آموزش آمازون شفق قطبی: بهترین روشها - آخرین آپدیت

دانلود Amazon Aurora: Best Practices

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: آمازون شفق قطبی یک پایگاه داده رابطه ای است که برای ابر ساخته شده است. در این دوره ، آمازون شفق قطبی: بهترین شیوه ها ، شما می آموزید که ضمن استفاده از وظایف مدیریتی که برای شما مدیریت می شود ، از مقیاس پذیری ، عملکرد بالا ، در دسترس بودن بالا ، دوام و امنیت استفاده کنید. ابتدا ، پیشرفت های معماری را که شفق قطبی را بالاتر از رقابت قرار می دهد ، کشف خواهید کرد. در مرحله بعد ، پیشرفت های ویژگی ای را که این معماری امکان پذیر می کند کشف خواهید کرد ، و همچنین چگونه می توانید خوشه های آمازون شفق قطبی را برای بهبود عملکرد ، کاهش هزینه ها و تحول و نوآوری داده های پرش ، طراحی ، استقرار ، دسترسی ، مانیتور و حفظ خوشه های آمازون شفق قطبی و نگهداری کنید. سرانجام ، شما یاد خواهید گرفت که چگونه از عملکردهای پیشرفته مانند مهاجرت داده ها ، تبدیل طرحواره و تکنیک های عیب یابی استفاده کنید. پس از اتمام این دوره ، مهارت و دانش در مورد آمازون شفق قطبی مورد نیاز برای استفاده از پایگاه داده رابطه ای AWS برای عملکردهای سنتی پایگاه داده رابطه ای خواهید داشت ، و همچنین می دانید که برای یادگیری ماشین و هوش مصنوعی چه می تواند باشد.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

درک معماری شگفت انگیز آمازون شفق Understanding Amazon Aurora's Amazing Architecture

  • آمازون شفق قطبی: یک پایگاه داده رابطه ای که برای ابر ساخته شده است Amazon Aurora: A Relational Database Built for the Cloud

  • سرویس مدیریت شده آمازون شفق و ویژگی های بدون سرور شفق قطبی Amazon Aurora's Managed Service and Aurora Serverless Features

  • پیشرفت های معماری آمازون شفق قطبی Amazon Aurora's Architectural Improvements

  • نگاهی عالی به پایگاه داده و گره ذخیره سازی آمازون شفق قطبی IO An Awesome Look at Amazon Aurora's Database and Storage Node IO

  • قابلیت های اتصال و تعهدات سریع آمازون شفق قطبی Amazon Aurora's Connection Capabilities and Fast COMMITs

  • ذخیره سازی و نمایه سازی ساختار یافته آمازون شفق قطبی Amazon Aurora's Log-structured Storage and Indexing

  • حافظه پنهان زنده مانده آمازون شفق و بازیابی فوری سقوط Amazon Aurora's Survivable Cache and Instant Crash Recovery

  • شغل شما به عنوان معمار راه حل های پایگاه داده Your Job as a Database Solutions Architect

  • آمازون شفق قطار معماری کلیدی Amazon Aurora Key Architectural Takeaways

معرفی بهبود ویژگی های آمازون شفق Introducing Amazon Aurora's Resulting Feature Improvements

  • recap از پیشرفت های معماری آمازون شفق قطبی Recap of Amazon Aurora's Architectural Improvements

  • بهبود عملکرد آمازون شفق قطبی Amazon Aurora's Performance Improvements

  • بهبود مقیاس پذیری آمازون شفق قطبی Amazon Aurora's Scalability Improvements

  • بهبود عملکرد بالا و دوام آمازون شفق قطبی Amazon Aurora's High Performance and Durability Improvements

  • پیشرفت های امنیتی آمازون شفق قطبی Amazon Aurora's Security Improvements

  • آمازون Aurora Key ویژگی های آماده سازی آماده سازی Amazon Aurora Key Feature Improvement Takeaways

ساخت و راه اندازی خوشه های شفق قطبی آمازون Building and Launching Amazon Aurora Clusters

  • نقاط پایانی آمازون شفق قطبی Amazon Aurora Endpoints

  • انواع کلاس آمازون شفق قطبی Amazon Aurora Instance Class Types

  • مقایسه آمازون Aurora MySQL ، PostgreSQL و Serverless Comparing Amazon Aurora MySQL, PostgreSQL, and Serverless

  • نسخه ی نمایشی: ایجاد ، پیکربندی ، راه اندازی و اتصال به خوشه های آمازون شفق قطبی Demo: Creating, Configuring, Launching, and Connecting to Amazon Aurora Clusters

  • نسخه ی نمایشی: کار با خوشه های آمازون شفق قطبی از راه دور Demo: Working with Amazon Aurora Clusters Remotely

  • ایجاد ، پیکربندی و همکاری با خوشه های کلیدی آمازون شفق قطبی Creating, Configuring, and Working with Amazon Aurora Clusters Key Takeaways

مدیریت و نگهداری خوشه های شفق قطبی آمازون Managing and Maintaining Amazon Aurora Clusters

  • شروع و متوقف کردن خوشه های شفق قطبی Starting and Stopping Aurora Clusters

  • نسخه ی نمایشی: اصلاح خوشه ها و نمونه های آمازون شفق قطبی Demo: Modifying Amazon Aurora Clusters and Instances

  • نسخه ی نمایشی: اضافه کردن یک ماکت آمازون شفق قطبی و اضافه کردن یک سیاست خودکار سازی Demo: Adding an Amazon Aurora Read Replica and Adding an AutoScaling Policy

  • اقدامات نمونه آمازون شفق قطبی Amazon Aurora Instance Actions

  • گروه های پارامتر پایگاه داده آمازون شفق قطبی Amazon Aurora Database Parameter Groups

  • مدیریت عملکرد و مقیاس آمازون شفق قطبی Managing Amazon Aurora Performance and Scaling

  • نمایش وضعیت حجم خوشه آمازون شفق قطبی Displaying Amazon Aurora Cluster Volume Status

  • ادغام آمازون شفق قطبی با سایر خدمات AWS Amazon Aurora's Integration with Other AWS Services

  • حفظ خوشه پایگاه داده آمازون شفق قطبی Maintaining an Amazon Aurora Database Cluster

  • مدیریت و نگهداری کلیدی آمازون شفق قطبی Amazon Aurora Key Management and Maintenance Takeaways

امنیت آمازون شفق Securing Amazon Aurora

  • آسیب پذیری های امنیتی پایگاه داده اولیه و راه حل های AWS Primary Database Security Vulnerabilities and AWS' Solutions

  • AWS مدل مسئولیت مشترک و ستون امنیتی چارچوب های معماری خوب AWS AWS Shared Responsibility Model and AWS Well Architected Frameworks Security Pillar

  • مدیریت دسترسی به منابع آمازون شفق قطبی Managing Access to Amazon Aurora Resources

  • محافظت از داده های آمازون شفق قطبی Amazon Aurora Data Protection

  • رمزگذاری آمازون شفق قطبی Amazon Aurora Encryption

  • چگونه آمازون شفق قطبی با IAM کار می کند How Amazon Aurora Works with IAM

  • چرخش اعتبارنامه های آمازون شفق قطبی با استفاده از AWS Secrets Manager Rotating Amazon Aurora Credentials Using AWS Secrets Manager

  • آمازون شفق قطبی امنیتی کلیدی Amazon Aurora Key Security Takeaways

ورود ، نظارت و حسابرسی خوشه های شفق قطبی آمازون Logging, Monitoring, and Auditing Amazon Aurora Clusters

  • معیارهای آمازون شفق قطبی برای تماشای Amazon Aurora Metrics to Watch

  • ابزارهای نظارت برای آمازون شفق قطبی Monitoring Tools for Amazon Aurora

  • نسخه ی نمایشی: نظارت بر آمازون شفق قطبی با Amazon CloudWatch Demo: Monitoring Amazon Aurora with Amazon CloudWatch

  • نظارت بر ورود به پایگاه داده آمازون شفق قطبی با Amazon CloudWatch Monitoring Amazon Aurora Database Logs with Amazon CloudWatch

  • معیارهای آمازون شفق قطبی در کنسول RDS Amazon Aurora Metrics in the RDS Console

  • نظارت بر آمازون شفق قطبی با بینش عملکرد Monitoring Amazon Aurora with Performance Insights

  • توصیه های آمازون شفق قطبی ، نظارت بر فعالیت پایگاه داده و رویدادها Amazon Aurora Recommendations, Database Activity Monitoring, and Events

  • حسابرسی آمازون شفق قطبی Auditing Amazon Aurora

  • ورود به سیستم ، نظارت و حسابرسی کلید ، سیستم های آمازون شفق قطبی Amazon Aurora Key Logging, Monitoring, and Auditing Takeaways

بررسی راهکارهای پشتیبان گیری و بازیابی منحصر به فرد Amazon Aurora Exploring Amazon Aurora's Unique Backup and Restore Strategies

  • پشتیبان گیری و بازگرداندن خوشه آمازون شفق قطبی Backing up and Restoring an Amazon Aurora Cluster

  • پشتیبان گیری های آمازون شفق قطبی ، عکس های فوری و PITR Amazon Aurora Backups, Snapshots, and PITR

  • نسخه ی نمایشی: کار با عکسهای فوری آمازون شفق قطبی Demo: Working with Amazon Aurora Snapshots

  • با استفاده از کلونینگ پایگاه داده آمازون شفق قطبی در مقابل PITR Using Amazon Aurora Database Cloning vs. PITR

  • با استفاده از آمازون Aurora Backtrack در مقابل PITR Using Amazon Aurora Backtrack vs. PITR

  • با استفاده از منطقه متقابل آمازون شفق قطبی ، ماکت ها و پایگاه داده جهانی را برای ترمیم خوانده اید Using Amazon Aurora Cross-region Read Replicas and Global Database for Restoration

  • پشتیبان گیری و بازگرداندن غذای آماده آمازون شفق قطبی Amazon Aurora Key Backup and Restore Takeaways

بررسی استراتژی های انتقال داده آمازون شفق Examining Amazon Aurora Data Migration Strategies

  • مهاجرت داده ها به خوشه آمازون شفق قطبی Data Migration to an Amazon Aurora Cluster

  • مهاجرت به آمازون شفق قطبی Migrating to Amazon Aurora MySQL

  • مهاجرت به آمازون شفق قطبی postgresql Migrating to Amazon Aurora PostgreSQL

  • مهاجرت به آمازون شفق قطبی با استفاده از سرویس مهاجرت پایگاه داده AWS Migrating to Amazon Aurora Using AWS Database Migration Service

  • مهاجرت در مقیاس بزرگ به آمازون شفق قطبی با استفاده از گلوله برفی AWS Large-scale Migrations to Amazon Aurora Using AWS Snowball

  • مهاجرت های ناهمگن با استفاده از ابزار تبدیل طرحواره AWS Heterogeneous Migrations Using AWS Schema Conversion Tool

  • آمازون Aurora Key Key Bays مهاجرت Amazon Aurora Key Data Migration Takeaways

طراحی محیط های آزمایش شفق قطبی آمازون Designing Amazon Aurora Test Environments

  • کلونینگ پایگاه داده آمازون شفق قطبی برای محیط های آزمایشی Amazon Aurora Database Cloning for Test Environments

  • Amazon Aurora Server و AWS DMS محیط های آزمایش Amazon Aurora Serverless and AWS DMS Test Environments

  • بازگرداندن داده ها در محیط های آزمایش Restoring Data in Test Environments

  • با استفاده از نمونه های T3 در محیط های آزمایشی Using T3 Instances in Test Environments

  • آمازون آرورا آزمون تست محیط آماده Amazon Aurora Key Test Environment Takeaways

عیب یابی آمازون شفق Troubleshooting Amazon Aurora

  • عیب یابی آمازون شفق قطبی Troubleshooting Amazon Aurora

  • عیب یابی مسائل اتصال آمازون شفق قطبی Troubleshooting Amazon Aurora Connection Issues

  • عیب یابی مسائل امنیتی آمازون شفق قطبی Troubleshooting Amazon Aurora Security Issues

  • عیب یابی در قطع قطع ، راه اندازی مجدد و تغییر پارامترهای آمازون Troubleshooting Amazon Aurora Outages, Reboots, and Parameter Changes

  • عیب یابی در مورد مسائل خارج از حافظه آمازون شفق قطبی Troubleshooting Amazon Aurora Out-of-Memory Issues

  • عیب یابی در مورد ماکت آمازون شفق قطبی Troubleshooting Amazon Aurora Replica Lag

  • عیب یابی در مورد شکست های ماکت آمازون شفق قطبی Troubleshooting Amazon Aurora Replica Failures

  • عیب یابی خطاهای فضایی دیسک آمازون شفق قطبی Troubleshooting Amazon Aurora Disk Space Errors

  • عیب یابی برنامه ها با استفاده از آمازون شفق قطبی Troubleshooting Applications Using Amazon Aurora

  • آمازون شفق قطبی برای عیب یابی Amazon Aurora Key Troubleshooting Takeaways

شناخت قابلیت های گسترده آمازون شفق Recognizing Amazon Aurora's Extended Capabilities

  • قابلیت های منحصر به فرد آمازون شفق قطبی Amazon Aurora's Unique Capabilities

  • پرس و جو موازی آمازون شفق قطبی: OLTP و OLAP Amazon Aurora Parallel Query: OLTP and OLAP

  • یادگیری ماشین آمازون شفق قطبی Amazon Aurora Machine Learning

  • ادغام آمازون شفق قطبی با سایر خدمات پیشرفته AWS Amazon Aurora Integration with Other AWS State-of-the-art Services

  • آمازون Aurora Key قابلیت های گسترده ای Amazon Aurora Key Extended Capabilities Takeaways

نمایش نظرات

آموزش آمازون شفق قطبی: بهترین روشها
جزییات دوره
4h 0m
83
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
20
4.2 از 5
دارد
دارد
دارد
Kim Schmidt
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Kim Schmidt Kim Schmidt

کیم اشمیت بیش از 12 سال است که در صنعت فناوری با عناوین بسیار گسترده و استفاده از فناوری های بسیار متنوع کار می کند. او دارای بسیاری از گواهینامه ها و جوایز صنعت است. شرکتهایی که کیم در آنها یا با آنها کار کرده است شامل مایکروسافت ، دون و برد استریت ، گوگل ، خدمات وب آمازون و چند شرکت واقعیت افزوده هستند. کیم بنیانگذار و مدیر عامل شرکت DataLeader ، یک شریک و فروشنده AWS است. DataLeader بر معماری Big Data AWS ، Solutions Data ، Advanced Analytics ، AI و ML تمرکز دارد. کیم مقاله های سفید نوشته و پروژه های زیادی برای AWS انجام داده است ، از جمله درگیر سخنرانی در طول سال ، و با بسیاری از فروشندگان نرم افزار مستقل داده و تجزیه و تحلیل در AWS Marketplace قرارداد بسته است. اولین مشارکت کیم در کنفرانس سالانه AWS ، re: Invent ، در سال 2015 در زمینه معماری کلان داده بود. در AWS re: Invent 2017 ، کیم کارگاه های 2 ساعته و 2.5 ساعته ای را با موضوع "معماری جامع داده های بزرگ ساخته شده آسان" ارائه داد. نسخه های نمایشی و تمرین های عملی را می توانید در قالب ویدئو در http://aws-kimschmidt.com/پیدا کنید. کیم اخیراً در یک صفحه تخصصی در Interop ITX https://www.interop.com/در "آینده شغل داده ها: نوآوری ، امنیت ، اتوماسیون و ابر" حضور داشت و همچنین جلسه ای با عنوان "AI/ML Your Apps" ارائه داد & فرآیندهای کسب و کار". کیم روی کتابی تحت عنوان "هوش مصنوعی و تجزیه و تحلیل در مورد AWS" کار کرده است. https://ai-ad Advanced-insights-aws.co/در وب سایت کتاب وی ، می توانید با استفاده از مدل های Amazon SageMaker ، Amazon DynamoDB ، AWS Lambda و ماشین یادگیری ، یک نمونه 100+ صفحه با عنوان "تجزیه و تحلیل پیش بینی بدون سرور" را بارگیری کنید. او در https://awskimschmidt.com/و https://kimschmidtsbrain.com/وبلاگ می نویسد و فیلم های AWS زیادی در کانال YouTube خود ، https://www.youtube.com/c/DataLeader دارد.