فلش‌کارت‌های آموزشی طراحی Auto-Scaling برای سرویس‌های Time Series

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طراحی Auto-Scaling برای سرویس‌های Time Series

موضوع کلی: توسعه نرم‌افزار سمت سرور با جاوا

موضوع میانی: طراحی پایگاه داده های Distributed Distributed Time Series Database با جاوا

📋 سرفصل‌های دوره

• 1. مبانی داده‌های سری زمانی و ویژگی‌های بار کاری
• 2. مقایسه پایگاه‌های داده سری زمانی و معماری‌های پراکنده
• 3. مقدمه‌ای بر مقیاس‌پذیری در سرویس‌های سروری جاوا
• 4. انگیزه‌های نیاز به Auto-Scaling برای داده‌های سری زمانی
• 5. مفاهیم پایه‌ای مقیاس‌پذیری افقی و عمودی
• 6. معماری مايكروسرویسی سرویس‌های سری زمانی با جاوا
• 7. Spring Boot و زیرساخت سمت سرور برای دیتاپایپ‌های سری زمانی
• 8. Java Concurrency و مدیریت ترد برای نویسندگی سریع داده
• 9. مدیریت حافظه و بهینه‌سازی JVM برای بارهای سری زمانی
• 10. Garbage Collection tuning برای دیتابیس‌های سری زمانی
• 11. الگوهای نوشتار بالا (Write-Heavy) و اتصال دیتابیس
• 12. Connection Pooling و مدیریت منابع دیتابیس
• 13. شکستن داده‌ها (Sharding) برای سری زمانی
• 14. استراتژی‌های پارتیشن‌بندی بر اساس timestamp و tag
• 15. Replication و نوشتار پذیر در سری زمانی
• 16. CAP Theorem و گزینش‌های معماری برای TSDB
• 17. Consensus الگوریتم‌ها (Raft) در دیتابیس‌های پراکنده
• 18. Event Sourcing و ذخیره‌سازی سری زمانی
• 19. Apache Kafka و پایپ‌لاین نوشتار سری زمانی
• 20. Backpressure و کنترل جریان ورودی داده
• 21. Rate Limiting و حفاظت از سرویس در بار بالا
• 22. الگوهای Ingestion Pipeline با جاوا
• 23. طراحی Schema و مدل‌سازی سری زمانی
• 24. فشرده‌سازی داده‌های سری زمانی و بهینه‌سازی ذخیره‌سازی
• 25. Indexing استراتژی‌ها برای کوئری‌های سری زمانی
• 26. Hot/Cold Storage Tiers و سیاست حفظ داده
• 27. Downsampling و تجمیع داده‌های سری زمانی
• 28. Query Optimization برای دیتابیس‌های سری زمانی
• 29. Read Replica و مقیاس‌پذیری خواندن
• 30. Caching استراتژی‌ها برای داده‌های سری زمانی
• 31. مفاهیم کانتینریزیشن و Docker برای سرویس‌های TSDB
• 32. Kubernetes و مدیریت کانتینرهای جاوا
• 33. HPA و VPA در کوبرنتیس برای سرویس‌های سری زمانی
• 34. معیارهای مقیاس‌پذیری: CPU، Memory و Custom Metrics
• 35. مقیاس‌پذیری مبتنی بر Latency و QPS سرویس‌های TSDB
• 36. Predictive Auto-Scaling و پیش‌بینی بار
• 37. الگوریتم‌های Threshold-Based Scaling
• 38. Machine Learning برای پیش‌بینی بار و مقیاس‌پذیری
• 39. Load Balancing و توزیع ترافیک ورودی
• 40. Circuit Breaker و Resiliency در سرویس‌های مقیاس‌پذیر
• 41. Service Mesh و ارتباط بین نودهای TSDB
• 42. Distributed Tracing و مشکل‌یابی مقیاس‌پذیری
• 43. Logging و Observability سرویس‌های سری زمانی
• 44. Alerting و خودکاری Remediation
• 45. استراتژی‌های Deploy: Blue-Green و Canary
• 46. CI/CD برای سرویس‌های خودمقیاس‌پذیر
• 47. Testing رفتار Auto-Scaling
• 48. Chaos Engineering و تست تحمل بار
• 49. Benchmarking و اندازه‌گیری عملکرد
• 50. Resource Quotas و Limit مدیریت هزینه
• 51. بهینه‌سازی هزینه مقیاس‌پذیری در ابر
• 52. Serverless و TSDB: فرصت و چالش
• 53. Edge Computing برای داده‌های سری زمانی IoT
• 54. سيناريوهای واقعی: مالی، IoT و صنعتی
• 55. معماری‌های مرجع و Best Practices
• 56. طراحی معکوس: از نیاز به معماری Auto-Scaling
• 57. مقایسه راهکارها: InfluxDB، TimescaleDB، VictoriaMetrics
• 58. مهاجرت دیتابیس سری زمانی موجود به معماری مقیاس‌پذیر
• 59. نکات عملی نصب و پیکربندی در تولید
• 60. مستندسازی و Runbook مقیاس‌پذیری