آموزش مقیاس‌پذیری و بهینه‌سازی راهکارهای ابری با Azure - آخرین آپدیت

دانلود How to Scale and Optimize Solutions with Azure

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: مدیریت ترافیک بالا و تضمین عملکرد اپلیکیشن در محیط‌های پویا و ابری می‌تواند چالش‌برانگیز باشد. در این دوره آموزشی با عنوان «مقیاس‌پذیری و بهینه‌سازی راهکارها با Azure»، شما یاد می‌گیرید که معماری‌های ابری مقیاس‌پذیر و منعطف طراحی کنید. ابتدا نحوه توزیع بهینه ترافیک با استفاده از Azure Load Balancer، Traffic Manager و Front Door را بررسی خواهید کرد. سپس، خواهید آموخت که چگونه محاسبات بدون سرور (Serverless) و استراتژی‌های کشینگ (Caching) باعث بهبود عملکرد و پاسخ‌دهی اپلیکیشن می‌شوند. در نهایت، روش‌های بهینه‌سازی پایگاه‌های داده با استفاده از Partitioning در Cosmos DB و Read Replicas در Azure SQL برای مدیریت حجم بالای درخواست‌ها را فرا خواهید گرفت. پس از اتمام این دوره، شما مهارت‌ها و دانش لازم برای مقیاس‌بندی و بهینه‌سازی ابری با Azure را جهت ساخت راهکارهای با کارایی بالا و پایدار کسب خواهید کرد.

سرفصل ها و درس ها

طراحی معماری‌های مقیاس‌پذیر با Azure Load Balancing Designing Scalable Architectures with Azure Load Balancing

  • طراحی معماری‌های مقیاس‌پذیر با Azure Load Balancing Designing Scalable Architectures with Azure Load Balancing

  • دمو: استقرار Azure Load Balancer Demo: Deploying an Azure Load Balancer

  • مسیریابی ترافیک با Azure Traffic Manager Traffic Routing with Azure Traffic Manager

  • دمو: پیکربندی Azure Traffic Manager Demo: Configuring Azure Traffic Manager

  • توزیع جهانی با Azure Front Door Global Distribution with Azure Front Door

  • دمو: پیاده‌سازی Azure Front Door Demo: Implementing Azure Front Door

  • انتخاب راهکار مناسب برای توزیع بار (Load Balancing) Choosing the Right Load Balancing Solution

مقیاس‌بندی اپلیکیشن‌ها با معماری‌های بدون سرور (Serverless) Scaling Applications with Serverless Architectures

  • قدرت مقیاس‌بندی بدون سرور (Serverless Scaling) The Power of Serverless Scaling

  • دمو: استقرار Azure Function با قابلیت Auto scaling Demo: Deploying an Azure Function with Auto-scaling

  • الگوهای طراحی گردش کار بدون سرور Serverless Workflow Design Patterns

  • دمو: پیاده‌سازی یک Durable Function Demo: Implementing a Durable Function

  • بهینه‌سازی اپلیکیشن‌های Serverless Optimizing Serverless Applications

بهبود عملکرد با استراتژی‌های کشینگ Enhancing Performance with Caching Strategies

  • چرا کشینگ برای مقیاس‌پذیری ضروری است Why Caching Is Essential for Scalability

  • دمو: پیاده‌سازی Azure Cache for Redis Demo: Implementing Azure Cache for Redis

  • بهترین روش‌های بهینه‌سازی کش Cache Optimization Best Practices

بهینه‌سازی راهکارهای پایگاه داده برای مقیاس و عملکرد Optimizing Database Solutions for Scale and Performance

  • چالش‌های مقیاس‌بندی پایگاه داده Database Scaling Challenges

  • دمو: پیکربندی Partitioning در Cosmos DB Demo: Configuring Partitioning in Cosmos DB

  • نسخه‌های Read Replicas در Azure SQL Database Read Replicas in Azure SQL Database

  • دمو: استقرار Read Replicas در Azure SQL Demo: Deploying Read Replicas in Azure SQL

  • بهینه‌سازی پایگاه‌های داده برای حجم‌های کاری خاص Optimizing Databases for Specific Workloads

نمایش نظرات

آموزش مقیاس‌پذیری و بهینه‌سازی راهکارهای ابری با Azure
جزییات دوره
1h 0m
20
(آخرین آپدیت)
10
4.9 از 5
دارد
دارد
دارد
JS Padoan
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

JS Padoan JS Padoan

با 20 سال تجربه در سیستم زیست محیطی مایکروسافت ، ژان سباستین در طراحی ، ساخت ، توسعه و استقرار راه حل های مایکروسافت در محیط های پیش فرض یا Azure/Office365 به مشتریان کمک می کند. JS در Windows Server/.NET/SharePoint/SqlServer/Office365/PowerPlatform مهارت ، تجربه و گواهینامه دارد. وی همچنین به مدت 13 سال به عنوان مربی معتبر مایکروسافت این موضوعات را تدریس می کند. وی همچنین یک فروشنده مایکروسافت در زمینه داده و تجزیه و تحلیل است و بنابراین می تواند از طریق API های شناختی و ChatBots در مباحث مختلف هوش تجاری ، از انبار داده ها تا یادگیری ماشین ، بشارت دهد.