read: fail

넷플릭스 앱이 스트리밍 중에 충돌할 때, 모든 충돌이 사용자 경험에 심각한 영향을 주는 것은 아닙니다. 이 문서는 앱의 다양한 상태와 필요한 자원을 설명하고, 충돌을 '고영향'과 '저영향'으로 분류하는 규칙을 정의합니다. 최근 개선된 충돌 분류 방법은 실제 서비스 개선에 큰 도움이 되었습니다.

넷플릭스는 다양한 데이터베이스 사용으로 인한 도전을 해결하기 위해 키-값(Key-Value, KV) 데이터 추상화 계층을 개발했습니다. 이 계층은 데이터 접근을 단순화하고 인프라의 신뢰성을 향상시키며, 다중 데이터 저장소와 호환됩니다. 또한, CRUD API를 제공하여 대용량 데이터 처리와 성능 최적화를 지원합니다.

넷플릭스의 TV 플레이어 팀은 실시간으로 재생 문제를 자동 해결하는 진단 도구를 개발하여 사용자의 불만을 줄이고, 스트리밍 경험을 개선하였습니다. 이 기능은 고객 지원의 필요성을 줄이고, 넷플릭스가 스트리밍 기술을 지속적으로 개선할 수 있는 통찰력을 제공합니다.

넷플릭스의 웹소켓 서버인 푸시는 애플리케이션과 지속적인 연결을 유지하며, 수백만의 동시 연결과 초당 수십만 개의 메시지를 처리합니다. 푸시는 음성 제어 및 실시간 이벤트 알림 시스템(RENO)을 지원하며, 거의 10억 개의 기기를 지원하도록 확장되었습니다. 최근에는 직접 푸시, 기기 간 메시징, 일반화된 메시징 프로토콜 등의 기능이 추가되었습니다.

Netflix가 Linux 커널을 모니터링하고 CPU 자원을 경쟁하는 프로세스나 컨테이너를 식별하여 다른 작업의 성능에 영향을 주는 '시끄러운 이웃' 문제를 해결하기 위해 eBPF를 사용하는 방법을 설명합니다. 이 기술은 성능 최적화와 CPU 분리 전략에 대한 통찰력을 제공합니다.

넷플릭스는 장기적인 회원 만족을 목표로 하며, 이를 위해 개인화 추천 알고리즘을 중요하게 활용합니다. 추천 시스템은 컨텍스트 밴딧 문제로 보고, 다양한 피드백 신호를 통해 보상 함수를 정의하고 최적화합니다. 이 과정에서 지연된 피드백과 온라인-오프라인 메트릭 차이를 해결하는 것이 중요한 도전 과제입니다.

이 연구는 단기적인 결과를 개선하는 처리가 장기적인 결과에도 도움이 되는지, 또는 여러 단기 결과를 장기 이익과 최적으로 교환하는 방법을 다룹니다. Netflix에서는 실험의 분산된 실천에 적합한 선형 구조 모델을 제공하는 세 가지 추정기, 즉 TC, JIVE, LIML을 제안하여 대리 지표와 핵심 지표 간의 편향을 극복합니다.