کتاب طراحی و پیاده‌سازی پایگاه داده مقیاس‌پذیر در Azure SQL Hyperscale با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طراحی و پیاده‌سازی پایگاه داده مقیاس‌پذیر در Azure SQL Hyperscale

موضوع کلی: فناوری اطلاعات و توسعه نرم‌افزار

موضوع میانی: مدیریت پایگاه داده و خدمات ابری

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر پایگاه‌های داده مقیاس‌پذیر
• 2. مفاهیم کلیدی در Azure SQL Hyperscale
• 3. معماری Azure SQL Hyperscale
• 4. مزایای Hyperscale در مقابل معماری‌های سنتی
• 5. ارزیابی نیازهای مقیاس‌پذیری
• 6. انتخاب سطح سرویس و مدل خرید مناسب
• 7. پیکربندی اولیه Azure SQL Database
• 8. تنظیمات مقیاس‌پذیری در Hyperscale
• 9. مدیریت ذخیره‌سازی در Hyperscale
• 10. استفاده از صفحات داده (Data Pages)
• 11. صفحات حاوی داده (Row Pages)
• 12. مدیریت صفحات داده و نگهداری آن‌ها
• 13. بهینه‌سازی عملکرد صفحات داده
• 14. افزایش مقیاس‌پذیری با استفاده از Read Scale-out
• 15. تنظیمات Read Scale-out
• 16. مزایای Read Scale-out برای بارهای کاری خواندنی
• 17. مدیریت Read Scale-out در سناریوهای مختلف
• 18. ارتباط بین Read Scale-out و High Availability
• 19. بهینه‌سازی کوئری‌ها در Hyperscale
• 20. استراتژی‌های ایندکس‌گذاری برای مقیاس‌پذیری
• 21. استفاده از ایندکس‌های ستونی
• 22. مدیریت ایندکس‌های ستونی
• 23. بهینه‌سازی پارتیشن‌بندی جداول
• 24. پارتیشن‌بندی داده‌ها بر اساس زمان
• 25. پارتیشن‌بندی داده‌ها بر اساس شناسه
• 26. مدیریت جداول پارتیشن‌بندی شده
• 27. استراتژی‌های بازیابی داده‌ها در Hyperscale
• 28. ریکاوری نقطه زمانی (Point-in-Time Restore)
• 29. ریکاوری به آخرین نقطه پشتیبان‌گیری
• 30. مدیریت پشتیبان‌گیری و بازیابی در Hyperscale
• 31. امنیت داده‌ها در Azure SQL Hyperscale
• 32. رمزنگاری داده‌ها در حالت سکون (Encryption at Rest)
• 33. رمزنگاری داده‌ها در حین انتقال (Encryption in Transit)
• 34. مدیریت دسترسی و احراز هویت
• 35. پیاده‌سازی کنترل دسترسی مبتنی بر نقش (RBAC)
• 36. مانیتورینگ عملکرد در Hyperscale
• 37. استفاده از Azure Monitor برای رصد پایگاه داده
• 38. ابزارهای تشخیصی عملکرد (DMVs)
• 39. تحلیل لاگ‌های فعالیت (Activity Logs)
• 40. مدیریت هزینه‌ها در Azure SQL Hyperscale
• 41. بهینه‌سازی مصرف منابع
• 42. انتخاب استراتژی مناسب برای کاهش هزینه
• 43. پشتیبانی و عیب‌یابی در Hyperscale
• 44. سناریوهای رایج عیب‌یابی
• 45. ارتباط با پشتیبانی مایکروسافت
• 46. نکات پیشرفته در طراحی پایگاه داده مقیاس‌پذیر
• 47. استفاده از Azure Functions برای پردازش داده‌ها
• 48. یکپارچه‌سازی با Azure Data Factory
• 49. یکپارچه‌سازی با Azure Stream Analytics
• 50. طراحی برای انعطاف‌پذیری در طول زمان
• 51. به‌روزرسانی و مهاجرت به Hyperscale
• 52. برنامه‌ریزی برای مهاجرت
• 53. مراحل مهاجرت به Hyperscale
• 54. تست و اعتبارسنجی پس از مهاجرت
• 55. مدیریت تغییرات در طول زمان
• 56. اصول طراحی برنامه‌های کاربردی برای Hyperscale
• 57. الگوهای طراحی برای ارتباط با پایگاه داده
• 58. بهینه‌سازی ارتباطات کلاینت-سرور
• 59. مدیریت تراکنش‌ها در مقیاس بزرگ
• 60. ملاحظات مربوط به قفل‌گذاری (Locking)
• 61. مدیریت Deadlocks در Hyperscale
• 62. بهینه‌سازی استفاده از Memory-Optimized Tables
• 63. مقدمه‌ای بر In-Memory OLTP
• 64. پیکربندی و استفاده از جداول بهینه‌سازی شده در حافظه
• 65. مزایای In-Memory OLTP در Hyperscale
• 66. ملاحظات مربوط به Hotspots در داده‌ها
• 67. شناسایی و مدیریت Hotspots
• 68. استراتژی‌های کاهش Hotspots
• 69. استفاده از Azure Cache for Redis
• 70. مفهوم Zero-Data-Loss High Availability
• 71. پیاده‌سازی Zero-Data-Loss High Availability
• 72. مزایای Zero-Data-Loss High Availability
• 73. مدیریت Failover در Hyperscale
• 74. سناریوهای Failover خودکار
• 75. انجام Failover دستی
• 76. تست سناریوهای Failover
• 77. مدیریت پیکربندی‌های پیچیده
• 78. استفاده از Azure CLI برای مدیریت Hyperscale
• 79. استفاده از PowerShell برای مدیریت Hyperscale
• 80. اتوماسیون وظایف مدیریتی
• 81. یکپارچه‌سازی با ابزارهای CI/CD
• 82. اصول DevOps برای مدیریت پایگاه داده
• 83. نظارت امنیتی در Hyperscale
• 84. گزارش‌دهی امنیتی
• 85. مدیریت رویدادهای امنیتی
• 86. انطباق با مقررات امنیتی
• 87. بهینه‌سازی برای بارهای کاری ترکیبی (HTAP)
• 88. مقدمه‌ای بر Hybrid Transactional/Analytical Processing
• 89. پیاده‌سازی HTAP در Azure SQL Hyperscale
• 90. مزایای HTAP برای تحلیل بلادرنگ
• 91. مدیریت داده‌های حجیم (Big Data)
• 92. استراتژی‌های ذخیره‌سازی داده‌های حجیم
• 93. پردازش داده‌های حجیم با ابزارهای Azure
• 94. یکپارچه‌سازی Hyperscale با اکوسیستم داده Azure
• 95. مدیریت ارتباطات بین سرویس‌ها
• 96. امنیت در ارتباطات بین سرویس‌ها
• 97. بهینه‌سازی معماری برای IoT Data
• 98. پردازش داده‌های سری زمانی (Time-Series Data)
• 99. استفاده از توابع پنجره‌ای (Window Functions)
• 100. تحلیل داده‌های سری زمانی در Hyperscale