آموزش آمازون شفق: بهترین روش ها

Amazon Aurora: Best Practices

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره: آمازون آرورا انقلابی در پایگاه های داده رابطه ای ایجاد کرده است. این دوره به شما همه چیزهایی را که باید در مورد برتری شگفت انگیز آمازون آرورا نسبت به سایر RDBMS و نحوه کار با آن با استفاده از بهترین روش ها بدانید ، آموزش می دهد. Amazon Aurora یک پایگاه داده رابطه ای است که برای ابر ساخته شده است. در این دوره ، Amazon Aurora: Best Practices ، یاد می گیرید که از قابلیت مقیاس پذیری ، عملکرد بالا ، در دسترس بودن بالا ، دوام و امنیت Aurora بهره ببرید ضمن اینکه از وظایف مدیریتی که برای شما مدیریت می شوند استفاده کنید. ابتدا ، شما پیشرفت های معماری را پیدا خواهید کرد که Aurora را بالاتر از رقابت می کند. در مرحله بعدی ، شما به بهبود ویژگی هایی که این معماری امکان پذیر می کند ، و همچنین نحوه طراحی ، استقرار ، دسترسی ، نظارت ، استفاده و نگهداری خوشه های آمازون شفق برای بهبود عملکرد ، کاهش هزینه ها و شروع سریع تغییر شکل داده ها و نوآوری . سرانجام ، شما یاد خواهید گرفت که چگونه از قابلیت های پیشرفته مانند انتقال داده ، تبدیل طرحواره و روش های عیب یابی استفاده کنید. پس از پایان این دوره ، مهارت و دانش آمازون آرورا را برای استفاده از پایگاه داده رابطه ای AWS برای ویژگی های پایگاه داده رابطه ای سنتی و همچنین دانستن آنچه که برای یادگیری ماشین و هوش مصنوعی لازم است ، خواهید داشت.

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

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

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

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

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

  • قابلیت های اتصال Amazon Aurora و Quick CommITs Amazon Aurora's Connection Capabilities and Fast COMMITs

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

  • Survivable Cache و بازیابی سریع خرابی Amazon Amazon Amazon Aurora's Survivable Cache and Instant Crash Recovery

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

  • سفرهای معماری Amazon Aurora Key Amazon Aurora Key Architectural Takeaways

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

  • خلاصه ای از پیشرفت های معماری Amazon Aurora Recap of Amazon Aurora's Architectural Improvements

  • بهبود عملکرد آمازون شفق Amazon Aurora's Performance Improvements

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

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

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

  • غذاهای آماده بهبود ویژگی کلیدی آمازون 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 Amazon Aurora Endpoints

  • انواع کلاس نمونه شفق قطبی آمازون Amazon Aurora Instance Class Types

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

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

  • نسخه ی نمایشی: کار با Cluster های Amazon Aurora از راه دور Demo: Working with Amazon Aurora Clusters Remotely

  • ایجاد ، پیکربندی و کار با Amazon Aurora Clusters Keyaways Key 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 Amazon Aurora Demo: Modifying Amazon Aurora Clusters and Instances

  • نسخه ی نمایشی: افزودن ماکت آمازون شفق قطبی و افزودن خط مشی خودکار Demo: Adding an Amazon Aurora Read Replica and Adding an AutoScaling Policy

  • اقدامات نمونه شفق قطبی آمازون Amazon Aurora Instance Actions

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

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

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

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

  • نگهداری یک خوشه پایگاه داده آمازون شفق Maintaining an Amazon Aurora Database Cluster

  • آماده سازی و نگهداری کلیدهای آمازون شفق 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

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

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

  • Amazon Aurora Data Protection Amazon Aurora Data Protection

  • رمزگذاری شفق قطبی آمازون Amazon Aurora Encryption

  • نحوه کار آمازون شفق با IAM How Amazon Aurora Works with IAM

  • چرخش اعتبار آمازون شفق با استفاده از مدیر اسرار AWS Rotating Amazon Aurora Credentials Using AWS Secrets Manager

  • سفرهای آمازون Aurora Key Security Amazon Aurora Key Security Takeaways

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

  • آمازون شفق قطبی برای تماشای Amazon Aurora Metrics to Watch

  • ابزارهای مانیتورینگ برای Amazon Aurora Monitoring Tools for Amazon Aurora

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

  • نظارت بر گزارش های پایگاه داده آمازون شفق با آمازون CloudWatch Monitoring Amazon Aurora Database Logs with Amazon CloudWatch

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

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

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

  • حسابرسی شفق قطبی آمازون Auditing Amazon Aurora

  • ورود به سیستم ، مانیتورینگ و حسابرسی کلید آمازون شفق 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 بازیابی Cluster Aurora Amazon Backing up and Restoring an Amazon Aurora Cluster

  • پشتیبان گیری Amazon Aurora ، عکسهای فوری و PITR Amazon Aurora Backups, Snapshots, and PITR

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

  • استفاده از شبیه سازی پایگاه داده شفق قطبی آمازون در برابر PITR Using Amazon Aurora Database Cloning vs. PITR

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

  • با استفاده از Amazon Aurora Cross-region Replicas و پایگاه داده جهانی برای بازسازی را بخوانید Using Amazon Aurora Cross-region Read Replicas and Global Database for Restoration

  • Amazon Aurora Key Backup و بازیابی Takeaways 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 شفق قطبی آمازون Data Migration to an Amazon Aurora Cluster

  • مهاجرت به MySQL Amazon Aurora Migrating to Amazon Aurora MySQL

  • مهاجرت به Amazon Aurora PostgreSQL Migrating to Amazon Aurora PostgreSQL

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

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

  • مهاجرتهای ناهمگون با استفاده از ابزار تبدیل طرح AWS Heterogeneous Migrations Using AWS Schema Conversion Tool

  • سایتهای مهاجرت کلیدی داده های آمازون شفق Amazon Aurora Key Data Migration Takeaways

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

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

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

  • بازیابی داده ها در محیط های آزمایشی Restoring Data in Test Environments

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

  • عکسهای آزمایشی کلید آمازون Aurora Key Amazon Aurora Key Test Environment Takeaways

عیب یابی آمازون شفق Troubleshooting Amazon Aurora

  • عیب یابی آمازون شفق Troubleshooting Amazon Aurora

  • عیب یابی مشکلات اتصال Amazon Aurora Troubleshooting Amazon Aurora Connection Issues

  • عیب یابی مشکلات امنیتی Amazon Aurora Troubleshooting Amazon Aurora Security Issues

  • عیب یابی قطعی ها ، راه اندازی مجدد و تغییرات پارامتر آمازون شفق Troubleshooting Amazon Aurora Outages, Reboots, and Parameter Changes

  • عیب یابی مشکلات خارج از حافظه Amazon Aurora Troubleshooting Amazon Aurora Out-of-Memory Issues

  • عیب یابی تأخیر ماکت آمازون شفق Troubleshooting Amazon Aurora Replica Lag

  • عیب یابی مشکلات شکست آمازون شفق Troubleshooting Amazon Aurora Replica Failures

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

  • عیب یابی برنامه های کاربردی با استفاده از Amazon Aurora Troubleshooting Applications Using Amazon Aurora

  • عیب یابی کلید Amazon Amazon Aurora Amazon Aurora Key Troubleshooting Takeaways

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

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

  • پرسش موازی آمازون شفق: OLTP و OLAP Amazon Aurora Parallel Query: OLTP and OLAP

  • آمازون ماشین یادگیری شفق Amazon Aurora Machine Learning

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

  • کلیدهای آمازون کلیدی قابلیت های تمدید آمازون Amazon Aurora Key Extended Capabilities Takeaways

نمایش نظرات

آموزش آمازون شفق: بهترین روش ها
جزییات دوره
4h 0m
83
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
-
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.