آموزش امنیت، یکپارچه‌سازی و اتوماسیون - آخرین آپدیت

دانلود Security, Integration & Automation

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: ایمن‌سازی و مدیریت عملیاتی زیرساخت‌های هوش مصنوعی ترکیبی (Hybrid AI)، نیازمند کنترل‌های دسترسی مبتنی بر هویت، مشاهده‌پذیری جامع (End-to-End Observability)، خطوط لوله داده‌ای (Data Pipelines) منعطف و اتوماسیون هوشمند است. این دوره برای ایجاد مهارت‌های لازم جهت مدیریت تصمیمات امنیتی، یکپارچه‌سازی و عملیاتی در پلتفرم‌های تولیدی هوش مصنوعی طراحی شده است. در این دوره، شما با پیکربندی Workload Identity federation و Azure Key Vault برای حذف اعتبارنامه‌های جاسازی شده (Embedded Credentials)، ساخت داشبورد‌های Grafana برای مانیتورینگ GPU و معیارهای تأخیر (Latency)، و اتوماسیون اصلاحیه های مربوط به انطباق (Compliance Remediation) با استفاده از Azure Resource Graph آشنا خواهید شد. همچنین خطوط لوله داده‌ای را در Data Factory با قابلیت مدیریت تغییرات ساختار داده‌ها (Schema Drift) طراحی کرده، هشدارهای Edge را از طریق Logic Apps با ServiceNow یکپارچه می‌کنید و مقیاس‌پذیری خودکار مبتنی بر رویداد (Event-driven Autoscaling)یافته را با استفاده از KEDA و Azure Functions پیاده‌سازی خواهید کرد. در پایان این دوره، شما قادر خواهید بود مرزهای امنیتی برای Workloadهای کانتینری، استانداردهای مشاهده‌پذیری و انطباق، و خطوط لوله داده‌ای منعطف را تعریف کنید، بر روی SLAهای یکپارچه‌سازی نظارت داشته باشید و استراتژی‌های اتوماسیون را با مستندات ROI (بازگشت سرمایه) توجیه کنید. این دوره برای مهندسان پلتفرم که مسئولیت ایمن‌سازی، یکپارچه‌سازی و اتوماسیون زیرساخت‌های هوش مصنوعی ترکیبی را بر عهده دارند طراحی شده است. داشتن درک صحیح از مفاهیم بنیادی امنیت ابری و تجربه در کار با ابزارهای اتوماسیون مورد انتظار است.

سرفصل ها و درس ها

امنیت هویت‌ها: پیکربندی Workload Identity Secure Identities: Configure Workload Identity

  • معماری Workload Identity برای AKS Workload Identity Architecture for AKS

امنیت هویت‌ها: تعریف مسئولیت مشترک Secure Identities: Define Shared Responsibility

  • چرا مسئولیت مشترک، وضعیت امنیتی را تعریف می‌کند Why Shared Responsibility Defines Security Posture

  • مدل مسئولیت مشترک برای زیرساخت‌های هوش مصنوعی Shared Responsibility Model for AI Infrastructure

مانیتورینگ و اصلاح: ساخت داشبورد‌های مشاهده‌پذیری Monitor & Remediate: Build Observability Dashboards

  • چرا مشاهده‌پذیری یکپارچه مانع از نقاط کور می‌شود Why Unified Observability Prevents Blind Spots

  • معماری Azure Monitor برای هوش مصنوعی ترکیبی Azure Monitor Architecture for Hybrid AI

مانیتورینگ و اصلاح: اتوماسیون اصلاحیه های انطباق Monitor & Remediate: Automate Compliance Remediation

  • چرا انطباق دستی مقیاس‌پذیر نیست Why Manual Compliance Doesn't Scale

  • معماری اتوماسیون و Azure Resource Graph Azure Resource Graph and Automation Architecture

خطوط لوله داده: پیکربندی دریافت داده‌های ترکیبی Data Pipelines: Configure Hybrid Data Ingestion

  • چرا خطوط لوله داده یکپارچه، هوش مصنوعی را در مقیاس وسیع فعال می‌کند Why Unified Data Pipelines Enable AI at Scale

  • معماری Azure Data Factory برای دریافت داده‌های ترکیبی Azure Data Factory Architecture for Hybrid Ingestion

خطوط لوله داده: مدیریت تغییرات ساختار داده‌ها (Schema Drift) Data Pipelines: Handle Schema Drift

  • الگوهای شناسایی و مدیریت تغییرات ساختار داده (Schema Drift) Schema Drift Detection and Handling Patterns

لاجیک اپس: ساخت گردش‌کارهای تبدیل هشدار به حادثه Logic Apps: Build Alert-to-Incident Workflows

  • چرا ایجاد خودکار حادثه، پاسخ‌دهی را تسریع می‌کند Why Automated Incident Creation Accelerates Response

  • معماری Microsoft Azure Logic Apps برای یکپارچه‌سازی سازمانی Microsoft Azure Logic Apps Architecture for Enterprise Integration

مایکروسافت لاجیک اپس: بهینه‌سازی عملکرد کانکتورها Microsoft Logic Apps: Tune Connector Performance

  • چرا بهینه‌سازی کانکتورها مانع از شکست‌های خاموش می‌شود Why Connector Tuning Prevents Silent Failures

  • الگوهای مانیتورینگ و تلاش مجدد در Microsoft Logic Apps Microsoft Logic Apps Monitoring and Retry Patterns

اتوماسیون و ROI: ساخت مقیاس‌پذیری خودکار مبتنی بر رویداد Automation and ROI: Build Event-Driven Auto-Scaling

  • چرا مقیاس‌پذیری خودکار مبتنی بر صف، بهتر از نظرسنجی‌های زمان‌بندی شده است Why Queue-Aware Autoscaling Beats Coarse Scheduled Polling

  • مقیاس‌پذیری خودکار مبتنی بر صف: رویکردهای KEDA و Functions Queue-Based Autoscaling: KEDA and Functions Approaches

اتوماسیون و ROI: ارزیابی رویکردهای اتوماسیون Automation and ROI: Evaluate Automation Approaches

  • اتوماسیون مدیریت شده در مقابل اتوماسیون سفارشی: مزایا و معایب Managed vs Custom Automation: Trade-Offs

ماژول پروژه: معماری یکپارچه‌سازی امن Project Module: Secure Integration Architecture

نمایش نظرات

آموزش امنیت، یکپارچه‌سازی و اتوماسیون
جزییات دوره
14h 23m
17
(آخرین آپدیت)
2
- 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