دوره آموزشی طراحی پایگاههای داده SQL با مقیاسپذیری بالا و در دسترسپذیری بالا
3 ساعت 22 دقیقهمتوسط2025-01-14
مدرسین

Dan Sullivan
Enterprise Architect, Big Data Expert
جزئیات دوره
دادههای رابطهای معمولاً برای مدیریت حجم بالای دادهها استفاده میشوند، بنابراین توسعهدهندگان و مدلسازان داده باید با معماری مقیاسپذیر و الگوهای مدلسازی داده آشنا باشند.
در این دوره، دن سالیوان—معمار داده، مدلساز داده و دانشمند داده با دهها سال تجربه—با بررسی نیازهای مقیاسپذیری شروع میکند، بهویژه نیازهای کسبوکار، حجم دادهها و رشد دادهها. سپس دوره به بررسی معماری پایگاهداده و الگوهای مدلسازی داده پرداخته و بهطور عمیق به پشتیبانی از دریافت داده مقیاسپذیر میپردازد. پرسوجو کردن، البته، جزء حیاتی هر معماری پایگاهداده است. شما در این دوره با تفاوتهای بین پرسوجوهای تراکنشی و تحلیلی آشنا خواهید شد و نحوه استفاده از منابع پایگاهداده مانند شاخصها و دیدهای ماتریسی برای بهبود عملکرد را خواهید آموخت. دوره با بحثی درباره DevOps برای پایگاههای داده رابطهای مقیاسپذیر به پایان میرسد تا بتوانیم پایگاهدادههای خود را بهطور کارآمد نگه داریم و مطمئن شویم که بهدرستی عمل میکنند.
اهداف یادگیری
درک نیازهای مقیاسپذیری در سیستمهای پایگاهداده رابطهای.
بررسی الگوهای معماری پایگاهداده و مدلسازی داده برای پشتیبانی از مقیاسپذیری.
یادگیری نحوه پشتیبانی از دریافت داده مقیاسپذیر در پایگاهداده.
آشنایی با تفاوتهای پرسوجوهای تراکنشی و تحلیلی و نحوه بهینهسازی عملکرد پایگاهداده.
استفاده از منابع پایگاهداده مانند شاخصها و دیدهای ماتریسی برای بهبود عملکرد.
آشنایی با شیوههای DevOps برای پایگاهدادههای مقیاسپذیر و نگهداری عملکرد پایگاهدادهها.
در این دوره، دن سالیوان—معمار داده، مدلساز داده و دانشمند داده با دهها سال تجربه—با بررسی نیازهای مقیاسپذیری شروع میکند، بهویژه نیازهای کسبوکار، حجم دادهها و رشد دادهها. سپس دوره به بررسی معماری پایگاهداده و الگوهای مدلسازی داده پرداخته و بهطور عمیق به پشتیبانی از دریافت داده مقیاسپذیر میپردازد. پرسوجو کردن، البته، جزء حیاتی هر معماری پایگاهداده است. شما در این دوره با تفاوتهای بین پرسوجوهای تراکنشی و تحلیلی آشنا خواهید شد و نحوه استفاده از منابع پایگاهداده مانند شاخصها و دیدهای ماتریسی برای بهبود عملکرد را خواهید آموخت. دوره با بحثی درباره DevOps برای پایگاههای داده رابطهای مقیاسپذیر به پایان میرسد تا بتوانیم پایگاهدادههای خود را بهطور کارآمد نگه داریم و مطمئن شویم که بهدرستی عمل میکنند.
اهداف یادگیری
درک نیازهای مقیاسپذیری در سیستمهای پایگاهداده رابطهای.
بررسی الگوهای معماری پایگاهداده و مدلسازی داده برای پشتیبانی از مقیاسپذیری.
یادگیری نحوه پشتیبانی از دریافت داده مقیاسپذیر در پایگاهداده.
آشنایی با تفاوتهای پرسوجوهای تراکنشی و تحلیلی و نحوه بهینهسازی عملکرد پایگاهداده.
استفاده از منابع پایگاهداده مانند شاخصها و دیدهای ماتریسی برای بهبود عملکرد.
آشنایی با شیوههای DevOps برای پایگاهدادههای مقیاسپذیر و نگهداری عملکرد پایگاهدادهها.
مهارت ها
SQLDatabase AdministrationDatabase DevelopmentDatabase ManagementData AnalysisProgramming LanguagesData ScienceBusiness Analysis and StrategyBusiness Software and ToolsOpen SourceSoftware DevelopmentOne-Off
سرفصل ها
0. مقدمه
- 01 - چالشهای مقیاس بندی پایگاههای داده رابطه ای
- 02 - آنچه باید بدانید
1. درک الزامات مقیاس پذیری
- 03 - یادگیری در مورد الزامات تجاری برای مقیاس پذیری پایگاه داده
- 04 - شناسایی موارد استفاده برای داده ها
- 05 - شناسایی الزامات امنیتی و انطباق
- 06 - تخمین رشد داده ها
- 07 - چالش - الزامات کسب و کار را در یک سناریو شناسایی کنید
- 08 - راه حل - الزامات تجاری شناسایی شده است
2. معماری پایگاه داده و پایگاههای داده رابطه ای
- 09 - انتخاب یک فروشگاه داده - SQL، NoSQL، یا تحلیلی
- 10 - شناسایی طرحوارهها و دامنه ها
- 11 - شناسایی نهادهای کلیدی
- 12 - طراحی فیزیکی سطح بالا
- 13 - چالش - آنچه در نمونه معماری پایگاه داده وجود ندارد
- 14 - راه حل - معماری پایگاه داده اصلاح شده
3. بلع داده ها
- 15 - دادههای مقیاس انسان و ماشین
- 16 - استراتژیهای مختلف جذب داده ها
- 17 - بلع در مقیاس انسان و ماشین
- 18 - صفهای پیام برای بافر دادههای دریافت شده
- 19 - مدل سازی دادهها برای مقیاس - منبع یابی رویداد
- 20 - تفکیک مسئولیت کوئری فرمان (CQRS)
- 21 - چالش - طراحی یک سرویس جمعآوری داده مقیاس پذیر برای پشتیبانی از جریان دادههای سری زمانی
- 22 - راه حل - خدمات و API برای یک رابط کاربری مقیاس پذیر
4. طراحی برای کوئری مقیاس پذیر
- 23 - کوئریهای تراکنشی در مقابل تحلیلی
- 24 - پروفایل سازی برای عملکرد پرس و جو
- 25 - نماهای واقعی برای کوئریهای تراکنش
- 26 - استفاده از replicaهای خواندنی برای بهبود عملکرد پرس و جو
- 27 - درک نوشتن پیش از ورود به سیستم
- 28 - غیر عادی سازی برای کوئریهای تحلیلی
- 29 - تجمیع و نمونه برداری برای کوئریهای تحلیلی
- 30 - چالش - بهینهسازی یک مدل داده برای کوئریهای تحلیلی
- 31 - راه حل - طرح ستاره غیرعادی شده برای کوئریهای تحلیلی
5. DevOps برای پایگاههای داده رابطه ای مقیاس پذیر
- 32 - پایش پایگاههای اطلاعاتی رابطه ای
- 33 - کاهش تأخیر با کش
- 34 - پارتیشن بندی برای مقیاس پذیری
- 35 - معماریهای با دسترسی بالا
- 36 - مدیریت چرخه عمر داده ها
- 37 - چالش - درک دیتابیس DevOps
- 38 - راه حل - درک پایگاه داده DevOps
نتیجه گیری
- 39 - مراحل بعدی