کتاب Google Cloud Platform: Cost Optimization for IT Services Applications in Large Enterprises and at Scale با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Google Cloud Platform: Cost Optimization for IT Services Applications in Large Enterprises and at Scale

موضوع کلی: برنامه نویسی

موضوع میانی: Google Cloud Platform (GCP)

📋 سرفصل‌های دوره

• 1. مبانی ابری و GCP
• 2. آشنایی با Google Cloud Platform (GCP)
• 3. مفاهیم کلیدی ابری (IaaS, PaaS, SaaS)
• 4. مزایای استفاده از GCP در سازمانی بزرگ
• 5. مدیریت هزینه در GCP: چرا اهمیت دارد؟
• 6. اهداف کلیدی دوره: بهینه سازی هزینه GCP
• 7. شناخت انواع هزینه در GCP
• 8. هزینه های مرتبط با محاسبات (Compute)
• 9. هزینه های مرتبط با ذخیره سازی (Storage)
• 10. هزینه های مرتبط با شبکه (Networking)
• 11. هزینه های مرتبط با پایگاه داده (Databases)
• 12. هزینه های مرتبط با سرویس های مدیریت شده
• 13. هزینه های مرتبط با تحلیل داده (Data Analytics)
• 14. هزینه های مرتبط با هوش مصنوعی و یادگیری ماشین (AI/ML)
• 15. هزینه های مرتبط با ابزارهای توسعه (Development Tools)
• 16. هزینه های مرتبط با امنیت (Security)
• 17. هزینه های مرتبط با مانیتورینگ و لاگینگ (Monitoring & Logging)
• 18. هزینه های مرتبط با سرویس های خاص GCP (مثل BigQuery, GKE)
• 19. معرفی ابزارهای GCP برای مدیریت هزینه
• 20. Google Cloud Billing Console
• 21. Resource Hierarchy در GCP (Organization, Folders, Projects)
• 22. Tagging و Labels برای مدیریت هزینه
• 23. Budgets و Alerts در GCP Billing
• 24. Cost Allocation Reports
• 25. Compute Engine: بهینه سازی هزینه ماشین های مجازی
• 26. انتخاب صحیح ماشین های مجازی (VM Shapes)
• 27. استفاده از Preemptible VMs
• 28. استفاده از Committed Use Discounts (CUDs)
• 29. استفاده از Sustained Use Discounts (SUDs)
• 30. استفاده از Machine Types بهینه
• 31. Auto-scaling برای Compute Engine
• 32. Shutting Down Idle VMs
• 33. استفاده از Right-sizing برای VM ها
• 34. Storage: بهینه سازی هزینه فضای ذخیره سازی
• 35. انتخاب صحیح کلاس های ذخیره سازی (Standard, Nearline, Coldline, Archive)
• 36. انتقال خودکار داده به کلاس های ارزان تر
• 37. حذف داده های غیرضروری و قدیمی
• 38. استفاده از Object Lifecycle Management
• 39. بهینه سازی دیسک های Persistent Disk
• 40. حذف دیسک های بلااستفاده
• 41. Storage Transfer Service برای انتقال مقرون به صرفه
• 42. Networking: بهینه سازی هزینه شبکه
• 43. استفاده از Private IP ها به جای Public IP ها
• 44. بهینه سازی حجم ترافیک خروجی (Egress Traffic)
• 45. استفاده از Cloud CDN برای کاهش هزینه پهنای باند
• 46. بهینه سازی Subnets و Firewall Rules
• 47. استفاده از Network Tier ها (Premium vs Standard)
• 48. VPC Service Controls برای امنیت و جلوگیری از خروج داده
• 49. Load Balancing Cost Optimization
• 50. Kubernetes Engine (GKE): بهینه سازی هزینه کانتینرها
• 51. انتخاب صحیح Machine Types برای Node Pools
• 52. استفاده از Cluster Autoscaler
• 53. استفاده از Horizontal Pod Autoscaler
• 54. استفاده از Vertical Pod Autoscaler
• 55. بهینه سازی Image Pull Times
• 56. استفاده از Spot VMs برای Node Pools
• 57. مدیریت Persistent Volumes
• 58. استفاده از Node Auto-provisioning
• 59. Databases: بهینه سازی هزینه پایگاه های داده
• 60. انتخاب صحیح نوع پایگاه داده (Cloud SQL, Spanner, Firestore)
• 61. Right-sizing Instance ها برای Cloud SQL
• 62. استفاده از Read Replicas بهینه
• 63. بهینه سازی Query ها و Index ها
• 64. استفاده از CUDs برای Cloud SQL
• 65. مدیریت داده های NoSQL (Firestore, Bigtable)
• 66. استفاده از Archiving در پایگاه داده
• 67. Data Analytics: بهینه سازی هزینه تحلیل داده
• 68. BigQuery: بهینه سازی هزینه کوئری ها
• 69. استفاده از Partitioning و Clustering در BigQuery
• 70. استفاده از Query Caching
• 71. بهینه سازی SQL Queries
• 72. استفاده از BigQuery Slots (On-demand vs Flat-rate)
• 73. Dataflow: بهینه سازی هزینه پردازش استریم و بچ
• 74. انتخاب صحیح Machine Types برای Dataflow Jobs
• 75. بهینه سازی Dataflow Pipeline Design
• 76. استفاده از Streaming Engine
• 77. استفاده از Batch Processing بهینه
• 78. Dataproc: بهینه سازی هزینه Hadoop و Spark
• 79. انتخاب صحیح Machine Types برای Dataproc Clusters
• 80. Auto-scaling برای Dataproc Clusters
• 81. استفاده از Preemptible Workers
• 82. مدیریت چرخه عمر Dataproc Clusters
• 83. Vertex AI: بهینه سازی هزینه هوش مصنوعی و یادگیری ماشین
• 84. انتخاب صحیح Machine Types برای Training Jobs
• 85. استفاده از Distributed Training
• 86. بهینه سازی Hyperparameter Tuning
• 87. مدیریت مدل ها و Artifact ها
• 88. استفاده از Preemptible GPUs
• 89. بهینه سازی Inference Costs
• 90. Serverless: بهینه سازی هزینه سرویس های بدون سرور
• 91. Cloud Functions: بهینه سازی زمان اجرا و حافظه
• 92. Cloud Run: بهینه سازی تعداد کانتینرها و نرخ درخواست
• 93. App Engine: انتخاب صحیح Standard vs Flexible Environment
• 94. Eventarc: بهینه سازی رویدادها و پردازش آنها
• 95. Security: بهینه سازی هزینه امنیت
• 96. IAM Roles و Permissions: اصل حداقل دسترسی (Least Privilege)
• 97. مدیریت Service Accounts
• 98. استفاده از Security Command Center
• 99. بهینه سازی هزینه Cloud Armor (WAF)
• 100. بهینه سازی هزینه VPC Service Controls