সার্ভিস বন্ধ করে দিতে পারে. PostgreSQL কুয়েরিগুলোকে দক্ষ রাখতে এবং সাধারণ Online Transaction Processing (OLTP) অ্যান্টি-প্যাটার্ন এড়াতে আমাদের ক্রমাগত অপ্টিমাইজ করতে হবে. উদাহরণস্বরূপ, আমরা একবার 12-টি টেবিল জয়েন করা একটি অত্যন্ত ব্যয়বহুল কুয়েরি শনাক্ত করেছিলাম, যেখানে এই কুয়েরির স্পাইকগুলো অতীতে উচ্চ-তীব্রতার SEVs-এর জন্য দায়ী ছিল. যখনই সম্ভব, আমাদের জটিল মাল্টি-টেবিল জয়েন এড়িয়ে চলা উচিত. যদি যোগ প্রয়োজন হয়, আমরা শিখেছি কুয়েরিটিকে ভেঙ্গে ছোট অংশে ভাগ করে নেওয়া এবং জটিল যোগ লজিকটি অ্যাপ্লিকেশন স্তরে সরিয়ে নেওয়ার কথা বিবেচনা করতে. এই সমস্যাজনক কুয়েরিগুলোর অনেকগুলোই অবজেক্ট-রিলেশনাল ম্যাপিং ফ্রেমওয়ার্ক (ORMs) দ্বারা তৈরি হয়, তাই এগুলো যে SQL তৈরি করে তা ভালোভাবে পর্যালোচনা করা এবং এটি প্রত্যাশামতো আচরণ করছে কি না নিশ্চিত করা জরুরি. PostgreSQL-এ দীর্ঘমেয়াদী নিষ্ক্রিয় কুয়েরি খুঁজে পাওয়াও সাধারণ. idle_in_transaction_session_timeout-এর মতো টাইমআউট কনফিগার করা অপরিহার্য, যাতে সেগুলো অটো-ভ্যাকুয়াম-কে ব্লক না করে.

চ্যালেঞ্জ: যদি কোনো রিড রেপ্লিকা ডাউন হয়ে যায়, তবুও ট্রাফিক অন্য রেপ্লিকাগুলোর দিকে রাউট করা যেতে পারে. তবে, মাত্র একজন লেখকের উপর নির্ভর করা মানে একটি মাত্র ব্যর্থতার পয়েন্ট থাকা—যদি এটি ব্যর্থ হয়, পুরো সেবা প্রভাবিত হয়.

সমাধান: সবচেয়ে গুরুত্বপূর্ণ অনুরোধগুলি শুধুমাত্র পড়ার কোয়েরি অন্তর্ভুক্ত করে. প্রাইমারিতে একক ব্যর্থতার ঝুঁকি কমাতে, আমরা লেখক থেকে সেই পড়াগুলো প্রতিলিপিতে স্থানান্তর করেছি, যাতে প্রাইমারি ডাউন হলেও সেই অনুরোধগুলো সেবা দিতে পারে. যদিও লেখার কাজগুলো এখনও ব্যর্থ হবে, প্রভাব কমেছে; এটি আর SEV0 নয়, কারণ পড়ার কাজগুলো এখনও উপলব্ধ.

প্রাথমিক ব্যর্থতা কমানোর জন্য, আমরা প্রাইমারিকে High-Availability (HA) মোডে একটি হট স্ট্যান্ডবাই সহ চালাই, যা একটি ক্রমাগত সিঙ্ক্রোনাইজড রেপ্লিকা এবং ট্র্যাফিক পরিবেশন করার জন্য সবসময় প্রস্তুত থাকে. যদি প্রাইমারি ডাউন হয়ে যায় বা রক্ষণাবেক্ষণের জন্য অফলাইনে নিতে হয়, আমরা দ্রুত স্ট্যান্ডবাইকে প্রমোট করতে পারি যাতে ডাউনটাইম কম হয়. Azure PostgreSQL টিম উল্লেখযোগ্য কাজ করেছে যাতে এই ফেইলওভারগুলো খুব উচ্চ লোডের মধ্যেও নিরাপদ এবং নির্ভরযোগ্য থাকে. রিড রেপ্লিকা ব্যর্থতা মোকাবিলা করার জন্য, আমরা প্রতিটি অঞ্চলে পর্যাপ্ত ক্ষমতা সহ একাধিক রেপ্লিকা স্থাপন করি, যাতে একটি একক রেপ্লিকা ব্যর্থতা আঞ্চলিক আউটেজ সৃষ্টি না করে.

চ্যালেঞ্জ: আমরা প্রায়ই এমন পরিস্থিতির সম্মুখীন হই যেখানে কিছু নির্দিষ্ট অনুরোধ PostgreSQL ইনস্ট্যান্সে অপ্রতুল পরিমাণে রিসোর্স ব্যবহার করে. এটি একই ইনস্ট্যান্সে চলমান অন্যান্য ওয়ার্কলোডের কর্মক্ষমতা হ্রাস করতে পারে. উদাহরণস্বরূপ, একটি নতুন ফিচার চালু হলে অদক্ষ কুয়েরি তৈরি হতে পারে যা PostgreSQL CPU-এর উপর অতিরিক্ত চাপ ফেলে, ফলে অন্যান্য গুরুত্বপূর্ণ ফিচারের জন্য অনুরোধগুলি ধীর হয়ে যায়.

Solution: To mitigate the “noisy neighbor” problem, we isolate workloads onto dedicated instances to ensure that sudden spikes in resource-intensive requests don’t impact other traffic. Specifically, we split requests into low-priority and high-priority tiers and route them to separate instances. This way, even if a low-priority workload becomes resource-intensive, it won’t degrade the performance of high-priority requests. We apply the same strategy across different products and services as well, so that activity from one product does not affect the performance or reliability of another.

Challenge: Each instance has a maximum connection limit (5,000 in Azure PostgreSQL). It’s easy to run out of connections or accumulate too many idle ones. We’ve previously had incidents caused by connection storms that exhausted all available connections.

Solution: We deployed PgBouncer as a proxy layer to pool database connections. Running it in statement or transaction pooling mode allows us to efficiently reuse connections, greatly reducing the number of active client connections. This also cuts connection setup latency: in our benchmarks, the average connection time dropped from 50 milliseconds (ms) to 5 ms. Inter-region connections and requests can be expensive, so we co-locate the proxy, clients, and replicas in the same region to minimize network overhead and connection use time. Moreover, PgBouncer must be configured carefully. Settings like idle timeouts are critical to prevent connection exhaustion.

Challenge: A sudden spike in cache misses can trigger a surge of reads on the PostgreSQL database, saturating CPU and slowing user requests.

Solution: To reduce read pressure on PostgreSQL, we use a caching layer to serve most of the read traffic. However, when cache hit rates drop unexpectedly, the burst of cache misses can push a large volume of requests directly to PostgreSQL. This sudden increase in database reads consumes significant resources, slowing down the service. To prevent overload during cache-miss storms, we implement a cache locking (and leasing) mechanism so that only a single reader that misses on a particular key fetches the data from PostgreSQL. When multiple requests miss on the same cache key, only one request acquires the lock and proceeds to retrieve the data and repopulate the cache. All other requests wait for the cache to be updated rather than all hitting PostgreSQL at once. This significantly reduces redundant database reads and protects the system from cascading load spikes.

Challenge: The primary streams Write Ahead Log (WAL) data to every read replica. As the number of replicas increases, the primary must ship WAL to more instances, increasing pressure on both network bandwidth and CPU. This causes higher and more unstable replica lag, which makes the system harder to scale reliably.

Solution: We operate nearly 50 read replicas across multiple geographic regions to minimize latency. However, with the current architecture, the primary must stream WAL to every replica. Although it currently scales well with very large instance types and high-network bandwidth, we can’t keep adding replicas indefinitely without eventually overloading the primary. To address this, we’re collaborating with the Azure PostgreSQL team on cascading replication⁠(একটি নতুন উইন্ডোতে খোলে), where intermediate replicas relay WAL to downstream replicas. This approach allows us to scale to potentially over a hundred replicas without overwhelming the primary. However, it also introduces additional operational complexity, particularly around failover management. The feature is still in testing; we’ll ensure it’s robust and can fail over safely before rolling it out to production.

Challenge: A sudden traffic spike on specific endpoints, a surge of expensive queries, or a retry storm can quickly exhaust critical resources such as CPU, I/O, and connections, which causes widespread service degradation.

Solution: We implemented rate-limiting across multiple layers—application, connection pooler, proxy, and query—to prevent sudden traffic spikes from overwhelming database instances and triggering cascading failures. It’s also crucial to avoid overly short retry intervals, which can trigger retry storms. We also enhanced the ORM layer to support rate limiting and when necessary, fully block specific query digests. This targeted form of load shedding enables rapid recovery from sudden surges of expensive queries.

Challenge: Even a small schema change, such as altering a column type, can trigger a full table rewrite⁠(একটি নতুন উইন্ডোতে খোলে). We therefore apply schema changes cautiously—limiting them to lightweight operations and avoiding any that rewrite entire tables.

Solution: Only lightweight schema changes are permitted, such as adding or removing certain columns that do not trigger a full table rewrite. We enforce a strict 5-second timeout on schema changes. Creating and dropping indexes concurrently is allowed. Schema changes are restricted to existing tables. If a new feature requires additional tables, they must be in alternative sharded systems such as Azure CosmosDB rather than PostgreSQL. When backfilling a table field, we apply strict rate limits to prevent write spikes. Although this process can sometimes take over a week, it ensures stability and avoids any production impact.

This effort demonstrates that with the right design and optimizations, Azure PostgreSQL can be scaled to handle the largest production workloads. PostgreSQL handles millions of QPS for read-heavy workloads, powering OpenAI’s most critical products like ChatGPT and the API platform. We added nearly 50 read replicas, while keeping replication lag near zero, maintained low-latency reads across geo-distributed regions, and built sufficient capacity headroom to support future growth.

This scaling works while still minimizing latency and improving reliability. We consistently deliver low double-digit millisecond p99 client-side latency and five-nines availability in production. And over the past 12 months, we’ve had only one SEV-0 PostgreSQL incident (it occurred during the viral launch⁠(একটি নতুন উইন্ডোতে খোলে) of ChatGPT ImageGen, when write traffic suddenly surged by more than 10x as over 100 million new users signed up within a week.)

While we’re happy with how far PostgreSQL has taken us, we continue to push its limits to ensure we have sufficient runway for future growth. We’ve already migrated the shardable write-heavy workloads to our sharded systems like CosmosDB. The remaining write-heavy workloads are more challenging to shard—we’re actively migrating those as well to further offload writes from the PostgreSQL primary. We’re also working with Azure to enable cascading replication so we can safely scale to significantly more read replicas.

Looking ahead, we’ll continue to explore additional approaches to further scale, including sharded PostgreSQL or alternative distributed systems, as our infrastructure demands continue to grow.