آموزش مانیتورینگ و بهینه‌سازی کوئری‌ها در Databricks SQL - آخرین آپدیت

دانلود Monitor and Optimize Queries in Databricks SQL

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: آیا کوئری‌های Databricks SQL شما کندتر از حد انتظار اجرا می‌شوند، هزینه‌ها در حال افزایش است و دلیل آن را نمی‌دانید؟ داشبوردها با خطا (Timeout) مواجه می‌شوند، پردازش‌های ETL طبق زمان‌بندی (SLA) انجام نمی‌شوند و ذینفعان پروژه ناراضی هستند. در این دوره آموزشی با عنوان «مانیتورینگ و بهینه‌سازی کوئری‌ها در Databricks SQL»، شما توانایی تشخیص گلوگاه‌های عملکردی (Performance Bottlenecks) و اعمال بهینه‌سازی‌های هدفمند را کسب می‌کنید تا کوئری‌هایی سریع‌تر با هزینه کمتر داشته باشید. در ابتدا، نحوه اجرای کوئری‌ها در Databricks SQL، از جمله نقش SQL Warehouses، موتور Photon و مراحل اجرای کوئری از مرحله برنامه‌ریزی تا تحویل نتایج را بررسی خواهید کرد. سپس، یاد می‌گیرید چگونه از Query History و Query Profile برای شناسایی اپراتورهای کند، تشخیص مشکلاتی مانند اسکن‌های حجیم (Large Scans) و Joinهای نامتوازن (Skewed Joins) استفاده کنید و متریک‌های حیاتی را تحلیل نمایید. در نهایت، روش‌های بهینه‌سازی حجم کاری (Workloads) با استفاده از تکنیک‌هایی مانند Partition Pruning، کش کردن نتایج (Result Caching)، کلاسترینگ مایع (Liquid Clustering) و بهینه‌سازی پیش‌بینانه را می‌آموزید و با نحوه انتخاب اندازه مناسب Warehouse و استراتژی مقیاس‌پذیری آشنا می‌شوید. پس از اتمام این دوره، مهارت‌های لازم برای مانیتورینگ و بهینه‌سازی کوئری‌ها جهت دستیابی به نتایجی سریع‌تر و موثرتر را خواهید داشت.

سرفصل ها و درس ها

درک نحوه اجرای کوئری در Databricks SQL Understanding query execution in Databricks SQL

  • نحوه اجرای کوئری‌ها توسط Databricks SQL How Databricks SQL executes your queries

  • پیکربندی SQL Warehouse و تاثیر آن بر عملکرد SQL warehouse configuration and performance impact

  • موتور Photon – شتاب‌دهنده عملکرد کوئری The photon engine – Accelerating query performance

  • مراحل اجرای کوئری – از برنامه تا نتایج Query execution stages – From plan to results

مانیتورینگ کوئری‌ها با Query History و Query Profile Monitoring queries with query history and query profile

  • کار با تاریخچه کوئری‌ها (Query History) Navigating query history

  • بررسی عمیق پروفایل کوئری (Query Profile) Deep dive into query profile

  • شناسایی مشکلات رایج عملکرد در Query Profile Identifying common performance issues in query profile

  • استفاده از جداول سیستمی Query History برای مانیتورینگ بلندمدت Using query history system tables for long term monitoring

تشخیص و رفع گلوگاه‌های عملکردی Diagnosing and fixing performance bottlenecks

  • هرس کردن پارتیشن‌ها (Partition Pruning) و Predicate Pushdown Partition pruning and predicate pushdown

  • بهینه‌سازی Joinها برای عملکرد بهتر Optimizing joins for better performance

  • بهره‌گیری از کش کردن نتایج (Result Caching) Leveraging result caching

  • مقایسه هزینه کوئری‌ها در Warehouseهای مختلف Comparing query costs across warehouses

بهینه‌سازی جداول Delta برای عملکرد کوئری Optimizing Delta tables for query performance

  • دستور OPTIMIZE و فشرده‌سازی فایل‌ها OPTIMIZE and file compaction

  • استفاده از Z ORDER برای بهینه‌سازی‌های خاص کوئری Z-ORDER for query-specific optimization

  • کلاسترینگ مایع (Liquid Clustering) – جایگزینی مدرن Liquid clustering – A modern alternative

  • دستور VACUUM و بهینه‌سازی پیش‌بینانه VACUUM and predictive optimization

مقیاس‌پذیری و زمان‌بندی برای بهره‌وری هزینه‌ها Scaling and scheduling for cost efficiency

  • انتخاب اندازه مناسب Warehouse و استراتژی مقیاس‌پذیری Choosing the right warehouse size and scaling strategy

  • زمان‌بندی کوئری‌ها و مدیریت حجم‌های کاری تکرار شونده Scheduling queries and managing recurring workloads

  • پارامتری کردن کوئری‌ها و بازاستفاده از آن‌ها Query parameterization and reuse

  • اندازه‌گیری نتایج بهینه‌سازی Measuring optimization outcomes

نمایش نظرات

آموزش مانیتورینگ و بهینه‌سازی کوئری‌ها در Databricks SQL
جزییات دوره
1h 13m
20
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
1
از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Zachary Bennett Zachary Bennett

Zach در حال حاضر یک مهندس ارشد نرم افزار در VMware است که در آن از ابزارهایی مانند Python ، Docker ، Node و Angular همراه با تکنیک ها/اصول مختلف یادگیری ماشین و علوم داده استفاده می کند. قبل از نقش فعلی ، زاک روی نرم افزارهای زیردریایی کار می کرد و علاقه زیادی به برنامه نویسی GIS همراه با نرم افزارهای منبع باز دارد. برخی از کارهای او را می توانید در GitHub (https://github.com/zbennett10) و Stack Overflow (https://stackoverflow.com/users/6879849/zachary-bennett) مشاهده کنید.