Web development
Facebook / Meta Architecture: একটি ছোট PHP Application থেকে বিশ্বের অন্যতম বৃহৎ Distributed System
Facebook Architecture হলো কীভাবে Facebook/Meta বিলিয়ন ব্যবহারকারী, বিপুল ডেটা, ট্রাফিক, social graph, distributed database, caching, networking এবং AI infrastructure পরিচালনা করে—তার সামগ্রিক প্রযুক্তিগত কাঠামো।
আমরা যখন Facebook বা Instagram ব্যবহার করি, তখন আমাদের কাছে পুরো ব্যাপারটা খুব সহজ মনে হয়।
অ্যাপ খুললাম → Login করলাম → News Feed দেখলাম → কোনো Post-এ Like দিলাম → Comment করলাম → Messenger-এ Message পাঠালাম।
কিন্তু এই প্রতিটি ছোট action-এর পেছনে রয়েছে অসংখ্য distributed system, database, cache, networking infrastructure, machine-learning model, storage system এবং data center।
আজকের Meta infrastructure এতটাই বড় যে এটাকে শুধু “একটা backend server + একটা database” হিসেবে চিন্তা করলে পুরো architecture-টা বোঝা সম্ভব নয়।
বরং এটাকে ভাবতে হবে একটি massive distributed ecosystem হিসেবে।
Meta-এর নিজের Engineering Blog-এর infrastructure evolution নিয়ে প্রকাশিত লেখাটি দেখলে সবচেয়ে ভালোভাবে বোঝা যায়, কীভাবে Facebook-এর architecture সময়ের সঙ্গে পরিবর্তিত হয়েছে।
Meta-এর infrastructure evolution নিয়ে বিস্তারিত:
https://engineering.fb.com/2025/09/29/data-infrastructure/metas-infrastructure-evolution-and-the-advent-of-ai/
---
১. Facebook আসলে কীভাবে শুরু হয়েছিল?
আজকের Facebook-এর architecture দেখে মনে হতে পারে শুরু থেকেই হয়তো বিশাল distributed infrastructure ছিল।
বাস্তবে তা নয়।
Facebook শুরু হয়েছিল অনেক বেশি সাধারণ architecture দিয়ে।
মূল technology stack ছিল:
LAMP
যার অর্থ:
- L — Linux
- A — Apache
- M — MySQL
- P — PHP
অর্থাৎ খুব সরলভাবে architecture-টা এমন ভাবতে পারি:
User
│
▼
Apache Web Server
│
▼
PHP Application
│
▼
MySQL Databaseএটা আজকের একটি সাধারণ web application-এর architecture-এর সঙ্গে অনেকটাই মিলে যায়।
ধরো তুমি একটি application বানালে:
React / Next.js
│
▼
Node.js / NestJS
│
▼
PostgreSQL / MongoDBFacebook-এর শুরুর architecture-এর fundamental idea-ও প্রায় একই ছিল।
তাহলে প্রশ্ন আসে—
এত বিশাল architecture কেন তৈরি করতে হলো?
উত্তর হলো:
Technology-এর complexity প্রথমে আসেনি; scale-এর কারণে complexity এসেছে।
---
২. Scale বাড়ার সঙ্গে প্রথম সমস্যা: Database
ধরো তোমার application-এ মাত্র 100 জন user আছে।
তাহলে:
Backend
│
▼
MySQLদিয়ে খুব সহজেই কাজ চলে যাবে।
তারপর user হলো:
1,000
10,000
100,000
1 million
10 million
100 million
1 billion+এখন একই database-এর ওপর enormous amount of traffic আসতে শুরু করবে।
User শুধু login করছে না।
প্রতিটি user:
- profile দেখছে
- friend তৈরি করছে
- post করছে
- comment করছে
- like করছে
- photo upload করছে
- message পাঠাচ্ছে
- notification পাচ্ছে
- অন্য user-এর profile দেখছে
- বিভিন্ন content interact করছে
অর্থাৎ database-এর ওপর simultaneously অসংখ্য read এবং write তৈরি হচ্ছে।
একটি single database দিয়ে এই scale maintain করা কঠিন হয়ে যায়।
এখান থেকেই distributed architecture-এর প্রয়োজন তৈরি হয়।
---
৩. Facebook-এর University-Based Database Architecture
Facebook-এর early stage-এ database organization-এর একটি interesting approach ছিল।
University অনুযায়ী database আলাদা করা হয়েছিল।
ধরো:
Web Servers
/ | \
/ | \
▼ ▼ ▼
Harvard Yale Columbia
DB DB DBএতে load আলাদা করা যায়।
কিন্তু খুব দ্রুত নতুন সমস্যা তৈরি হলো।
ধরো Harvard-এর একজন student Yale-এর একজন student-এর সঙ্গে friend হলো।
এখন relationship কোথায় থাকবে?
Harvard DB
│
│
└──────────► Yale DBএখানে Facebook বুঝতে শুরু করল যে তারা শুধু user data store করছে না।
তারা আসলে relationships store করছে।
আর এখান থেকেই আসে Facebook-এর সবচেয়ে গুরুত্বপূর্ণ architectural concept:
Social Graph
---
৪. Social Graph কী?
Facebook-এর মূল data model-কে খুব সহজভাবে একটি graph হিসেবে বোঝা যায়।
Graph-এর দুইটি প্রধান অংশ থাকে:
Node
এবং
Edge
Facebook-এর ক্ষেত্রে node হতে পারে:
User
Page
Post
Photo
Video
Group
Commentআর edge বা relationship হতে পারে:
FRIEND
FOLLOWS
LIKES
COMMENTS
MEMBER_OF
SHAREDউদাহরণ:
User A
/ \
/ \
friend likes
/ \
User B Post X
│
│
belongs
│
▼
Page Yঅর্থাৎ Facebook-এর কাছে প্রশ্ন শুধু:
“User 123 কে?”
এমন নয়।
প্রশ্ন হতে পারে:
“User 123-এর friends কারা?”
অথবা:
“User 123 কোন pages follow করে?”
অথবা:
“User 123 কোন posts-এ interaction করেছে?”
অথবা:
“এই post-এর সঙ্গে কোন users-এর relationship আছে?”
এগুলো graph queries।
এই enormous social graph efficiently manage করার জন্য Meta তৈরি করে TAO।
---
৫. TAO — Facebook-এর Social Graph Infrastructure
TAO Facebook architecture-এর অন্যতম গুরুত্বপূর্ণ infrastructure system।
TAO-কে খুব simplified ভাবে একটি graph-oriented data access layer হিসেবে ভাবতে পারো।
Architecture:
Application
│
▼
TAO
/ \
/ \
Cache DatabaseApplication সরাসরি প্রতিবার database-এর সঙ্গে কথা না বলে TAO-এর মাধ্যমে graph data access করতে পারে।
উদাহরণ:
"User A-এর friends কারা?"Request:
Application
│
▼
TAO
│
▼
Graph Data
│
▼
FriendsTAO-এর বড় architectural idea হলো:
Massive social graph-কে scalable এবং efficient ভাবে access করার জন্য একটি specialized infrastructure layer তৈরি করা।
TAO নিয়ে Meta-এর classic engineering article:
https://engineering.fb.com/2013/06/25/core-infra/tao-the-power-of-the-graph/
---
৬. Database-এর পর আসে Cache
ধরো Facebook-এর কোটি কোটি user একই ধরনের data বারবার request করছে।
যেমন:
User Profile
Friend List
Popular Post
Page Information
Commentsপ্রতিটি request যদি database-এ যায়:
100 million requests
│
▼
MySQL
│
💥database খুব দ্রুত bottleneck হয়ে যাবে।
তাই Facebook massive caching ব্যবহার করে।
একটি simplified architecture:
Request
│
▼
Application
│
▼
Cache
/ \
/ \
HIT MISS
│ │
▼ ▼
Data Database
│
▼
Cacheযদি cache-এ data থাকে:
Request
↓
Cache
↓
ResponseDatabase পর্যন্ত যেতে হয় না।
এটা অনেক দ্রুত।
---
৭. Memcache এবং Distributed Caching
Meta-এর infrastructure evolution-এর মধ্যে Memcache গুরুত্বপূর্ণ ভূমিকা পালন করেছে।
কিন্তু distributed caching-এর সঙ্গে নতুন সমস্যা আসে।
ধরো database-এ user-এর নতুন profile picture save হয়েছে:
Database:
new-photo.jpgকিন্তু cache-এ এখনও আছে:
old-photo.jpgতাহলে:
Database = NEW
Cache = OLDএখন user পুরনো data দেখতে পারে।
এখানে আসে:
- cache invalidation
- consistency
- replication
- synchronization
- stale data
এগুলো distributed systems-এর সবচেয়ে কঠিন সমস্যাগুলোর মধ্যে পড়ে।
---
৮. Facebook একসময় Global হয়ে গেল
Facebook যখন শুধু একটি region-এর application ছিল, তখন architecture তুলনামূলকভাবে সহজ ছিল।
কিন্তু global users আসার পর architecture এমন হলো:
Internet
│
┌─────────────┼─────────────┐
▼ ▼ ▼
USA Europe Asia
│ │ │
DC DC DCএখন প্রশ্ন:
User কোন data center-এ যাবে?
আরেকটি প্রশ্ন:
এক data center-এর data অন্য data center-এ কীভাবে যাবে?
আরও একটি:
User যদি Asia-তে থাকে, তাহলে কেন তাকে সবসময় US data center-এ যেতে হবে?
এখান থেকে আসে:
- Edge infrastructure
- POP
- Global networking
- Data center networking
- Backbone network
- Traffic routing
---
৯. POP এবং Edge Infrastructure
POP বা Point of Presence হলো network-এর এমন একটি location যা users-এর কাছাকাছি traffic handle করতে সাহায্য করে।
Conceptually:
User
│
▼
Nearest Edge / POP
│
▼
Meta Backbone
│
▼
Data Center
│
▼
Application Servicesএতে user-এর request সরাসরি অনেক দূরের data center-এ যাওয়ার প্রয়োজন কমে।
Latency কমানো এবং enormous traffic efficiently handle করার জন্য global edge infrastructure অত্যন্ত গুরুত্বপূর্ণ।
---
১০. Facebook-এর Data Center Architecture
একসময় Facebook-এর server ছিল।
তারপর server-এর সংখ্যা হলো হাজার।
তারপর লাখ।
এখন architecture শুধু application architecture নয়।
এখন physical infrastructure-ও architecture-এর অংশ।
Application
↓
Servers
↓
Racks
↓
Data Center
↓
Power
↓
Cooling
↓
Networkঅর্থাৎ Meta-scale infrastructure-এ software engineer-এর architecture চিন্তা করতে গেলে physical infrastructure-ও বুঝতে হয়।
কারণ millions of machines চালাতে হলে প্রয়োজন:
- Electricity
- Cooling
- Networking
- Hardware
- Storage
- Compute
- Monitoring
- Failure recovery
---
১১. Sharding — Data কীভাবে ভাগ করা হয়?
ধরো Facebook-এর database-এ billions of users আছে।
সব data এক জায়গায় রাখা practical নয়।
তাই data partition করা হয়।
এটাকে বলা হয়:
Sharding
উদাহরণ:
User Data
│
▼
Sharding
│
┌────────────┼────────────┐
▼ ▼ ▼
Shard A Shard B Shard Cধরো:
Shard A
User ID 0 - 999M
Shard B
User ID 1B - 1.999B
Shard C
User ID 2B - 2.999Bবাস্তবে অবশ্যই partitioning strategy আরও sophisticated।
Meta-এর infrastructure article অনুযায়ী, তাদের Shard Manager tens of millions of shards এবং hundreds of thousands of servers-এর scale manage করে।
এখানে একটা গুরুত্বপূর্ণ lesson:
Facebook-এর scale-এ database নিজেই একটি distributed system।
---
১২. Distributed Storage
Database-এর বাইরেও Meta-কে enormous amount of data store করতে হয়।
যেমন:
Photos
Videos
Messages
Logs
AI datasets
User data
Machine learning dataতাই distributed storage systems প্রয়োজন হয়।
Meta-এর infrastructure evolution-এর মধ্যে Tectonic গুরুত্বপূর্ণ distributed storage technology।
Conceptually:
Application
│
▼
Storage Layer
│
▼
Distributed Storage
│
┌───┼────┬────┐
▼ ▼ ▼ ▼
Disk Disk Disk Diskএকটি file বা object-এর data এক জায়গায় না থেকে distributed infrastructure-এ রাখা হতে পারে।
এতে:
- scalability
- durability
- fault tolerance
- availability
বাড়ানো যায়।
---
১৩. Failure is Normal
একটি traditional application-এ developer ভাবে:
“Server যেন না নষ্ট হয়।”
Meta-scale infrastructure-এ চিন্তাটা ভিন্ন:
“Server নষ্ট হবেই। System কীভাবে চলতে থাকবে?”
এটাই distributed system-এর অন্যতম গুরুত্বপূর্ণ philosophy।
ধরো:
Server 1 ✓
Server 2 ✓
Server 3 ❌
Server 4 ✓
Server 5 ✓Server 3 মারা গেলেও পুরো service বন্ধ হওয়া উচিত নয়।
Architecture:
Request
│
▼
Load Balancer
/ | \
/ | \
▼ ▼ ▼
Server1 Server2 Server3
✓ ✓ ❌Traffic অন্য server-এ চলে যাবে।
এটাই fault tolerance।
---
১৪. Service Routing
Meta-scale architecture-এ হাজার হাজার বা তারও বেশি services থাকতে পারে।
ধরো:
Feed Service
User Service
Comment Service
Media Service
Message Service
Notification Service
Ads Service
Ranking Service
Payment Serviceএকটি service অন্য service-এর সঙ্গে কথা বলবে।
তখন প্রশ্ন:
কোন server-এ request পাঠাব?
কোন instance healthy?
কোন region ব্যবহার করব?
কোন route fastest?
এখানে আসে service routing এবং service infrastructure।
Meta-এর বর্তমান infrastructure-এ Service Router-এর মতো systems global service traffic পরিচালনায় গুরুত্বপূর্ণ ভূমিকা রাখে।
Conceptually:
Service A
│
▼
Service Router
│
┌─┼───────┐
▼ ▼ ▼
S1 S2 S3---
১৫. News Feed আসলে Database Query নয়
এখানে Facebook architecture আরও interesting হয়ে যায়।
তুমি Facebook খুললে News Feed দেখো।
কিন্তু Facebook-এর কাজ:
"সব posts দেখাও"এটা নয়।
বরং:
“এই particular user-এর জন্য এই মুহূর্তে কোন content সবচেয়ে relevant?”
এটা একটি ranking problem।
Simplified architecture:
User
│
▼
Candidate Content
│
▼
Ranking
│
▼
Ranked Content
│
▼
News Feed---
১৬. Ranking কীভাবে কাজ করতে পারে?
ধরো user-এর কাছে 10,000 সম্ভাব্য content আছে।
Facebook সব 10,000 দেখাবে না।
প্রথমে candidate generate করতে হবে।
তারপর ranking করতে হবে।
10,000 candidates
│
▼
Candidate Selection
│
▼
1,000 candidates
│
▼
Ranking Model
│
▼
100 candidates
│
▼
Final Ranking
│
▼
User Feedএখানে machine learning গুরুত্বপূর্ণ হয়ে যায়।
---
১৭. Facebook থেকে Recommendation Engine
পুরোনো social network model-এ content-এর বড় অংশ আসত:
My Friends
↓
Their Posts
↓
Ranking
↓
Feedকিন্তু modern recommendation systems-এর ক্ষেত্রে content universe অনেক বড়।
ধরো billions of videos।
তখন:
Billions of Content
│
▼
Candidate Retrieval
│
▼
Ranking
│
▼
Userএখানে AI/ML ছাড়া এই scale-এ personalized recommendation করা খুব কঠিন।
---
১৮. User Behavior-ও Data
ধরো একজন user:
Video A → দেখল
Video B → Skip করল
Video C → আবার দেখল
Video D → Like করল
Video E → Share করলএই interactions থেকে system user-এর preference সম্পর্কে ধারণা তৈরি করতে পারে।
Conceptually:
User Actions
│
├── View
├── Like
├── Click
├── Share
├── Skip
└── Purchase
│
▼
User Signals
│
▼
ML Representationএখান থেকেই modern recommendation architecture আরও sophisticated হয়।
---
১৯. Embeddings এবং Recommendation
AI systems-এ আমরা embeddings সম্পর্কে শিখি।
একটি content-কে vector representation দেওয়া যায়:
Video
│
▼
ML Model
│
▼
Embedding
│
▼
[0.12, -0.42, 0.81, ...]একইভাবে user-এর preference-ও একটি representation হিসেবে model করতে পারি।
তারপর:
User Representation
+
Content Representation
+
Context
│
▼
Recommendation Model
│
▼
Scoreযে content-এর score বেশি, সেটি user-এর কাছে বেশি relevant হতে পারে।
এটা অবশ্যই modern Meta recommendation system-এর সম্পূর্ণ implementation নয়; এটি বোঝার জন্য simplified mental model।
---
২০. Ads Ranking আরও বড় ML Problem
Meta-এর 5 August 2026-এর Ads Ranking article এই বিষয়টিকে আরও গভীরভাবে দেখায়।
Meta-এর recommendation systems-কে enormous amount of user interactions এবং temporal signals process করতে হয়।
অর্থাৎ user শুধু কী করেছে তা নয়—
কখন করেছে, কী sequence-এ করেছে, কীভাবে করেছে—এসব signal-ও গুরুত্বপূর্ণ হতে পারে।
Simplified architecture:
User Interactions
│
├── Click
├── View
├── Like
├── Purchase
├── Skip
└── Timing
│
▼
User Sequence
│
▼
ML Representation
│
▼
Candidate Ranking
│
▼
Final Ranking
│
▼
Ad/UserMeta-এর article:
https://engineering.fb.com/2026/08/05/ml-applications/from-user-sequences-to-scaling-laws-a-multi-stage-architecture-for-metas-ads-ranking/
এখানে সবচেয়ে গুরুত্বপূর্ণ বিষয় হলো:
Production AI system = শুধু একটি model নয়।
এর চারপাশে থাকে:
Data
↓
Feature / Representation
↓
Candidate Generation
↓
Model
↓
Ranking
↓
Serving
↓
Monitoring
↓
Feedback
↓
New Dataঅর্থাৎ AI একটি সম্পূর্ণ production pipeline।
---
২১. AI আসার পর Architecture আবার বদলে গেল
আগের Facebook architecture অনেকটা ছিল:
Users
↓
Web Servers
↓
Services
↓
DatabaseModern Meta architecture-এ AI infrastructure একটি বিশাল additional layer তৈরি করেছে।
Users
↓
Applications
↓
Services
↓
Recommendation / AI
↓
GPU Clusters
↓
Distributed Storage
↓
High-Speed Network
↓
Data Centersএখানে হাজার হাজার GPU একসঙ্গে কাজ করতে পারে।
---
২২. GPU Cluster কেন দরকার?
Machine learning model-এর অনেক computation parallel ভাবে করা যায়।
তাই GPU এই workload-এর জন্য অত্যন্ত কার্যকর।
Simplified:
ML Training
│
▼
GPU Cluster
┌─────────────┼─────────────┐
▼ ▼ ▼
GPU 1 GPU 2 GPU 3
│ │ │
└─────────────┼─────────────┘
▼
Modelকিন্তু এখানে নতুন সমস্যা:
যদি হাজার হাজার GPU একসঙ্গে একটি training workload-এ অংশ নেয়, তাহলে network, storage এবং failure handling অত্যন্ত গুরুত্বপূর্ণ হয়ে যায়।
একটি GPU failure-ও training job-কে প্রভাবিত করতে পারে।
তাই AI infrastructure নিজেই একটি distributed systems problem।
---
২৩. AI Infrastructure-এর নতুন Problems
Traditional web application:
Request
↓
Server
↓
ResponseAI training:
Training Job
│
├── GPU 1
├── GPU 2
├── GPU 3
├── GPU 4
├── ...
└── GPU 1000+এখন দরকার:
- High-speed networking
- Distributed storage
- GPU scheduling
- Failure recovery
- Checkpointing
- Monitoring
- Resource management
- Power
- Cooling
অর্থাৎ AI infrastructure শুধু software problem নয়।
এটা hardware + software + network + storage + data center—সবকিছুর problem।
---
২৪. Meta-এর Infrastructure আসলে একটি Stack
এখন পুরো architecture-টাকে একবার একসঙ্গে দেখি।
┌──────────────────────────────────────┐
│ Facebook / Instagram │
│ WhatsApp / Threads │
└──────────────────┬───────────────────┘
│
▼
┌──────────────────────────────────────┐
│ Application Services │
│ Feed • Graph • Messaging • Ads │
└──────────────────┬───────────────────┘
│
▼
┌──────────────────────────────────────┐
│ Service Infrastructure │
│ Routing • Load Balancing • Discovery │
└──────────────────┬───────────────────┘
│
▼
┌──────────────────────────────────────┐
│ Data Infrastructure │
│ TAO • Cache • KV • Sharding │
└──────────────────┬───────────────────┘
│
▼
┌──────────────────────────────────────┐
│ Storage │
│ MySQL • Distributed Storage │
│ Tectonic • Object Storage │
└──────────────────┬───────────────────┘
│
▼
┌──────────────────────────────────────┐
│ Network │
│ Edge • POP • Backbone • Data Center │
└──────────────────┬───────────────────┘
│
▼
┌──────────────────────────────────────┐
│ Compute │
│ CPU • GPU • AI Accelerators │
└──────────────────┬───────────────────┘
│
▼
┌──────────────────────────────────────┐
│ Physical Infrastructure │
│ Servers • Racks • Power • Cooling │
└──────────────────────────────────────┘এবং AI/ML প্রায় প্রতিটি layer-এর সঙ্গে interact করে।
---
২৫. Meta Architecture-এর সবচেয়ে বড় Lesson
Facebook-এর architecture দেখে সবচেয়ে গুরুত্বপূর্ণ যে lesson পাওয়া যায় সেটা হলো:
Scale creates architecture.
প্রথমে ছিল:
LAMPতারপর:
More Users
↓
Database Scalingতারপর:
More Reads
↓
Cachingতারপর:
More Relationships
↓
Social Graph
↓
TAOতারপর:
More Data
↓
Sharding
↓
Distributed Storageতারপর:
More Users Globally
↓
Edge + POP + Backboneতারপর:
More Machines
↓
Fleet Managementতারপর:
More Failures
↓
Fault Toleranceতারপর:
More Content
↓
Recommendation Systemsতারপর:
More Personalization
↓
Machine Learningতারপর:
More AI
↓
GPU Clusters
↓
AI Infrastructureএটাই Meta infrastructure evolution-এর মূল গল্প।
---
২৬. তোমার নিজের Backend-এর সঙ্গে এটি কীভাবে relate করে?
এখানেই বিষয়টি একজন Full Stack Engineer-এর জন্য সবচেয়ে interesting।
তুমি যদি একটি ছোট application বানাও:
Next.js
↓
NestJS
↓
PostgreSQL
↓
Redisএটি fundamentally ভুল architecture নয়।
বরং Facebook-ও একসময় অনেক simpler architecture দিয়ে শুরু করেছিল।
Difference হলো scale।
যখন তোমার application-এ:
100 usersতখন:
1 Backend
1 Databaseহতে পারে যথেষ্ট।
যখন:
100,000 usersতখন:
Load Balancer
Multiple Backend
Redis
Database Optimizationলাগতে পারে।
যখন:
Millions of usersতখন:
Multiple Services
Sharding
Distributed Cache
Message Queue
Object Storage
CDN
Observabilityপ্রয়োজন হতে পারে।
আর Meta-scale-এ:
Global Networking
Massive Sharding
Distributed Storage
Service Routing
Fault Tolerance
AI Infrastructure
GPU Clusters
Data Centersএসব প্রয়োজন হয়।
অর্থাৎ architecture আগে থেকে unnecessarily complex করার দরকার নেই।
Scale বাড়ার সঙ্গে architecture evolve করবে।
---
২৭. পুরো Meta Architecture এক লাইনে
যদি পুরো বিষয়টা একটি sentence-এ বলতে হয়:
Meta-এর architecture হলো এমন একটি globally distributed infrastructure যেখানে massive user traffic, social relationships, content, messaging, storage এবং machine-learning workloads-কে হাজার হাজার distributed services, caches, databases, storage systems, networks, compute clusters এবং data centers-এর মাধ্যমে reliably এবং efficiently operate করা হয়।
আর সবচেয়ে সুন্দর বিষয় হলো—
এটা একদিনে তৈরি হয়নি।
এটা তৈরি হয়েছে:
Problem
↓
Scale
↓
New Bottleneck
↓
New Architecture
↓
New Infrastructure
↓
More Scale
↓
New Bottleneck
↓
New Architectureএই cycle-এর মাধ্যমে।
---
২৮. শেষ কথা
Facebook-এর architecture শেখার সময় সবচেয়ে বড় ভুল হবে শুধু technology-এর নাম মুখস্থ করা:
TAO কী?
Tectonic কী?
Memcache কী?
ZippyDB কী?
Twine কী?
এগুলো জানা অবশ্যই দরকার।
কিন্তু তার চেয়েও গুরুত্বপূর্ণ হলো কেন এগুলো তৈরি করতে হয়েছিল সেটা বোঝা।
একজন strong backend/system engineer চিন্তা করবে:
Traffic বাড়লে কী হবে?
Database bottleneck হলে?
Cache stale হলে?
Server মারা গেলে?
এক region down হলে?
Data অন্য region-এ কীভাবে যাবে?
Billions of records কীভাবে shard হবে?
Billions of content কীভাবে rank হবে?
Thousands of GPUs কীভাবে coordinate করবে?এই প্রশ্নগুলোর উত্তর খুঁজতে খুঁজতেই তুমি আসলে Meta Architecture বুঝতে শুরু করবে।
এবং তখন Facebook আর শুধু একটি social media website মনে হবে না।
তুমি এটাকে দেখতে শুরু করবে একটি বিশাল:
Distributed System + Data Platform + Networking Infrastructure + AI Platform + Global Computing System
হিসেবে।
---
Recommended Reading
Meta Engineering — Infrastructure Evolution and the Advent of AI
https://engineering.fb.com/2025/09/29/data-infrastructure/metas-infrastructure-evolution-and-the-advent-of-ai/
TAO — The Power of the Graph
https://engineering.fb.com/2013/06/25/core-infra/tao-the-power-of-the-graph/
From User Sequences to Scaling Laws — Meta's Ads Ranking Architecture
https://engineering.fb.com/2026/08/05/ml-applications/from-user-sequences-to-scaling-laws-a-multi-stage-architecture-for-metas-ads-ranking/
এই তিনটি resource দিয়ে শুরু করলে Meta-এর architecture বোঝার জন্য একটি শক্ত foundation তৈরি হবে।