题目重点：定义排名指标和窗口，比较精确聚合、候选筛选及近似TopK。
题意与假设
这道练习题保留了面经中值得训练的核心约束，并将需要澄清的条件单独列出。现场拿到变体时，先和面试官确认这些条件。
- 只有YouTube Top-K系统设计方向。练习按有效播放事件、最近一小时滚动窗口、全局TopK；榜单新鲜度允许分钟级，不宣称这是披露的指标。
- 同一eventId不重复计数，播放有效性与bot过滤由规则版本决定；浏览量、观看时长、点赞各是不同榜，不能混合分母。
解题路线
- 事件包含eventId/videoId/eventTime，写持久流后按video分区去重和计数。滚动窗口分成分钟bucket，进入新分钟加新桶，退出旧桶减旧贡献；watermark与允许迟到时限明确。
- 精确结果可保存所有窗口内video count，并维护排名结构/周期计算。分区按同key完整计数再取各分区TopK，候选并集可得到精确全局TopK；若每分区只统计该video的部分贡献，局部TopK可能丢全局赢家。
- 热video可用salt分散写，但恢复TopK前必须归并它所有salt。重复、回放与late correction带版本，不能直接对缓存incr后再消费一次流重复累计。
- 用户地区/类别榜会增加维度状态；先从全局和少数固定维度做容量，避免每用户一榜无限组合。近似sketch可减少空间，但应给误差及候选复核合同，不能声称所有排序都精确。
手动走一遍
两分区若A被分散为60+60，而各分区有本地B/C各100，局部Top1漏掉真实A120；按video完整聚合后再选局部TopK则不会出现此问题。迟到播放重算后榜单版本提升，客户端不拿旧缓存覆盖。
规模与取舍
窗口bucket状态约O(V×B)，V为活跃video、B桶数；周期精确排序O(V log V)，堆取K约O(V log K)。假设1亿事件/日平均1157/s，峰值和每事件字节另算，不能把平均当峰值。
易错点与追问
容易失分的边界
- 未定义TopK依据及时间窗口。
- 分散同video计数后直接局部TopK，错漏赢家。
- 回放流重复加缓存，榜单无限膨胀。
继续深挖
- 窗口结束后迟到事件要改旧榜还是只更新当前榜？
- 分数相同如何稳定分页并处理刷新？
