دوره Google Cloud Platform: راه اندازی و مدیریت پایگاه داده های Cloud Bigtable (کاربرد در داده های علمی) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Google Cloud Platform: راه اندازی و مدیریت پایگاه داده های Cloud Bigtable (کاربرد در داده های علمی)

موضوع کلی: برنامه نویسی

موضوع میانی: Google Cloud Platform (GCP)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر Cloud Bigtable و جایگاه آن در اکوسیستم GCP
• 2. معماری توزیع‌شده و مدل داده‌های Wide‑Column
• 3. مقایسه Bigtable با سایر پایگاه‌های داده NoSQL و SQL
• 4. سناریوهای کاربردی علمی: سری‌های زمانی، ژنومیک، IoT
• 5. طراحی 스키مای جدول: انتخاب Row Key، Column Families و Qualifiers
• 6. استراتژی‌های Row Key برای پرهیز از Hotspotting
• 7. مدیریت Column Families: فشرده‌سازی، TTL و Garbage Collection
• 8. ایجاد و کانفیگ Instance و Cluster در کنسول و gcloud
• 9. انتخاب نوع نود (SSD vs HDD) و اندازه‌گیری ظرفیت
• 10. تنظیم Replication برای Hoch Availability و Disaster Recovery
• 11. проفیل‌های عملکرد: Read/Write Latency، Throughput و Tail Latency
• 12. استفاده از Key Visualizer برای شناسایی داغ‌زده‌ها
• 13. بهینه‌سازی خواندن: Prefetch، Block Cache و Read‑Repair
• 14. بهینه‌سازی نوشتن: Mutations Batching، Write‑Ahead Log و Commit Timestamps
• 15. مدیریت نسخه‌گذاری داده‌ها (Timestamps) و Garbage Collection Policies
• 16. Backup و Restore: Scheduled Backups، Export/Import به Cloud Storage
• 17. Migration از HBase، Cassandra یا Relational DB به Bigtable
• 18. استفاده از Cloud Dataflow برای ETL و پیش‌پردازش داده‌های علمی
• 19. ادغام با BigQuery برای تحلیل‌های OLAP بر روی داده‌های Bigtable
• 20. استفاده از Cloud Dataproc (Spark/HBase) برای محاسبات توزیع‌شده
• 21. پیاده‌سازی Machine Learning با Vertex AI بر روی داده‌های Bigtable
• 22. مثال‌های واقعی: پایش سنسورهای فضایی، تحلیل توالی DNA، لاگ‌های هیت‌مپ
• 23. امنیت: IAM Roles، VPC Service Controls، Private IP Access
• 24. رمزنگاری در حالت استراحت و در ترانزیت (CMEK، Default Encryption)
• 25. Audit Logging و Cloud Monitoring برای نظارت بر عملکرد
• 26. تنظیم هشدارها (Alerting) بر روی Latency، CPU، Disk Usage
• 27. Cost Management: محاسبه هزینه نودها، ذخیره‌سازی، شبکه و Backup
• 28. استفاده از Committed Use Discounts و Sustained Use Discounts
• 29. تست بار (Load Testing) با ابزارهای cbt، YCSB و custom scripts
• 30. عیب‌یابی رایج: Hotspotting، High Latency، Replication Lag
• 31. بهینه‌سازی Schema برای workloadهای Read‑Heavy vs Write‑Heavy
• 32. استفاده از Change Streams برای Capture داده‌های تغییر یافته
• 33. ادغام با Pub/Sub برای پردازش رویدادهای Real‑time
• 34. CI/CD برای استقرار تغییرات Schema و Instance Configurations
• 35. Infrastructure as Code با Terraform و Deployment Manager
• 36. Autoscaling: تنظیم policies بر اساس CPU/Throughput
• 37. Multi‑region Deployments برای Latency Reduction در کاربران جهانی
• 38. Data Lifecycle Management: Archiving، Tiered Storage، Deletion Policies
• 39. نمونه‌کدهای Client Library (Java, Python, Go, Node.js) برای عملیات CRUD
• 40. استفاده از cbt CLI برای مدیریت جداول،Families و داده‌ها
• 41. Performance Tuning Checklist برای Production Workloads
• 42. Disaster Recovery Drills: Failover، Failback و Validation
• 43. Compliance و Governance: GDPR، HIPAA در محیط علمی
• 44. Best Practices برای تیم‌های Data Engineering و Science
• 45. مطالعه موردی: پیاده‌سازی پلتفرم آنالیتیک ژنومیک با Bigtable
• 46. مطالعه موردی: مانیتورینگ شبکه سنسورهای هوشمند شهر
• 47. مطالعه موردی: تحلیل سری‌های زمانی مالی با Bigtable و Dataflow
• 48. آماده‌سازی برای گواهی Google Cloud Professional Data Engineer
• 49. منابع پیشرفته: مستندات رسمی، وبینارها، وبلاگ‌های مهندسی GCP
• 50. جمع‌بندی و نقشه راه یادگیری پیشرفته