🔵 عنوان مقاله
support for multiple databases
🟢 خلاصه مقاله:
در دنیای مدیریت پایگاههای داده، توانایی پشتیبانی از چندین بانک اطلاعاتی مختلف یکی از ویژگیهای حیاتی است که به کاربران این امکان را میدهد تا به شیوهای کارآمدتر و منعطفتر دیتاهای خود را مدیریت کنند. در جدیدترین مقاله منتشر شده در خبرنامه هفتگی PostgreSQL، به اهمیت و چالشهای مرتبط با پشتیبانی همزمان از چندین پایگاه داده اشاره شده است. این قابلیت به تیمهای توسعه و مدیران سیستم کمک میکند تا در مجموعههای بزرگ و پیچیده، بهتر و سریعتر به دادههای مورد نیاز دسترسی پیدا کرده و عملیاتهای مختلف را بدون اختلال انجام دهند. در این مقاله، نکاتی پیرامون نحوه پشتیبانی، مزایا و راهکارهای کنترل این نوع ساختارها بررسی شده است، که میتواند راهنمای ارزشمندی برای توسعهدهندگان و مدیران فنی باشد.
در این مقاله، ابتدا به اهمیت داشتن پشتیبانی قدرتمند از چندین بانک اطلاعاتی اشاره میشود که باعث میشود سیستمهای اطلاعاتی انعطافپذیرتر، مقیاسپذیرتر و کارآمدتر باشند. این قابلیت، به علاوه کاهش نیاز به ساختن سیستمهای جداگانه، هزینههای نگهداری و توسعه را نیز کاهش میدهد و بهبود عملکرد کلی را به همراه دارد. در ادامه، چالشهایی مانند مدیریت تداخل دادهها، امنیت و سازگاری سیستمها بررسی شده است. همچنین، راهکارهای فنی و ابزارهای مختلف برای پیادهسازی و نگهداری این نوع از سیستمها ارائه شده است. در نهایت، مقاله توصیههایی برای توسعهدهندگان و تیمهای فنی ارائه میدهد تا بتوانند بهتر از این قابلیت بهرهمند شوند و سیستمهای مقیاسپذیر و مطمئنی بسازند.
در نهایت، در این مقاله سعی شده است که مفهوم پشتیبانی چند پایگاه داده، با رویکردی عملی و تأکید بر راهکارهای عملی، بهطور کامل و قابل اجرا شرح داده شود. این مطالب میتواند راهنمای ارزشمندی برای کسانی باشد که میخواهند در پروژههای خود، ساختاری پایدار و قدرتمند برای مدیریت دادهها ایجاد کنند و به سمت فناوریهای نوین حرکت کنند.
#پایگاه_داده #PostgreSQL #مدیریت_داده #فناوری
🟣لینک مقاله:
https://github.com/prest/prest/pull/973
➖➖➖➖➖➖➖➖
👑 @Database_Academy
support for multiple databases
🟢 خلاصه مقاله:
در دنیای مدیریت پایگاههای داده، توانایی پشتیبانی از چندین بانک اطلاعاتی مختلف یکی از ویژگیهای حیاتی است که به کاربران این امکان را میدهد تا به شیوهای کارآمدتر و منعطفتر دیتاهای خود را مدیریت کنند. در جدیدترین مقاله منتشر شده در خبرنامه هفتگی PostgreSQL، به اهمیت و چالشهای مرتبط با پشتیبانی همزمان از چندین پایگاه داده اشاره شده است. این قابلیت به تیمهای توسعه و مدیران سیستم کمک میکند تا در مجموعههای بزرگ و پیچیده، بهتر و سریعتر به دادههای مورد نیاز دسترسی پیدا کرده و عملیاتهای مختلف را بدون اختلال انجام دهند. در این مقاله، نکاتی پیرامون نحوه پشتیبانی، مزایا و راهکارهای کنترل این نوع ساختارها بررسی شده است، که میتواند راهنمای ارزشمندی برای توسعهدهندگان و مدیران فنی باشد.
در این مقاله، ابتدا به اهمیت داشتن پشتیبانی قدرتمند از چندین بانک اطلاعاتی اشاره میشود که باعث میشود سیستمهای اطلاعاتی انعطافپذیرتر، مقیاسپذیرتر و کارآمدتر باشند. این قابلیت، به علاوه کاهش نیاز به ساختن سیستمهای جداگانه، هزینههای نگهداری و توسعه را نیز کاهش میدهد و بهبود عملکرد کلی را به همراه دارد. در ادامه، چالشهایی مانند مدیریت تداخل دادهها، امنیت و سازگاری سیستمها بررسی شده است. همچنین، راهکارهای فنی و ابزارهای مختلف برای پیادهسازی و نگهداری این نوع از سیستمها ارائه شده است. در نهایت، مقاله توصیههایی برای توسعهدهندگان و تیمهای فنی ارائه میدهد تا بتوانند بهتر از این قابلیت بهرهمند شوند و سیستمهای مقیاسپذیر و مطمئنی بسازند.
در نهایت، در این مقاله سعی شده است که مفهوم پشتیبانی چند پایگاه داده، با رویکردی عملی و تأکید بر راهکارهای عملی، بهطور کامل و قابل اجرا شرح داده شود. این مطالب میتواند راهنمای ارزشمندی برای کسانی باشد که میخواهند در پروژههای خود، ساختاری پایدار و قدرتمند برای مدیریت دادهها ایجاد کنند و به سمت فناوریهای نوین حرکت کنند.
#پایگاه_داده #PostgreSQL #مدیریت_داده #فناوری
🟣لینک مقاله:
https://github.com/prest/prest/pull/973
➖➖➖➖➖➖➖➖
👑 @Database_Academy
GitHub
feat: add support for multiple DBs by arxdsilva · Pull Request #973 · prest/prest
Closes: #943
Closes: #944
Closes: #945
Closes: #946
Summary by CodeRabbit
New Features
Added multi-database/alias support with multi-cluster mode, including database-aware routing and schema-qua...
Closes: #944
Closes: #945
Closes: #946
Summary by CodeRabbit
New Features
Added multi-database/alias support with multi-cluster mode, including database-aware routing and schema-qua...
🔵 عنوان مقاله
Waiting for Postgres 20: Add Backend-Level Lock Statistics
🟢 خلاصه مقاله:
منتظر نسخه بیستم پستگرس باشید: افزودن آمار قفل در سطح بخش پشتیبانی بانک اطلاعاتی
گرچه هنوز نسخه ۱۹ پستگرس منتشر نشده است، اما هابرت در انتظار نسخه بعدی، یعنی نسخه بیستم است. یکی از ویژگیهای جذاب و کاربردی در این نسخه، افزودن آمارهای مربوط به قفلها در سطح هر بخش پشتیبانی است. این قابلیت جدید قرار است نشان دهد کدام اتصالها در انتظار آزادشدن قفلها گیر کردهاند و مدت زمانی که در انتظار هستند، چقدر است. چنین اطلاعاتی میتواند مدیران بانک اطلاعاتی را در تشخیص و حل مشکلات مربوط به قفلها یاری کند و به بهبود عملکرد سیستم کمک شایانی کند.
در این راستا، توسعهدهندگان و مدیران بانک اطلاعاتی بیصبرانه منتظر این بهروزرسانی هستند تا بتوانند کنترل بهتری بر تراکنشها و دسترسیهای همزمان داشته باشند. این ویژگی جدید باعث میشود محل و دلیل احتمالی وقوع بنبستها و مشکلات قفلها به سرعت شناسایی و رفع شوند، و در نهایت عملکرد پایگاه داده به شکل مطلوبتری ارتقاء یابد.
#پستگرس #آمارقفل #پایگاهداده #ارتقاءسیستم
🟣لینک مقاله:
https://www.depesz.com/2026/07/06/waiting-for-postgresql-20-add-backend-level-lock-statistics/
➖➖➖➖➖➖➖➖
👑 @Database_Academy
Waiting for Postgres 20: Add Backend-Level Lock Statistics
🟢 خلاصه مقاله:
منتظر نسخه بیستم پستگرس باشید: افزودن آمار قفل در سطح بخش پشتیبانی بانک اطلاعاتی
گرچه هنوز نسخه ۱۹ پستگرس منتشر نشده است، اما هابرت در انتظار نسخه بعدی، یعنی نسخه بیستم است. یکی از ویژگیهای جذاب و کاربردی در این نسخه، افزودن آمارهای مربوط به قفلها در سطح هر بخش پشتیبانی است. این قابلیت جدید قرار است نشان دهد کدام اتصالها در انتظار آزادشدن قفلها گیر کردهاند و مدت زمانی که در انتظار هستند، چقدر است. چنین اطلاعاتی میتواند مدیران بانک اطلاعاتی را در تشخیص و حل مشکلات مربوط به قفلها یاری کند و به بهبود عملکرد سیستم کمک شایانی کند.
در این راستا، توسعهدهندگان و مدیران بانک اطلاعاتی بیصبرانه منتظر این بهروزرسانی هستند تا بتوانند کنترل بهتری بر تراکنشها و دسترسیهای همزمان داشته باشند. این ویژگی جدید باعث میشود محل و دلیل احتمالی وقوع بنبستها و مشکلات قفلها به سرعت شناسایی و رفع شوند، و در نهایت عملکرد پایگاه داده به شکل مطلوبتری ارتقاء یابد.
#پستگرس #آمارقفل #پایگاهداده #ارتقاءسیستم
🟣لینک مقاله:
https://www.depesz.com/2026/07/06/waiting-for-postgresql-20-add-backend-level-lock-statistics/
➖➖➖➖➖➖➖➖
👑 @Database_Academy
🔵 عنوان مقاله
Postgres is Enough: How Postgres Can Replace Other Things
🟢 خلاصه مقاله:
در دنیای پایگاه دادههای مدرن، یک موضوع همیشگی و مورد بحث همگان این است که چه تعداد سیستمهای دیگر مثل Redis، Elasticsearch و Kafka میتوانند توسط PostgreSQL جایگزین شوند. این پرسش که تا چه حد PostgreSQL میتواند نقش چندمنظوره و جایگزین مجموعهای از فناوریهای مرتبط را ایفا کند، همواره مورد توجه کارشناسان و توسعهدهندگان قرار دارد.
در حقیقت، یکی از دلایل محبوبیت PostgreSQL، قابلیتهای گستردهاش است که از طریق افزونهها و ابزارهای متعددی تقویت شده است. در این مسیر، مجموعهای شامل ۸۹ افزونه و ابزار مختلف جمعآوری شده است که به PostgreSQL کمک میکنند تا جایگزین سیستمهای دیگری پیشرفته و متنوع شود. این افزونهها و ابزارها امکانات زیادی مانند جستجوهای پیشرفته، کشف رویدادها، تحلیلهای پیچیده و مدیریت حجمهای عظیم داده را برای PostgreSQL فراهم میکنند، و آن را به یک راهحل قدرتمند و انعطافپذیر تبدیل کردهاند.
با توسعه و استفاده موثر از این ابزارها، PostgreSQL میتواند به عنوان یک راهحل جامع و جایگزین بسیاری از فناوریهای نوین مورد استفاده قرار گیرد، و نیاز به سیستمهای جداگانه را کاهش دهد و زیرساختهای فناوری اطلاعات را سادهتر و کارآمدتر کند. این مسیر نشان میدهد که PostgreSQL با قابلیتهای توسعهپذیر و اکوسیستم غنیاش، یک گزینه قابل اعتماد و کارآمد برای آینده است.
#پستگرس #پایگاهداده #توسعه_نرمافزار #فناوری
🟣لینک مقاله:
https://postgresisenough.dev/
➖➖➖➖➖➖➖➖
👑 @Database_Academy
Postgres is Enough: How Postgres Can Replace Other Things
🟢 خلاصه مقاله:
در دنیای پایگاه دادههای مدرن، یک موضوع همیشگی و مورد بحث همگان این است که چه تعداد سیستمهای دیگر مثل Redis، Elasticsearch و Kafka میتوانند توسط PostgreSQL جایگزین شوند. این پرسش که تا چه حد PostgreSQL میتواند نقش چندمنظوره و جایگزین مجموعهای از فناوریهای مرتبط را ایفا کند، همواره مورد توجه کارشناسان و توسعهدهندگان قرار دارد.
در حقیقت، یکی از دلایل محبوبیت PostgreSQL، قابلیتهای گستردهاش است که از طریق افزونهها و ابزارهای متعددی تقویت شده است. در این مسیر، مجموعهای شامل ۸۹ افزونه و ابزار مختلف جمعآوری شده است که به PostgreSQL کمک میکنند تا جایگزین سیستمهای دیگری پیشرفته و متنوع شود. این افزونهها و ابزارها امکانات زیادی مانند جستجوهای پیشرفته، کشف رویدادها، تحلیلهای پیچیده و مدیریت حجمهای عظیم داده را برای PostgreSQL فراهم میکنند، و آن را به یک راهحل قدرتمند و انعطافپذیر تبدیل کردهاند.
با توسعه و استفاده موثر از این ابزارها، PostgreSQL میتواند به عنوان یک راهحل جامع و جایگزین بسیاری از فناوریهای نوین مورد استفاده قرار گیرد، و نیاز به سیستمهای جداگانه را کاهش دهد و زیرساختهای فناوری اطلاعات را سادهتر و کارآمدتر کند. این مسیر نشان میدهد که PostgreSQL با قابلیتهای توسعهپذیر و اکوسیستم غنیاش، یک گزینه قابل اعتماد و کارآمد برای آینده است.
#پستگرس #پایگاهداده #توسعه_نرمافزار #فناوری
🟣لینک مقاله:
https://postgresisenough.dev/
➖➖➖➖➖➖➖➖
👑 @Database_Academy
Postgres Is Enough
A curated directory of PostgreSQL extensions and tools. Replace Redis, Elasticsearch, Kafka, and MongoDB with one database you already know.
🔵 عنوان مقاله
pREST 2.0: Serve a RESTful API From a Postgres Database
🟢 خلاصه مقاله:
نسخه ۲.۰ pREST امکان تبدیل پایگاه داده پستگرس به یک رابط برنامهنویسی RESTful را فراهم میکند. این ابزار به توسعهدهندگان اجازه میدهد تا به آسانی و به صورت مستقیم، با استفاده از یک API استاندارد، به دادههای موجود در پایگاه داده دسترسی پیدا کنند و عملیات مختلفی مانند خواندن، نوشتن، و بهروزرسانی را انجام دهند. این فرآیند که پیشتر با ابزارهایی مانند PostgREST امکانپذیر بود، اکنون در نسخه جدید pREST با بهبودهای قابل ملاحظهای ارائه شده است.
نسخه جدید، به جای زبان هاسکل، با زبان برنامهنویسی Go توسعه یافته است. این تغییر سبب شده تا پایداری، کارایی و قابلیت توسعه پذیری این ابزار بهبود یابد و در نتیجه، نصب و راهاندازی آن برای توسعهدهندگان راحتتر باشد. با اصلاحات و بهینهسازیهای صورتگرفته، pREST 2.0 توانسته است نقش مهمی در سریعتر و انعطافپذیرتر کردن تعامل با پایگاههای داده ایفا کند و برای پروژههای مختلف با نیازهای متفاوت، گزینهای ارزشمند محسوب شود.
در نتیجه، این نسخه جدید pREST یک راه حل قدرتمند و کاربرپسند است که میتواند به توسعهدهندگان کمک کند تا بدون نیاز به ایجاد API از ابتدا، به سرعت و با بهرهوری بالا، سرویسهای اینترنتی مبتنی بر دادههای پایگاه داده خود را راهاندازی کنند و مدیریت نمایند.
#عصر_جدید #پایگاه_داده #توسعه_وب #API
🟣لینک مقاله:
https://github.com/prest/prest
➖➖➖➖➖➖➖➖
👑 @Database_Academy
pREST 2.0: Serve a RESTful API From a Postgres Database
🟢 خلاصه مقاله:
نسخه ۲.۰ pREST امکان تبدیل پایگاه داده پستگرس به یک رابط برنامهنویسی RESTful را فراهم میکند. این ابزار به توسعهدهندگان اجازه میدهد تا به آسانی و به صورت مستقیم، با استفاده از یک API استاندارد، به دادههای موجود در پایگاه داده دسترسی پیدا کنند و عملیات مختلفی مانند خواندن، نوشتن، و بهروزرسانی را انجام دهند. این فرآیند که پیشتر با ابزارهایی مانند PostgREST امکانپذیر بود، اکنون در نسخه جدید pREST با بهبودهای قابل ملاحظهای ارائه شده است.
نسخه جدید، به جای زبان هاسکل، با زبان برنامهنویسی Go توسعه یافته است. این تغییر سبب شده تا پایداری، کارایی و قابلیت توسعه پذیری این ابزار بهبود یابد و در نتیجه، نصب و راهاندازی آن برای توسعهدهندگان راحتتر باشد. با اصلاحات و بهینهسازیهای صورتگرفته، pREST 2.0 توانسته است نقش مهمی در سریعتر و انعطافپذیرتر کردن تعامل با پایگاههای داده ایفا کند و برای پروژههای مختلف با نیازهای متفاوت، گزینهای ارزشمند محسوب شود.
در نتیجه، این نسخه جدید pREST یک راه حل قدرتمند و کاربرپسند است که میتواند به توسعهدهندگان کمک کند تا بدون نیاز به ایجاد API از ابتدا، به سرعت و با بهرهوری بالا، سرویسهای اینترنتی مبتنی بر دادههای پایگاه داده خود را راهاندازی کنند و مدیریت نمایند.
#عصر_جدید #پایگاه_داده #توسعه_وب #API
🟣لینک مقاله:
https://github.com/prest/prest
➖➖➖➖➖➖➖➖
👑 @Database_Academy
GitHub
GitHub - prest/prest: PostgreSQL ➕ REST, low-code, simplify and accelerate development, ⚡ instant, realtime, high-performance on…
PostgreSQL ➕ REST, low-code, simplify and accelerate development, ⚡ instant, realtime, high-performance on any Postgres application, existing or new, MCP server - prest/prest
🔵 عنوان مقاله
PL/Ruby 2.5: Ruby as a Procedural Language for Postgres
🟢 خلاصه مقاله:
در نسخه جدید PL/Ruby 2.5، قابلیتهای بینظیری برای توسعهدهندگان فراهم شده است تا بتوانند به راحتی از زبان برنامهنویسی Ruby درون پایگاه داده PostgreSQL بهرهمند شوند. این افزونه به کاربران این امکان را میدهد که توابع، تریگرها و رویدادهای خاص، همچنین پروسیجرهای مختلف را به صورت مستقیم در زبان Ruby بنویسند و اجرا کنند.
با این قابلیت، توسعهدهندگان میتوانند بهراحتی منطق برنامهنویسی پیچیده را در دیتابیس مدیریت کنند و از قدرت و سادگی زبان Ruby در کنار امکانات قدرتمند PostgreSQL بهرهمند شوند. این رویکرد نه تنها کارایی و انعطافپذیری سیستم را افزایش میدهد، بلکه فرآیند توسعه و نگهداری پایگاه دادهها را نیز سادهتر میکند.
در نتیجه، نسخه ۲.۵ PL/Ruby تحولی مهم در مدیریت بانکهای اطلاعاتی است و فرصتهای جدیدی را برای توسعهدهندگان فراهم میآورد تا با زبان محبوب Ruby، سیستمهای پایگاه داده قویتر و کارآمدتری بسازند.
#پایگاه_داده #PostgreSQL #Ruby #برنامه_نویسی
🟣لینک مقاله:
https://github.com/commandprompt/plruby
➖➖➖➖➖➖➖➖
👑 @Database_Academy
PL/Ruby 2.5: Ruby as a Procedural Language for Postgres
🟢 خلاصه مقاله:
در نسخه جدید PL/Ruby 2.5، قابلیتهای بینظیری برای توسعهدهندگان فراهم شده است تا بتوانند به راحتی از زبان برنامهنویسی Ruby درون پایگاه داده PostgreSQL بهرهمند شوند. این افزونه به کاربران این امکان را میدهد که توابع، تریگرها و رویدادهای خاص، همچنین پروسیجرهای مختلف را به صورت مستقیم در زبان Ruby بنویسند و اجرا کنند.
با این قابلیت، توسعهدهندگان میتوانند بهراحتی منطق برنامهنویسی پیچیده را در دیتابیس مدیریت کنند و از قدرت و سادگی زبان Ruby در کنار امکانات قدرتمند PostgreSQL بهرهمند شوند. این رویکرد نه تنها کارایی و انعطافپذیری سیستم را افزایش میدهد، بلکه فرآیند توسعه و نگهداری پایگاه دادهها را نیز سادهتر میکند.
در نتیجه، نسخه ۲.۵ PL/Ruby تحولی مهم در مدیریت بانکهای اطلاعاتی است و فرصتهای جدیدی را برای توسعهدهندگان فراهم میآورد تا با زبان محبوب Ruby، سیستمهای پایگاه داده قویتر و کارآمدتری بسازند.
#پایگاه_داده #PostgreSQL #Ruby #برنامه_نویسی
🟣لینک مقاله:
https://github.com/commandprompt/plruby
➖➖➖➖➖➖➖➖
👑 @Database_Academy
GitHub
GitHub - commandprompt/plruby: PL/Ruby: Ruby as a procedural language for PostgreSQL (functions, triggers, SPI; PG 11-18)
PL/Ruby: Ruby as a procedural language for PostgreSQL (functions, triggers, SPI; PG 11-18) - commandprompt/plruby
🔵 عنوان مقاله
Why PgDog Built Yet Another Postgres Connection Pooler
🟢 خلاصه مقاله:
چرا PgDog دوباره یک مجموعه ارتباط (Connection Pooler) برای پایگاهداده Postgres ساخته است؟ هدف اصلی این توسعه، کاهش محدودیتها و تداخلهای کاربر در فرآیند مدیریت اتصالات است تا تجربهای بیوقفه و بدون مشکل فراهم کند. یکی از تفاوتهای مهم این مجموعه، نسبت به ابزارهایی مانند PgBouncer، در نگه داشتن کارکردهای خاصی مانند فرمانهای SET و سیستم اطلاعرسانی LISTEN/NOTIFY در حالت تراکنش است. این قابلیت به کاربران اجازه میدهد تا در حین انجام تراکنشها، همچنان از این امکانات استفاده کنند، که این امر بطور قابل توجهی انعطافپذیری و کارایی سیستم را افزایش میدهد.
در نتیجه، PgDog با طراحی هوشمندانه و تمرکز بر نیازهای عملیاتی کاربران، نه تنها از محدودیتهای معمول در مجموعههای ارتباطی میکاهد، بلکه تجربه کاربری بهتری را نیز فراهم میآورد و به توسعهدهندگان امکان میدهد بدون نگرانی از اختلال در عملیاتهای مربوط به اتصالات پایگاهداده، بهتر تمرکز کنند.
#پایگاهداده #Postgres #ارتباط #توسعه
🟣لینک مقاله:
https://pgdog.dev/blog/why-yet-another-connection-pooler
➖➖➖➖➖➖➖➖
👑 @Database_Academy
Why PgDog Built Yet Another Postgres Connection Pooler
🟢 خلاصه مقاله:
چرا PgDog دوباره یک مجموعه ارتباط (Connection Pooler) برای پایگاهداده Postgres ساخته است؟ هدف اصلی این توسعه، کاهش محدودیتها و تداخلهای کاربر در فرآیند مدیریت اتصالات است تا تجربهای بیوقفه و بدون مشکل فراهم کند. یکی از تفاوتهای مهم این مجموعه، نسبت به ابزارهایی مانند PgBouncer، در نگه داشتن کارکردهای خاصی مانند فرمانهای SET و سیستم اطلاعرسانی LISTEN/NOTIFY در حالت تراکنش است. این قابلیت به کاربران اجازه میدهد تا در حین انجام تراکنشها، همچنان از این امکانات استفاده کنند، که این امر بطور قابل توجهی انعطافپذیری و کارایی سیستم را افزایش میدهد.
در نتیجه، PgDog با طراحی هوشمندانه و تمرکز بر نیازهای عملیاتی کاربران، نه تنها از محدودیتهای معمول در مجموعههای ارتباطی میکاهد، بلکه تجربه کاربری بهتری را نیز فراهم میآورد و به توسعهدهندگان امکان میدهد بدون نگرانی از اختلال در عملیاتهای مربوط به اتصالات پایگاهداده، بهتر تمرکز کنند.
#پایگاهداده #Postgres #ارتباط #توسعه
🟣لینک مقاله:
https://pgdog.dev/blog/why-yet-another-connection-pooler
➖➖➖➖➖➖➖➖
👑 @Database_Academy
PgDog
Why we built yet another Postgres connection pooler - PgDog
PgDog is a connection pooler, load balancer, and sharding proxy for PostgreSQL. Scale Postgres horizontally without rewriting your application.
🔵 عنوان مقاله
pglayers: Postgres Extensions as Docker Layers
🟢 خلاصه مقاله:
در دنیای پایگاههای داده، افزونهها نقش کلیدی در افزایش قابلیتها و انعطافپذیری سیستمها ایفا میکنند. اما استفاده و مدیریت این افزونهها در تصویرهای داکر رسمی پستگرس ممکن است چالشبرانگیز باشد، به خصوص زمانی که نیاز به افزودن تعداد زیادی افزونه دارید. در این وضعیت، روند افزودن افزونهها به صورت جداگانه و به صورت دستی میتواند زمانبر و پیچیده باشد و ممکن است مشکلات سازگاری و بهروزرسانی را ایجاد کند.
برای حل این مشکل، پروژهای به نام "pglayers" طراحی شده است تا فرآیند افزودن افزونهها را در محیطهای داکر سادهتر و کارآمدتر کند. این ابزار با لایهگذاری افزونهها روی تصویر رسمی پستگرس، امکان افزودن سریع و آسان افزونههای مورد نیاز را فراهم میکند. به این ترتیب، توسعهدهندگان و مدیران سیستم میتوانند بدون دردسر، محیطهای پایگاه دادهای خود را به سادگی سفارشیکنند و در عین حال از سازگاری و امنیت سیستم مطمئن باشند.
در مجموع، pglayers ابزاری مفید برای کسانی است که قصد دارند از قابلیتهای پیشرفتهتر پستگرس در محیط داکر بهرهمند شوند و فرآیند توسعه و استقرار سیستمهای پایگاه دادهای خود را بهینهتر کنند.
#پستگرس #داکر #افزونهها #پایگاهداده
🟣لینک مقاله:
https://pglayers.github.io/
➖➖➖➖➖➖➖➖
👑 @Database_Academy
pglayers: Postgres Extensions as Docker Layers
🟢 خلاصه مقاله:
در دنیای پایگاههای داده، افزونهها نقش کلیدی در افزایش قابلیتها و انعطافپذیری سیستمها ایفا میکنند. اما استفاده و مدیریت این افزونهها در تصویرهای داکر رسمی پستگرس ممکن است چالشبرانگیز باشد، به خصوص زمانی که نیاز به افزودن تعداد زیادی افزونه دارید. در این وضعیت، روند افزودن افزونهها به صورت جداگانه و به صورت دستی میتواند زمانبر و پیچیده باشد و ممکن است مشکلات سازگاری و بهروزرسانی را ایجاد کند.
برای حل این مشکل، پروژهای به نام "pglayers" طراحی شده است تا فرآیند افزودن افزونهها را در محیطهای داکر سادهتر و کارآمدتر کند. این ابزار با لایهگذاری افزونهها روی تصویر رسمی پستگرس، امکان افزودن سریع و آسان افزونههای مورد نیاز را فراهم میکند. به این ترتیب، توسعهدهندگان و مدیران سیستم میتوانند بدون دردسر، محیطهای پایگاه دادهای خود را به سادگی سفارشیکنند و در عین حال از سازگاری و امنیت سیستم مطمئن باشند.
در مجموع، pglayers ابزاری مفید برای کسانی است که قصد دارند از قابلیتهای پیشرفتهتر پستگرس در محیط داکر بهرهمند شوند و فرآیند توسعه و استقرار سیستمهای پایگاه دادهای خود را بهینهتر کنند.
#پستگرس #داکر #افزونهها #پایگاهداده
🟣لینک مقاله:
https://pglayers.github.io/
➖➖➖➖➖➖➖➖
👑 @Database_Academy
pglayers.github.io
pglayers - PostgreSQL Extensions as Docker Layers
Pre-built PostgreSQL extensions as stackable Docker layers. Compose what you need on top of official images, no compilation.
🔵 عنوان مقاله
Tinbase: A Supabase-Compatible Backend in a Single Binary
🟢 خلاصه مقاله:
تلبیس (Tinbase) یک سامانه بکاند سازگار با سرویس Supabase است که در قالب یک باینری واحد و مستقل ارائه میشود. این پروژه به عنوان یک آزمایش طراحی شده است تا توسعهدهندگان بتوانند تجربهای مشابه با محیط توسعه Supabase را به صورت محلی و بدون نیاز به Docker داشته باشند. بر خلاف روشهای مرسوم که بسیاری از این ابزارها نیازمند استفاده از کانتینرهای Docker هستند، تلبیس با بهرهگیری از فناوریهای مبتنی بر JavaScript، همچون PGlite و pg-mem، یک سرور پایگاه داده سبک و قابل اجرا در محیطهای توسعه فردی ارائه میدهد.
این سامانه به نوعی مینیوورک لوکال از پایگاه داده PostgreSQL است که به صورت کامل و دقیق، همان APIهای مورد استفاده در سرویسهای اصلی Supabase را دارد. این موضوع به توسعهدهندگان اجازه میدهد که با همان روال و ابزارهای رایج، برنامههای خود را توسعه و آزمایش کنند، بدون آنکه نیاز باشد زیرساختهای سنگین و پیچیده مانند Docker و Kubernetes را بر روی سیستم خود راهاندازی کنند. در نتیجه، کار با تلبیس بسیار سریع، ساده و کارآمد است و فرآیند توسعه را تسهیل میکند.
به طور خلاصه، تلبیس یک ابزار بسیار مؤثر و سبک است که امکان ایجاد محیطهای توسعه محلی مشابه با سرورهای ابری Supabase را فراهم میآورد، و این کار را تنها با یک فایل باینری و بدون نیاز به سرویسهای خارجی انجام میدهد. این پروژه، گزینهای جذاب برای توسعهدهندگان است که به دنبال صرفهجویی در زمان و منابع و تسهیل فرآیند مبتنی بر APIهای استاندارد هستند.
#پیشرفت_توسعه #پایگاه_داده #برنامهنویسی #توسعه_محلی
🟣لینک مقاله:
https://github.com/tinbase/tinbase
➖➖➖➖➖➖➖➖
👑 @Database_Academy
Tinbase: A Supabase-Compatible Backend in a Single Binary
🟢 خلاصه مقاله:
تلبیس (Tinbase) یک سامانه بکاند سازگار با سرویس Supabase است که در قالب یک باینری واحد و مستقل ارائه میشود. این پروژه به عنوان یک آزمایش طراحی شده است تا توسعهدهندگان بتوانند تجربهای مشابه با محیط توسعه Supabase را به صورت محلی و بدون نیاز به Docker داشته باشند. بر خلاف روشهای مرسوم که بسیاری از این ابزارها نیازمند استفاده از کانتینرهای Docker هستند، تلبیس با بهرهگیری از فناوریهای مبتنی بر JavaScript، همچون PGlite و pg-mem، یک سرور پایگاه داده سبک و قابل اجرا در محیطهای توسعه فردی ارائه میدهد.
این سامانه به نوعی مینیوورک لوکال از پایگاه داده PostgreSQL است که به صورت کامل و دقیق، همان APIهای مورد استفاده در سرویسهای اصلی Supabase را دارد. این موضوع به توسعهدهندگان اجازه میدهد که با همان روال و ابزارهای رایج، برنامههای خود را توسعه و آزمایش کنند، بدون آنکه نیاز باشد زیرساختهای سنگین و پیچیده مانند Docker و Kubernetes را بر روی سیستم خود راهاندازی کنند. در نتیجه، کار با تلبیس بسیار سریع، ساده و کارآمد است و فرآیند توسعه را تسهیل میکند.
به طور خلاصه، تلبیس یک ابزار بسیار مؤثر و سبک است که امکان ایجاد محیطهای توسعه محلی مشابه با سرورهای ابری Supabase را فراهم میآورد، و این کار را تنها با یک فایل باینری و بدون نیاز به سرویسهای خارجی انجام میدهد. این پروژه، گزینهای جذاب برای توسعهدهندگان است که به دنبال صرفهجویی در زمان و منابع و تسهیل فرآیند مبتنی بر APIهای استاندارد هستند.
#پیشرفت_توسعه #پایگاه_داده #برنامهنویسی #توسعه_محلی
🟣لینک مقاله:
https://github.com/tinbase/tinbase
➖➖➖➖➖➖➖➖
👑 @Database_Academy
GitHub
GitHub - tinbase/tinbase: Supabase-compatible backend in a single binary — real Postgres with RLS, no Docker. Works with supabase…
Supabase-compatible backend in a single binary — real Postgres with RLS, no Docker. Works with supabase-js unchanged. - tinbase/tinbase
مدیریت backup از database به صورت Self-hosted با رابط کاربری وب. زمانبندی، پشتیبانگیری و بازیابی MySQL، PostgreSQL، MariaDB، Microsoft SQL Server، MongoDB، SQLite و Redis در S3، SFTP یا فضای local storage. پشتیبانی از تونل SSH.
github.com/David-Crty/databasement
<MehrdadLinux/>
github.com/David-Crty/databasement
<MehrdadLinux/>
GitHub
GitHub - David-Crty/databasement: Self-hosted database backup manager with a web UI. Schedule, backup, and restore MySQL, PostgreSQL…
Self-hosted database backup manager with a web UI. Schedule, backup, and restore MySQL, PostgreSQL, MariaDB, Microsoft SQL Server, MongoDB, SQLite & Redis to S3, SFTP, Samba or local storag...
🔵 عنوان مقاله
How to Achieve Pruning When Querying by Non-Partitioned Columns
🟢 خلاصه مقاله:
وقتی در حال انجام پرسوجو بر روی ستونی غیر از ستونهای تقسیمبندی هستید، موضوع بهینهسازی عملکرد و کاهش زمان پاسخدهی اهمیت زیادی دارد. در مواردی که ستون غیرتقسیمبندی با کلید تقسیمبندی ارتباط نزدیکی دارد، ممکن است بتوانید از تکنیکهایی استفاده کنید تا خروجیهای سریعتری دریافت کنید و سیستم را بهتر توسعه دهید. این فرآیند «پران کردن» (pruning) در واقع به معنای محدود کردن بخشهای درگیر در فرضیههای پرسوجو است، که باعث کاهش حجم دادههای پردازش شده میشود.
برای یافتن بهترین روش در این زمینه، ابتدا باید درک کنید که چگونه ارتباط بین ستونهای غیرتقسیمبندی و کلیدهای تقسیمبندی به عملکرد پرسوجو کمک میکند. اگر رابطه قوی وجود داشته باشد، میتوانید با استفاده از استراتژیهایی مانند ایجاد اندیسهای مناسب یا بهرهگیری از قابلیتهای خاص سیستم مدیریت پایگاه داده، به طور مؤثری بخشهای بیارتباط را حذف کنید. این امر منجر به کاسته شدن زمان پاسخ و افزایش سرعت اجرای پرسوجو میشود، بهخصوص در جداول بزرگ.
در کل، بهرهگیری از این تکنیکهای پارامتریک و هوشمندانه در طراحی پایگاه داده باعث میشود که کار شما در بازیابی اطلاعات سریعتر و موثرتر باشد. بنابراین، رعایت بهترین شیوهها و آشنایی با امکانات سیستمهای مدیریت پایگاه داده، کلید موفقیت در حذف قسمتهای بیارتباط و رسیدن به نتایج سریع است.
برای بهبود کارایی فرآیند پرسوجو، نیاز است تا استراتژیهای مورداستفاده را بر اساس ویژگیهای خاص دادهها و نیازهای عملیاتی تنظیم کنید. با این رویکرد، قادر خواهید بود علاوه بر حفظ صحت نتایج، زمان اجرای پرسوجو را نیز به شدت کاهش دهید و عملکرد سیستم خود را ارتقاء بخشید.
#پایگاه_داده #پرسوجو #بهینهسازی #پولن
🟣لینک مقاله:
https://hakibenita.com/postgresql-partition-pruning
➖➖➖➖➖➖➖➖
👑 @Database_Academy
How to Achieve Pruning When Querying by Non-Partitioned Columns
🟢 خلاصه مقاله:
وقتی در حال انجام پرسوجو بر روی ستونی غیر از ستونهای تقسیمبندی هستید، موضوع بهینهسازی عملکرد و کاهش زمان پاسخدهی اهمیت زیادی دارد. در مواردی که ستون غیرتقسیمبندی با کلید تقسیمبندی ارتباط نزدیکی دارد، ممکن است بتوانید از تکنیکهایی استفاده کنید تا خروجیهای سریعتری دریافت کنید و سیستم را بهتر توسعه دهید. این فرآیند «پران کردن» (pruning) در واقع به معنای محدود کردن بخشهای درگیر در فرضیههای پرسوجو است، که باعث کاهش حجم دادههای پردازش شده میشود.
برای یافتن بهترین روش در این زمینه، ابتدا باید درک کنید که چگونه ارتباط بین ستونهای غیرتقسیمبندی و کلیدهای تقسیمبندی به عملکرد پرسوجو کمک میکند. اگر رابطه قوی وجود داشته باشد، میتوانید با استفاده از استراتژیهایی مانند ایجاد اندیسهای مناسب یا بهرهگیری از قابلیتهای خاص سیستم مدیریت پایگاه داده، به طور مؤثری بخشهای بیارتباط را حذف کنید. این امر منجر به کاسته شدن زمان پاسخ و افزایش سرعت اجرای پرسوجو میشود، بهخصوص در جداول بزرگ.
در کل، بهرهگیری از این تکنیکهای پارامتریک و هوشمندانه در طراحی پایگاه داده باعث میشود که کار شما در بازیابی اطلاعات سریعتر و موثرتر باشد. بنابراین، رعایت بهترین شیوهها و آشنایی با امکانات سیستمهای مدیریت پایگاه داده، کلید موفقیت در حذف قسمتهای بیارتباط و رسیدن به نتایج سریع است.
برای بهبود کارایی فرآیند پرسوجو، نیاز است تا استراتژیهای مورداستفاده را بر اساس ویژگیهای خاص دادهها و نیازهای عملیاتی تنظیم کنید. با این رویکرد، قادر خواهید بود علاوه بر حفظ صحت نتایج، زمان اجرای پرسوجو را نیز به شدت کاهش دهید و عملکرد سیستم خود را ارتقاء بخشید.
#پایگاه_داده #پرسوجو #بهینهسازی #پولن
🟣لینک مقاله:
https://hakibenita.com/postgresql-partition-pruning
➖➖➖➖➖➖➖➖
👑 @Database_Academy
Hakibenita
How to Achieve Pruning When Querying by Non-Partitioned Columns in PostgreSQL
Under conventional wisdom, pruning can only be achieved when querying by the partition key. However, if your data follows certain patterns, using some clever tricks you can achieve pruning even when filtering by non-partition key columns.
🔵 عنوان مقاله
pg_re2: Fast, RE2-Powered Regular Expressions in Postgres
🟢 خلاصه مقاله:
در دنیای رایانش، کارایی و سرعت اجرای عملیاتهای پیچیده اهمیت ویژهای دارد، مخصوصاً زمانی که صحبت از عبارات منظم یا همان Regular Expressions باشد. شرکت گوگل با توسعه کتابخانه re2، سعی در ارائه یک روش سریع و قابل پیشبینی برای پردازش این عبارات دارد. بر خلاف رویکرد سنتی مبتنی برBacktracking که ممکن است در موارد خاص زمان اجرای غیرقابل پیشبینی و طولانی به دنبال داشته باشد، re2 هدفش ارائه زمان اجرای ثابت و مطمئن است؛ به همین دلیل است که توسعهدهندگان ترجیح میدهند از آن در پروژههای حساس و بزرگ بهرهمند شوند.
در جدیدترین امکانات و بهروزرسانیها، توسعهدهندگان پایگاه دادههای PostgreSQL توانستند از قابلیتهای re2 بهرهمند شوند تا فرآیند جستجوی الگوهای رشتهای در جداول بزرگ، با سرعت و کارایی بیشتری انجام پذیرد. نمونهای از این کاربردها در پروژههای قدرتمند مانند ClickHouse دیده میشود که نحوه استفاده از re2 درونی PostgreSQL را به نمایش میگذارند. این ادغام نه تنها بهبودهای قابل توجهی در سرعت عملیات جستجو و فیلتر کردن دادهها ایجاد میکند، بلکه اطمینان میدهد که عملیاتهای پیچیده با زمانبندی از پیش مشخص و قابل اعتماد اجرا میشوند. در نهایت، این تکنولوژی به توسعهدهندگان و کاربران کمک میکند تا با اطمینان بیشتری دادههای بزرگ و پیچیده را مدیریت و تحلیل کنند، بدون نگرانی از کندی یا ناپایداری در زمان اجرا.
در نتیجه، استفاده از re2 در PostgreSQL نه تنها بهرهوری سیستمی را افزایش میدهد بلکه امکاناتی را برای توسعهدهندگان فراهم میکند تا بتوانند به راحتی و با اطمینان عملیات جستجوی پیچیده و محدودکننده را در پایگاههای داده خود اجرا کنند. این ترکیب قدرتمند، نویدبخش آیندهای پرکاربرد برای سیستمهای پایگاه داده است که در آن سرعت و پیشبینیپذیری همزمان حفظ میشود.
#پایگاه_داده #تکنولوژی_پایگاه_داده #عبارات_منظم #رایانش
🟣لینک مقاله:
https://clickhouse.com/blog/introducing-pg_re2-regex-in-postgres
➖➖➖➖➖➖➖➖
👑 @Database_Academy
pg_re2: Fast, RE2-Powered Regular Expressions in Postgres
🟢 خلاصه مقاله:
در دنیای رایانش، کارایی و سرعت اجرای عملیاتهای پیچیده اهمیت ویژهای دارد، مخصوصاً زمانی که صحبت از عبارات منظم یا همان Regular Expressions باشد. شرکت گوگل با توسعه کتابخانه re2، سعی در ارائه یک روش سریع و قابل پیشبینی برای پردازش این عبارات دارد. بر خلاف رویکرد سنتی مبتنی برBacktracking که ممکن است در موارد خاص زمان اجرای غیرقابل پیشبینی و طولانی به دنبال داشته باشد، re2 هدفش ارائه زمان اجرای ثابت و مطمئن است؛ به همین دلیل است که توسعهدهندگان ترجیح میدهند از آن در پروژههای حساس و بزرگ بهرهمند شوند.
در جدیدترین امکانات و بهروزرسانیها، توسعهدهندگان پایگاه دادههای PostgreSQL توانستند از قابلیتهای re2 بهرهمند شوند تا فرآیند جستجوی الگوهای رشتهای در جداول بزرگ، با سرعت و کارایی بیشتری انجام پذیرد. نمونهای از این کاربردها در پروژههای قدرتمند مانند ClickHouse دیده میشود که نحوه استفاده از re2 درونی PostgreSQL را به نمایش میگذارند. این ادغام نه تنها بهبودهای قابل توجهی در سرعت عملیات جستجو و فیلتر کردن دادهها ایجاد میکند، بلکه اطمینان میدهد که عملیاتهای پیچیده با زمانبندی از پیش مشخص و قابل اعتماد اجرا میشوند. در نهایت، این تکنولوژی به توسعهدهندگان و کاربران کمک میکند تا با اطمینان بیشتری دادههای بزرگ و پیچیده را مدیریت و تحلیل کنند، بدون نگرانی از کندی یا ناپایداری در زمان اجرا.
در نتیجه، استفاده از re2 در PostgreSQL نه تنها بهرهوری سیستمی را افزایش میدهد بلکه امکاناتی را برای توسعهدهندگان فراهم میکند تا بتوانند به راحتی و با اطمینان عملیات جستجوی پیچیده و محدودکننده را در پایگاههای داده خود اجرا کنند. این ترکیب قدرتمند، نویدبخش آیندهای پرکاربرد برای سیستمهای پایگاه داده است که در آن سرعت و پیشبینیپذیری همزمان حفظ میشود.
#پایگاه_داده #تکنولوژی_پایگاه_داده #عبارات_منظم #رایانش
🟣لینک مقاله:
https://clickhouse.com/blog/introducing-pg_re2-regex-in-postgres
➖➖➖➖➖➖➖➖
👑 @Database_Academy
ClickHouse
Introducing pg_re2, fast, RE2-powered regular expressions in Postgres | ClickHouse
Introducing pg_re2, a Postgres extension that brings ClickHouse's fast RE2-powered regular expressions to Postgres, with benchmarks and pg_clickhouse pushdown integration.
🔵 عنوان مقاله
How Expedia Group Builds AI That Lasts at Scale (8 minute read)
🟢 خلاصه مقاله:
شرکت Expedia Group برای توسعه هوش مصنوعی پایدار و مقیاسپذیر، چارچوبی مبتنی بر اصول مشخصی ایجاد کرده است. یکی از مهمترین اصول این است که هر مدلی که تولید میشود باید به نتیجههای قابل اندازهگیری در کسبوکار مرتبط باشد. این رویکرد باعث میشود که توسعه و بهرهبرداری از مدلهای هوش مصنوعی همواره در راستای اهداف تجاری شرکت باشد و اثربخشی آنها قابل ارزیابی و بهبود مداوم باشد. علاوه بر این، تیمهای توسعهدهنده بر پایه زیرساختهای مشترک و استاندارد ساخته شدهاند، نه بر اساس سیستمهای سفارشی و منفرد، که این امر موجب سهولت در مدیریت، ارتقاء و نگهداری فناوری میشود. در نهایت، برای هر مدل، مسئولانی در بخشهای مختلف از جمله کسبوکار، محصول، هوش مصنوعی و عملیات مشخص شدهاند، که این امر تضمین میکند که توسعه و استقرار هوش مصنوعی به صورت هماهنگ و مسئولانه انجام گیرد. این رویکرد جامع و منسجم، به Expedia امکان میدهد هوش مصنوعی را نه تنها در مقیاس بزرگ، بلکه با دوام و پایدار در آزمون زمان توسعه دهد و از مزایای آن در بهبود تجربه مسافران و افزایش کارایی بهره ببرد.
#هوش_مصنوعی #توسعه_پایدار #تکنولوژی #کسبوکار
🟣لینک مقاله:
https://medium.com/expedia-group-tech/how-expedia-group-builds-ai-that-lasts-at-scale-434677770fe9?utm_source=tldrdata
➖➖➖➖➖➖➖➖
👑 @Database_Academy
How Expedia Group Builds AI That Lasts at Scale (8 minute read)
🟢 خلاصه مقاله:
شرکت Expedia Group برای توسعه هوش مصنوعی پایدار و مقیاسپذیر، چارچوبی مبتنی بر اصول مشخصی ایجاد کرده است. یکی از مهمترین اصول این است که هر مدلی که تولید میشود باید به نتیجههای قابل اندازهگیری در کسبوکار مرتبط باشد. این رویکرد باعث میشود که توسعه و بهرهبرداری از مدلهای هوش مصنوعی همواره در راستای اهداف تجاری شرکت باشد و اثربخشی آنها قابل ارزیابی و بهبود مداوم باشد. علاوه بر این، تیمهای توسعهدهنده بر پایه زیرساختهای مشترک و استاندارد ساخته شدهاند، نه بر اساس سیستمهای سفارشی و منفرد، که این امر موجب سهولت در مدیریت، ارتقاء و نگهداری فناوری میشود. در نهایت، برای هر مدل، مسئولانی در بخشهای مختلف از جمله کسبوکار، محصول، هوش مصنوعی و عملیات مشخص شدهاند، که این امر تضمین میکند که توسعه و استقرار هوش مصنوعی به صورت هماهنگ و مسئولانه انجام گیرد. این رویکرد جامع و منسجم، به Expedia امکان میدهد هوش مصنوعی را نه تنها در مقیاس بزرگ، بلکه با دوام و پایدار در آزمون زمان توسعه دهد و از مزایای آن در بهبود تجربه مسافران و افزایش کارایی بهره ببرد.
#هوش_مصنوعی #توسعه_پایدار #تکنولوژی #کسبوکار
🟣لینک مقاله:
https://medium.com/expedia-group-tech/how-expedia-group-builds-ai-that-lasts-at-scale-434677770fe9?utm_source=tldrdata
➖➖➖➖➖➖➖➖
👑 @Database_Academy
Medium
How Expedia Group Builds AI That Lasts at Scale
A framework for how we build, deploy, and evolve AI systems for impact and scale
🔵 عنوان مقاله
pgsavvy: A Vim-Style TUI for Working With Databases
🟢 خلاصه مقاله:
در دنیای مدیریت دادهها و کار با پایگاههای داده، ابزارهای قدرتمند و کاربرپسند نقش بسیار مهمی دارند. یکی از این ابزارها که با هدف تسهیل فرآیند مرور و جستوجوی اطلاعات در پایگاههای داده پستمگراس (Postgres) طراحی شده، برنامهای مبتنی بر رابط کاربری متنی (TUI) است. این برنامه که با زبان برنامهنویسی Go توسعه یافته است، تجربهای مشابه با ویرایشگر متن Vim را در حین کار با دیتابیس فراهم میکند، و کاربران میتوانند از طریق کیبورد و بدون نیاز به رابط گرافیکی، به راحتی به جستوجو و مدیریت دادهها بپردازند.
این برنامه قابلیتهای متنوعی مانند ناوبری سریع و ساده با سبک Vim، تکمیل خودکار کدهای SQL برای صرفهجویی در زمان، و امکان بررسی طرحریزی درختی پرسوجوها (EXPLAIN plans) را فراهم میآورد. با استفاده از این ابزار، کاربران حتی میتوانند مراحل اجرایی هر پرسوجو را به صورت تعاملی بررسی کنند، که در روند بهبود کارایی و رفع مشکلات دیتابیس بسیار مفید است. این امکانات باعث شده است که این برنامه، جایگزینی قدرتمند برای رابطهای کاربری سنتی گرافیکی باشد، مخصوصاً برای توسعهدهندگان و مدیران پایگاه داده که به سرعت و کارایی اهمیت میدهند.
در مجموع، این ابزار با بهرهگیری از طراحی برازنده و امکانات کاربرپسند، راهی سریع و کارآمد برای مدیریت و تحلیل دادهها در محیطهایی مبتنی بر ترمینال فراهم میکند، و توانسته جای خوبی در میان ابزارهای توسعهدهندگان پیدا کند.
#مدیریت_پایگاه_داده #ابزارهای_توسعه #پایگاه_داده #ترمینال
🟣لینک مقاله:
https://github.com/davesavic/pgsavvy
➖➖➖➖➖➖➖➖
👑 @Database_Academy
pgsavvy: A Vim-Style TUI for Working With Databases
🟢 خلاصه مقاله:
در دنیای مدیریت دادهها و کار با پایگاههای داده، ابزارهای قدرتمند و کاربرپسند نقش بسیار مهمی دارند. یکی از این ابزارها که با هدف تسهیل فرآیند مرور و جستوجوی اطلاعات در پایگاههای داده پستمگراس (Postgres) طراحی شده، برنامهای مبتنی بر رابط کاربری متنی (TUI) است. این برنامه که با زبان برنامهنویسی Go توسعه یافته است، تجربهای مشابه با ویرایشگر متن Vim را در حین کار با دیتابیس فراهم میکند، و کاربران میتوانند از طریق کیبورد و بدون نیاز به رابط گرافیکی، به راحتی به جستوجو و مدیریت دادهها بپردازند.
این برنامه قابلیتهای متنوعی مانند ناوبری سریع و ساده با سبک Vim، تکمیل خودکار کدهای SQL برای صرفهجویی در زمان، و امکان بررسی طرحریزی درختی پرسوجوها (EXPLAIN plans) را فراهم میآورد. با استفاده از این ابزار، کاربران حتی میتوانند مراحل اجرایی هر پرسوجو را به صورت تعاملی بررسی کنند، که در روند بهبود کارایی و رفع مشکلات دیتابیس بسیار مفید است. این امکانات باعث شده است که این برنامه، جایگزینی قدرتمند برای رابطهای کاربری سنتی گرافیکی باشد، مخصوصاً برای توسعهدهندگان و مدیران پایگاه داده که به سرعت و کارایی اهمیت میدهند.
در مجموع، این ابزار با بهرهگیری از طراحی برازنده و امکانات کاربرپسند، راهی سریع و کارآمد برای مدیریت و تحلیل دادهها در محیطهایی مبتنی بر ترمینال فراهم میکند، و توانسته جای خوبی در میان ابزارهای توسعهدهندگان پیدا کند.
#مدیریت_پایگاه_داده #ابزارهای_توسعه #پایگاه_داده #ترمینال
🟣لینک مقاله:
https://github.com/davesavic/pgsavvy
➖➖➖➖➖➖➖➖
👑 @Database_Academy
GitHub
GitHub - davesavic/pgsavvy: The lazygit for PostgreSQL. A vim-style terminal UI for browsing, querying, and editing your database…
The lazygit for PostgreSQL. A vim-style terminal UI for browsing, querying, and editing your database without leaving the keyboard. - davesavic/pgsavvy
Forwarded from Linux
لینوس توروالدز، سازنده و مسئول هسته لینوکس، در واکنش به استفاده از هوش مصنوعی برای کدنویسی و چک کردن کدها گفته لینوکس از اون پروژه های ضد هوش مصنوعی نیست و اگر کسی با این قضیه مشکل داره میتونه لینوکس رو فورک کنه یا اینکه بیخیال لینوکس بشه و بره پی کارش!
این قضیه، از استفاده از ابزار هوش مصنوعی Sashiko برای پیدا کردن باگها و مشکلات امنیتی موجود در پچ های لینوکس شروع شد که Laurent Pinchart، یکی از توسعه دهندگان لینوکس، معتقد بود که این ابزار نظراتش رو باید به طور خودکار برای بررسی به توسعه دهندگان لینوکس نفرسته بلکه قبل از اون یک انسان باید اونهارو بررسی کنه و بعد از اینکه مطمئن شد که درست هستن، اونهارو برای بررسی نهایی به توسعه دهندگان لینوکس بفرسته تا اونهارو اصلاح کنن و فشار کاری اونهارو زیاد نکنه.
ولی Roman Gushchin، سازنده این ابزار، معتقده که بررسی هر نظر تولید شده این ابزار توسط یک انسان، کل هدف این ابزار که سریعتر کردن کار توسعه دهندگان لینوکس هست رو زیر سوال میبره و اون رو کند میکنه.
لینوس توروالدز به عنوان تصمیم گیرنده نهایی متن بلند بالایی با لحنی تند در جواب نوشته که حائز اهمیت هست:
میدونم که بعضی از افراد از هوش مصنوعی خوششون نمیاد ولی به عنوان maintainer اصلی پروژه، این یکی از چیزهاییه که من کاملا پاش میاستم و ذره ای ازش کوتاه نمیام.
لینوکس از اون پروژه های ضد هوش مصنوعی نیست و اگر کسی با این قضیه مشکل داره میتونه لینوکس رو فورک کنه یا اینکه بیخیال لینوکس بشه و بره پی کارش.
هوش مصنوعی یک ابزار مثل بقیه ابزارهاست و یک ابزار کاربردی هست. این قضیه ممکنه حتی در یک سال گذشته واضح نبوده باشه ولی کاربردی بودن اون حالا اونقدر واضحه که دیگه جای سوالی باقی نمیمونه.
پیرامون هوش مصنوعی نگرانیها و سوالات زیادی (از جنبه اقتصادی و غیره) وجود داره ولی کاربردی بودن دیگه جزو اون سوالات نیست و هر کسی که در این باره شکی داشته باشه مشخصا از این ابزارها واقعا استفاده نکرده.
بله، این ابزار می تونه تا حدی ازاردهنده هم باشه؛ هم از نظر حجم کاری که روی دوش مسئولان پروژه قرار میده و هم از این زاویه که مدام باگ های خجالت اور پیدا می کنه.
اما راه حل این نیست که سرتون رو داخل خاک قرار بدین و مثل کاری که بعضی افراد انجام میدن، تو سرتون اهنگ بخونین و بگین من صداتو نمیشنوم.
راه حل اینه که مطمئن بشیم این ابزارهای هوش مصنوعی به مسئولان پروژه کمک کنن نه اینکه صرفا برای اونها دردسر و زحمت اضافه به بار بیارن. در این مورد اصلا بحثی وجود نداره.
ما هیچ کسی رو مجبور نمیکنیم که از این ابزارها استفاده کنه و ولی اگر کسی بخواد مخالف استفاده بقیه از اونها بشه، به محکمترین شکل ممکن به اونها بی محلی میکنم و نظراتشون رو نادیده میگیرم.
و نه، هوش مصنوعی کامل و بی نقص نیست. ولی هر کسی که به مشکلات هوش مصنوعی اشاره میکنه، بهتره همزمان یه نگاهی هم به آینه بندازه و خودش رو نشونه بگیره. چون اینجوری هم نیست که هوش طبیعی ما انسانها همیشه تحفه خاصی بوده باشه.
پروژه هسته لینوکس همیشه حول تکنولوژی بوده و خواهد بود. قطعا بعد اجتماعی کار کردن روی پروژه متن باز مهم هست و به افراد انگیزه زیادی برای کار کردن روی پروژه میده اما در نهایت اینها همه مزایای جانبی هستن و هدف اصلی پروژه نیستن.
این پروژه یک نوع پروژه برای مبارزان عدالت اجتماعی نیست، هیچ وقت نبوده و نخواهد بود. ما در جامعه هسته لینوکس به دلایل متعصبانه و ایدئولوژیک روی اون کار نمیکنیم، بلکه به این خاطر روی اون کار میکنیم که در نهایت منجر به تکنولوژی بهتری بشه. بنابراین تصمیمات ما در درجه اول براساس شایستگی و ارزش فنی گرفته میشن و نه از روی ترس از ابزارهای جدید.
🔎 tomshardware
این قضیه، از استفاده از ابزار هوش مصنوعی Sashiko برای پیدا کردن باگها و مشکلات امنیتی موجود در پچ های لینوکس شروع شد که Laurent Pinchart، یکی از توسعه دهندگان لینوکس، معتقد بود که این ابزار نظراتش رو باید به طور خودکار برای بررسی به توسعه دهندگان لینوکس نفرسته بلکه قبل از اون یک انسان باید اونهارو بررسی کنه و بعد از اینکه مطمئن شد که درست هستن، اونهارو برای بررسی نهایی به توسعه دهندگان لینوکس بفرسته تا اونهارو اصلاح کنن و فشار کاری اونهارو زیاد نکنه.
ولی Roman Gushchin، سازنده این ابزار، معتقده که بررسی هر نظر تولید شده این ابزار توسط یک انسان، کل هدف این ابزار که سریعتر کردن کار توسعه دهندگان لینوکس هست رو زیر سوال میبره و اون رو کند میکنه.
لینوس توروالدز به عنوان تصمیم گیرنده نهایی متن بلند بالایی با لحنی تند در جواب نوشته که حائز اهمیت هست:
میدونم که بعضی از افراد از هوش مصنوعی خوششون نمیاد ولی به عنوان maintainer اصلی پروژه، این یکی از چیزهاییه که من کاملا پاش میاستم و ذره ای ازش کوتاه نمیام.
لینوکس از اون پروژه های ضد هوش مصنوعی نیست و اگر کسی با این قضیه مشکل داره میتونه لینوکس رو فورک کنه یا اینکه بیخیال لینوکس بشه و بره پی کارش.
هوش مصنوعی یک ابزار مثل بقیه ابزارهاست و یک ابزار کاربردی هست. این قضیه ممکنه حتی در یک سال گذشته واضح نبوده باشه ولی کاربردی بودن اون حالا اونقدر واضحه که دیگه جای سوالی باقی نمیمونه.
پیرامون هوش مصنوعی نگرانیها و سوالات زیادی (از جنبه اقتصادی و غیره) وجود داره ولی کاربردی بودن دیگه جزو اون سوالات نیست و هر کسی که در این باره شکی داشته باشه مشخصا از این ابزارها واقعا استفاده نکرده.
بله، این ابزار می تونه تا حدی ازاردهنده هم باشه؛ هم از نظر حجم کاری که روی دوش مسئولان پروژه قرار میده و هم از این زاویه که مدام باگ های خجالت اور پیدا می کنه.
اما راه حل این نیست که سرتون رو داخل خاک قرار بدین و مثل کاری که بعضی افراد انجام میدن، تو سرتون اهنگ بخونین و بگین من صداتو نمیشنوم.
راه حل اینه که مطمئن بشیم این ابزارهای هوش مصنوعی به مسئولان پروژه کمک کنن نه اینکه صرفا برای اونها دردسر و زحمت اضافه به بار بیارن. در این مورد اصلا بحثی وجود نداره.
ما هیچ کسی رو مجبور نمیکنیم که از این ابزارها استفاده کنه و ولی اگر کسی بخواد مخالف استفاده بقیه از اونها بشه، به محکمترین شکل ممکن به اونها بی محلی میکنم و نظراتشون رو نادیده میگیرم.
و نه، هوش مصنوعی کامل و بی نقص نیست. ولی هر کسی که به مشکلات هوش مصنوعی اشاره میکنه، بهتره همزمان یه نگاهی هم به آینه بندازه و خودش رو نشونه بگیره. چون اینجوری هم نیست که هوش طبیعی ما انسانها همیشه تحفه خاصی بوده باشه.
پروژه هسته لینوکس همیشه حول تکنولوژی بوده و خواهد بود. قطعا بعد اجتماعی کار کردن روی پروژه متن باز مهم هست و به افراد انگیزه زیادی برای کار کردن روی پروژه میده اما در نهایت اینها همه مزایای جانبی هستن و هدف اصلی پروژه نیستن.
این پروژه یک نوع پروژه برای مبارزان عدالت اجتماعی نیست، هیچ وقت نبوده و نخواهد بود. ما در جامعه هسته لینوکس به دلایل متعصبانه و ایدئولوژیک روی اون کار نمیکنیم، بلکه به این خاطر روی اون کار میکنیم که در نهایت منجر به تکنولوژی بهتری بشه. بنابراین تصمیمات ما در درجه اول براساس شایستگی و ارزش فنی گرفته میشن و نه از روی ترس از ابزارهای جدید.
🔎 tomshardware
❤4
🔵 عنوان مقاله
Scaling Grab's Data Lake: Our journey to Apache Iceberg adoption (7 minute read)
🟢 خلاصه مقاله:
در مسیر توسعه و بهبود زیرساخت دادههای Grab، تیم ما تصمیم گرفت تا جدولهای پارکت Hive در مقیاس پتابایت را به سیستم Apache Iceberg مهاجرت دهد. این انتقال نه تنها سرعت پردازش دادهها را ده برابر افزایش داد، بلکه منجر به کاهش چشمگیر هزینههای روزانه API S3 برای جدولهای عملیاتی شد؛ هزینهها تا ۹۵ درصد کاهش یافت. علاوه بر این، بهرهوری محاسباتی در خطوط پیشبینی ماشینلرنینگ نیز به میزان ۵۰ درصد صرفهجویی داشت، که نشاندهنده تاثیر مثبت این تغییر در کارایی کل سیستم بود.
برای سادهسازی عملیات و افزایش انعطافپذیری، تیم ما یک سیستم سفارشی به نام UnifiedSparkCatalog توسعه داد، که قابلیتهای Iceberg، Delta، Hudi و Hive را در قالب یک رابط واحد و قابل فهم ارائه میدهد. این سیستم با منطق پشتیبانی از حالتهای پشتیبان (fallback) و سازگاری کامل با Hive طراحی شده است، به طوری که تمامی فرآیندهای دادهپژوهی و مدیریت دادهها را آسانتر میکند و از بهرهوری بالایی برخوردار است.
این مسیر نشان داد که با انتخاب فناوریهای مناسب و توسعه راهکارهای یکپارچه، میتوان در مدیریت دادهها در مقیاس بزرگ به نتایج استثنایی دست یافت و فرآیندهای تحلیلی را بهبود بخشید.
#داده #هوش_مصنوعی #پایگاه_داده #توسعه
🟣لینک مقاله:
https://engineering.grab.com/our-journey-to-apache-iceberg-adoption?utm_source=tldrdata
➖➖➖➖➖➖➖➖
👑 @Database_Academy
Scaling Grab's Data Lake: Our journey to Apache Iceberg adoption (7 minute read)
🟢 خلاصه مقاله:
در مسیر توسعه و بهبود زیرساخت دادههای Grab، تیم ما تصمیم گرفت تا جدولهای پارکت Hive در مقیاس پتابایت را به سیستم Apache Iceberg مهاجرت دهد. این انتقال نه تنها سرعت پردازش دادهها را ده برابر افزایش داد، بلکه منجر به کاهش چشمگیر هزینههای روزانه API S3 برای جدولهای عملیاتی شد؛ هزینهها تا ۹۵ درصد کاهش یافت. علاوه بر این، بهرهوری محاسباتی در خطوط پیشبینی ماشینلرنینگ نیز به میزان ۵۰ درصد صرفهجویی داشت، که نشاندهنده تاثیر مثبت این تغییر در کارایی کل سیستم بود.
برای سادهسازی عملیات و افزایش انعطافپذیری، تیم ما یک سیستم سفارشی به نام UnifiedSparkCatalog توسعه داد، که قابلیتهای Iceberg، Delta، Hudi و Hive را در قالب یک رابط واحد و قابل فهم ارائه میدهد. این سیستم با منطق پشتیبانی از حالتهای پشتیبان (fallback) و سازگاری کامل با Hive طراحی شده است، به طوری که تمامی فرآیندهای دادهپژوهی و مدیریت دادهها را آسانتر میکند و از بهرهوری بالایی برخوردار است.
این مسیر نشان داد که با انتخاب فناوریهای مناسب و توسعه راهکارهای یکپارچه، میتوان در مدیریت دادهها در مقیاس بزرگ به نتایج استثنایی دست یافت و فرآیندهای تحلیلی را بهبود بخشید.
#داده #هوش_مصنوعی #پایگاه_داده #توسعه
🟣لینک مقاله:
https://engineering.grab.com/our-journey-to-apache-iceberg-adoption?utm_source=tldrdata
➖➖➖➖➖➖➖➖
👑 @Database_Academy
Grab Tech
Scaling Grab's Data Lake: Our journey to Apache Iceberg adoption
As Grab's Data Lake grew to petabytes, the limitations of Hive Parquet became clear, from catalog latency and small files to manual partition management. This blog shares our journey adopting Apache Iceberg as our default table format: why we chose it, how…
🔵 عنوان مقاله
Cache Layer Architecture: A Practical Guide to Speed & Scale (9 minute read)
🟢 خلاصه مقاله:
در معماری لایه کش، مواجهه با مشکلات در مقیاس بزرگ امری طبیعی است، اما با رعایت استراتژیهای مناسب میتوان این چالشها را مدیریت کرد. یکی از این مشکلات، حملههای سراسری یا همان «استمپید» است که هنگام اتمام اعتبار کلیدهای محبوب رخ میدهد؛ در این وضعیت، تعداد زیادی درخواست همزمان برای همان کلید ارسال میشود که منجر به فشار زیاد بر روی یک نود و کندی در پاسخگویی میگردد. همچنین، کلیدهای پرکار (hot keys) ممکن است باعث بارگذاری زیادی بر روی یک گره خاص شوند، در حالی که دادههای منقضی یا نادرست در نتیجه ریسهای invalidate، میتواند منجر به تکرار درخواستها و ایجاد دادههای قدیمیِ ناایمن شود. علاوه بر این، زمانی که یک مشکل کلی یا انجام نگرفتن بهروزرسانیها باعث خالی شدن کامل کش میشود، این وضعیت به «آوالانچ» یا اوج فشار منجر میگردد، و سیستم پشتصحنه باید با بار کامل و ناگهانی مقابله کند.
برای مقابله با این مشکلات، راهکارهای متعددی توسعه یافته است. مثلاً، استفاده از jitter در استراتژی تعیین مدت زمان TTL (Time To Live) کمک میکند تا درخواستها در زمانهای مختلف به صورت همزمان نرسند، بنابراین فشار روی سرورها کاهش مییابد. همچنین، درخواستها میتواند در هنگام رسیدن به کش همگنسازی شوند، به این معنا که درخواستهای مشابه با هم ادغام شده و به صورت واحد پردازش میشوند، که این کار بهرهوری سیستم را افزایش میدهد. تقسیم کلیدها (key splitting) و بهکارگیری هشینگ ثابت با نودهای مجازی نیز از دیگر روشهای مؤثر هستند که کمک میکنند توزیع یکنواخت درخواستها و دادهها در سراسر گرههای مختلف صورت گیرد، تا از تمرکز بیش از حد بر روی چند نود جلوگیری شود و در نتیجه، سیستم در برابر بارهای ناگهانی مقاومتر باشد.
در نتیجه، با بهکارگیری این استراتژیها، میتوان از تداخل و فشارهای ناخواسته جلوگیری کرد و زیرساختهای کش را در مقیاس بزرگ و پایدار نگه داشت، و در نتیجه سریعتر، قابل اعتمادتر و مقیاسپذیرتر عمل کرد.
#کش #پاسخگویی_سریع #مدیریت_بار #بهینهسازی
🟣لینک مقاله:
https://redis.io/blog/cache-layer-architecture-guide/?utm_source=tldrdata
➖➖➖➖➖➖➖➖
👑 @Database_Academy
Cache Layer Architecture: A Practical Guide to Speed & Scale (9 minute read)
🟢 خلاصه مقاله:
در معماری لایه کش، مواجهه با مشکلات در مقیاس بزرگ امری طبیعی است، اما با رعایت استراتژیهای مناسب میتوان این چالشها را مدیریت کرد. یکی از این مشکلات، حملههای سراسری یا همان «استمپید» است که هنگام اتمام اعتبار کلیدهای محبوب رخ میدهد؛ در این وضعیت، تعداد زیادی درخواست همزمان برای همان کلید ارسال میشود که منجر به فشار زیاد بر روی یک نود و کندی در پاسخگویی میگردد. همچنین، کلیدهای پرکار (hot keys) ممکن است باعث بارگذاری زیادی بر روی یک گره خاص شوند، در حالی که دادههای منقضی یا نادرست در نتیجه ریسهای invalidate، میتواند منجر به تکرار درخواستها و ایجاد دادههای قدیمیِ ناایمن شود. علاوه بر این، زمانی که یک مشکل کلی یا انجام نگرفتن بهروزرسانیها باعث خالی شدن کامل کش میشود، این وضعیت به «آوالانچ» یا اوج فشار منجر میگردد، و سیستم پشتصحنه باید با بار کامل و ناگهانی مقابله کند.
برای مقابله با این مشکلات، راهکارهای متعددی توسعه یافته است. مثلاً، استفاده از jitter در استراتژی تعیین مدت زمان TTL (Time To Live) کمک میکند تا درخواستها در زمانهای مختلف به صورت همزمان نرسند، بنابراین فشار روی سرورها کاهش مییابد. همچنین، درخواستها میتواند در هنگام رسیدن به کش همگنسازی شوند، به این معنا که درخواستهای مشابه با هم ادغام شده و به صورت واحد پردازش میشوند، که این کار بهرهوری سیستم را افزایش میدهد. تقسیم کلیدها (key splitting) و بهکارگیری هشینگ ثابت با نودهای مجازی نیز از دیگر روشهای مؤثر هستند که کمک میکنند توزیع یکنواخت درخواستها و دادهها در سراسر گرههای مختلف صورت گیرد، تا از تمرکز بیش از حد بر روی چند نود جلوگیری شود و در نتیجه، سیستم در برابر بارهای ناگهانی مقاومتر باشد.
در نتیجه، با بهکارگیری این استراتژیها، میتوان از تداخل و فشارهای ناخواسته جلوگیری کرد و زیرساختهای کش را در مقیاس بزرگ و پایدار نگه داشت، و در نتیجه سریعتر، قابل اعتمادتر و مقیاسپذیرتر عمل کرد.
#کش #پاسخگویی_سریع #مدیریت_بار #بهینهسازی
🟣لینک مقاله:
https://redis.io/blog/cache-layer-architecture-guide/?utm_source=tldrdata
➖➖➖➖➖➖➖➖
👑 @Database_Academy
Redis
Cache Layer Architecture: A Practical Guide to Speed & Scale
Learn how cache layers work, where they sit in your architecture, which caching patterns to use, and how to scale across nodes and regions without outages.
🔵 عنوان مقاله
Cloudflare as a Data Platform? (10 minute read)
🟢 خلاصه مقاله:
در ابتدای آزمایشهای اولیه، مشخص شده است که ترکیب R2 و Iceberg میتواند به عنوان یک دریاچه داده سبک و کارآمد عمل کند. این راهکارها به مدیران دادهها امکان میدهد تا دادههای خود را با هزینه کم و کارایی بالا مدیریت کنند، و نقش مهمی در ایجاد یک فضای ذخیرهسازی انعطافپذیر و مقیاسپذیر بازی میکنند. با این حال، در این مرحله هنوز نقطه ضعف اصلی در زمینه سازماندهی و مدیریت روندهای کاری وجود دارد که نیازمند توسعه و بهبود است.
در حال حاضر، هماهنگی و خودکارسازی فرآیندهای کاری، یکی از چالشهای مهم است که باید برطرف شود تا بتوان از این سیستمها به شکل کامل و مؤثر بهرهبرداری کرد. نبود یک سامانه منسجم برای ترتیبدهی و نظارت بر عملیاتهای مختلف، ممکن است باعث کاهش بهرهوری و پیچیدگی در مدیریت دادهها شود. بنابراین، توسعه ابزارها و روشهایی برای اورکستراسیون بهتر، نقش حیاتی در کامل کردن این پلتفرم دادهمحور ایفا میکند.
در مجموع، گرچه آزمایشهای اولیه نویدبخش هستند و نشان میدهند که ترکیب R2 و Iceberg پتانسیل ایجاد یک پلتفرم دادهای سبک و کاربردی را دارد، اما برای رسیدن به یک سیستم کامل و بینقص نیازمند تمرکز بیشتر بر روی بخشهای فرآیندهای کاری و خودکارسازی آنها هستیم. ادامه فعالیت در این مسیر، میتواند آیندهی روشنی برای Cloudflare بهعنوان یک پلتفرم داده نوآورانه رقم بزند.
#داده #پلتفرم_ابری #مدیریت_داده #توسعه_فناوری
🟣لینک مقاله:
https://dataengineeringcentral.substack.com/p/cloudflare-as-a-data-platform?utm_source=tldrdata
➖➖➖➖➖➖➖➖
👑 @Database_Academy
Cloudflare as a Data Platform? (10 minute read)
🟢 خلاصه مقاله:
در ابتدای آزمایشهای اولیه، مشخص شده است که ترکیب R2 و Iceberg میتواند به عنوان یک دریاچه داده سبک و کارآمد عمل کند. این راهکارها به مدیران دادهها امکان میدهد تا دادههای خود را با هزینه کم و کارایی بالا مدیریت کنند، و نقش مهمی در ایجاد یک فضای ذخیرهسازی انعطافپذیر و مقیاسپذیر بازی میکنند. با این حال، در این مرحله هنوز نقطه ضعف اصلی در زمینه سازماندهی و مدیریت روندهای کاری وجود دارد که نیازمند توسعه و بهبود است.
در حال حاضر، هماهنگی و خودکارسازی فرآیندهای کاری، یکی از چالشهای مهم است که باید برطرف شود تا بتوان از این سیستمها به شکل کامل و مؤثر بهرهبرداری کرد. نبود یک سامانه منسجم برای ترتیبدهی و نظارت بر عملیاتهای مختلف، ممکن است باعث کاهش بهرهوری و پیچیدگی در مدیریت دادهها شود. بنابراین، توسعه ابزارها و روشهایی برای اورکستراسیون بهتر، نقش حیاتی در کامل کردن این پلتفرم دادهمحور ایفا میکند.
در مجموع، گرچه آزمایشهای اولیه نویدبخش هستند و نشان میدهند که ترکیب R2 و Iceberg پتانسیل ایجاد یک پلتفرم دادهای سبک و کاربردی را دارد، اما برای رسیدن به یک سیستم کامل و بینقص نیازمند تمرکز بیشتر بر روی بخشهای فرآیندهای کاری و خودکارسازی آنها هستیم. ادامه فعالیت در این مسیر، میتواند آیندهی روشنی برای Cloudflare بهعنوان یک پلتفرم داده نوآورانه رقم بزند.
#داده #پلتفرم_ابری #مدیریت_داده #توسعه_فناوری
🟣لینک مقاله:
https://dataengineeringcentral.substack.com/p/cloudflare-as-a-data-platform?utm_source=tldrdata
➖➖➖➖➖➖➖➖
👑 @Database_Academy
Substack
Cloudflare as a Data Platform?
new kid on the block
🔵 عنوان مقاله
Benchmarking Single Node vs Distributed (5 minute read)
🟢 خلاصه مقاله:
در آزمون عملکرد TPC-H با حجم ۱ ترابایت، زمانی که مشخصات کلی سیستمها همسطح بودند، تفاوت مناطق قابل توجهی مشاهده شد. در این تست، سیستم توزیعشدهی Polars که روی ۳۲ گره قرار داشت، کمی بهتر از یک سرور تکنود m8i.32xlarge عمل کرد؛ اما این برتری تنها در مواردی بود که نوع بار کاری، I/O محور بود. در این نوع کوئریها، شبکهی burst به اوج سرعت ۴۰۰ گیگابیت در ثانیه رسید، در حالی که نود واحد تنها توانایی برقراری ارتباط ماندگار با سرعت ۵۰ گیگابیت در ثانیه داشت. در نتیجه، در این بخش، توان عملیاتی شبکهی بزرگتر باعث شد عملکرد سیستم توزیعشده بهتر باشد.
اما در مقابل، کوئریهایی که رابطههای پیوسته و نیازمند جستوجوهای پیوسته و پیچیده بودند، در سیستم تکنود سریعتر اجرا شدند. این موضوع ناشی از هزینهی بالای جابهجایی دادهها بین گرهها یا همان shuffle بود، بهخصوص زمانی که شبکهی توزیع شده تلاش میکرد این عملیات را مدیریت کند. در چنین مواردی، تکرار عملیات در یک نود واحد، هزینهی مربوط به ارتباط باتری دادهها را کاهش داد و در نتیجه سرعت اجرا بهتر بود.
در مجموع، این نتایج نشان میدهد که انتخاب بین سیستمهای تکنود و توزیعشده باید بر اساس نوع بار کاری و محدودیتهای سختافزاری انجام گیرد، چرا که هر کدام مزایا و معایب خاص خود را دارند.
#پایگاهداده #عملکرد #سیستمهایتوزیعشده #تحلیلپایدار
🟣لینک مقاله:
https://pola.rs/posts/single-node-vs-distributed/?utm_source=tldrdata
➖➖➖➖➖➖➖➖
👑 @Database_Academy
Benchmarking Single Node vs Distributed (5 minute read)
🟢 خلاصه مقاله:
در آزمون عملکرد TPC-H با حجم ۱ ترابایت، زمانی که مشخصات کلی سیستمها همسطح بودند، تفاوت مناطق قابل توجهی مشاهده شد. در این تست، سیستم توزیعشدهی Polars که روی ۳۲ گره قرار داشت، کمی بهتر از یک سرور تکنود m8i.32xlarge عمل کرد؛ اما این برتری تنها در مواردی بود که نوع بار کاری، I/O محور بود. در این نوع کوئریها، شبکهی burst به اوج سرعت ۴۰۰ گیگابیت در ثانیه رسید، در حالی که نود واحد تنها توانایی برقراری ارتباط ماندگار با سرعت ۵۰ گیگابیت در ثانیه داشت. در نتیجه، در این بخش، توان عملیاتی شبکهی بزرگتر باعث شد عملکرد سیستم توزیعشده بهتر باشد.
اما در مقابل، کوئریهایی که رابطههای پیوسته و نیازمند جستوجوهای پیوسته و پیچیده بودند، در سیستم تکنود سریعتر اجرا شدند. این موضوع ناشی از هزینهی بالای جابهجایی دادهها بین گرهها یا همان shuffle بود، بهخصوص زمانی که شبکهی توزیع شده تلاش میکرد این عملیات را مدیریت کند. در چنین مواردی، تکرار عملیات در یک نود واحد، هزینهی مربوط به ارتباط باتری دادهها را کاهش داد و در نتیجه سرعت اجرا بهتر بود.
در مجموع، این نتایج نشان میدهد که انتخاب بین سیستمهای تکنود و توزیعشده باید بر اساس نوع بار کاری و محدودیتهای سختافزاری انجام گیرد، چرا که هر کدام مزایا و معایب خاص خود را دارند.
#پایگاهداده #عملکرد #سیستمهایتوزیعشده #تحلیلپایدار
🟣لینک مقاله:
https://pola.rs/posts/single-node-vs-distributed/?utm_source=tldrdata
➖➖➖➖➖➖➖➖
👑 @Database_Academy
Polars
Benchmarking single node vs distributed
DataFrames for the new era
🔵 عنوان مقاله
plx: Write Stored Functions in PHP, JavaScript, Python, and More
🟢 خلاصه مقاله:
در هفتههای اخیر، توسعهدهندگان پایگاه دادهها شاهد انتشار افزونههای متنوعی بودند که قدرت و قابلیتهای برنامهنویسی را درون ساختارهای پایگاه داده تقویت میکنند. به تازگی، یک افزونه جدید و جذاب عرضه شده است که امکان نوشتن و اجرای توابع ذخیره شده را در زبانهای برنامهنویسی مختلفی مانند PHP، جاوااسکریپت، پایتون، روبی و حتی COBOL فراهم میکند. این ابزار نوآورانه به توسعهدهندگان این امکان را میدهد که کدهای پیچیده و کاربردی را به راحتی در محیط پایگاه داده بنویسند و اجرا کنند، بدون نیاز به مهاجرت به زبانهای برنامهنویسی جداگانه یا استفاده از واسطهای خارجی.
این توسعه، به عنوان یک گام مهم در یکپارچهسازی زبانهای برنامهنویسی مدرن داخل سیستمهای مدیریت پایگاه داده، امکانات جدید و کارآمدی را برای برنامهنویسان فراهم میکند. با این ابزار، نوشتن توابع ذخیره شده در زبانهای مختلف که مورد نیاز پروژههای تخصصی است، بسیار سادهتر و مستقیمتر خواهد شد. این ویژگی به ویژه در پروژههای بزرگ و چندزبانه، که نیازمند هماهنگی و ادغام زبانهای مختلف است، نقش کلیدی ایفا میکند و موجب صرفهجویی در زمان و کاهش خطاهای احتمالی میشود.
در کل، این توسعه نشان میدهد که آینده سیستمهای مدیریت پایگاه داده به سمت انعطافپذیری و قابلیتهای چندزبانه پیش میرود، و توسعهدهندگان اکنون میتوانند با اطمینان بیشتری، کدهای کاربردی خود را مستقیماً درون پایگاه داده اجرا کنند. این قابلیت جدید، یک قدم مؤثر در بهبود کارایی و قابلیت توسعه سیستمهای دادهای است که نیازمند انعطاف و مقیاسپذیری بالا میباشند.
#پایگاه_داده #توسعه_نرمافزار #کد_نویسی #برنامهنویسی
🟣لینک مقاله:
https://github.com/commandprompt/plx
➖➖➖➖➖➖➖➖
👑 @Database_Academy
plx: Write Stored Functions in PHP, JavaScript, Python, and More
🟢 خلاصه مقاله:
در هفتههای اخیر، توسعهدهندگان پایگاه دادهها شاهد انتشار افزونههای متنوعی بودند که قدرت و قابلیتهای برنامهنویسی را درون ساختارهای پایگاه داده تقویت میکنند. به تازگی، یک افزونه جدید و جذاب عرضه شده است که امکان نوشتن و اجرای توابع ذخیره شده را در زبانهای برنامهنویسی مختلفی مانند PHP، جاوااسکریپت، پایتون، روبی و حتی COBOL فراهم میکند. این ابزار نوآورانه به توسعهدهندگان این امکان را میدهد که کدهای پیچیده و کاربردی را به راحتی در محیط پایگاه داده بنویسند و اجرا کنند، بدون نیاز به مهاجرت به زبانهای برنامهنویسی جداگانه یا استفاده از واسطهای خارجی.
این توسعه، به عنوان یک گام مهم در یکپارچهسازی زبانهای برنامهنویسی مدرن داخل سیستمهای مدیریت پایگاه داده، امکانات جدید و کارآمدی را برای برنامهنویسان فراهم میکند. با این ابزار، نوشتن توابع ذخیره شده در زبانهای مختلف که مورد نیاز پروژههای تخصصی است، بسیار سادهتر و مستقیمتر خواهد شد. این ویژگی به ویژه در پروژههای بزرگ و چندزبانه، که نیازمند هماهنگی و ادغام زبانهای مختلف است، نقش کلیدی ایفا میکند و موجب صرفهجویی در زمان و کاهش خطاهای احتمالی میشود.
در کل، این توسعه نشان میدهد که آینده سیستمهای مدیریت پایگاه داده به سمت انعطافپذیری و قابلیتهای چندزبانه پیش میرود، و توسعهدهندگان اکنون میتوانند با اطمینان بیشتری، کدهای کاربردی خود را مستقیماً درون پایگاه داده اجرا کنند. این قابلیت جدید، یک قدم مؤثر در بهبود کارایی و قابلیت توسعه سیستمهای دادهای است که نیازمند انعطاف و مقیاسپذیری بالا میباشند.
#پایگاه_داده #توسعه_نرمافزار #کد_نویسی #برنامهنویسی
🟣لینک مقاله:
https://github.com/commandprompt/plx
➖➖➖➖➖➖➖➖
👑 @Database_Academy
GitHub
GitHub - commandprompt/plx: PostgreSQL extension: write stored functions in Ruby, PHP, JavaScript, or Python dialects that transpile…
PostgreSQL extension: write stored functions in Ruby, PHP, JavaScript, or Python dialects that transpile to plpgsql. - commandprompt/plx
🔵 عنوان مقاله
Nobody Has Cracked Agent Memory (12 minute read)
🟢 خلاصه مقاله:
ساخت حافظه به عنوان یک زنجیرههوشمند نه تنها فرآیندی پیچیده بلکه اهمیت زیادی دارد که نیازمند طراحی هوشمندانه است. در این رویکرد، ابتدا دادهها را در یک انبار داده ذخیره میکنیم تا اطلاعات به صورت منسجم و سازمانیافته نگهداری شوند. سپس با بهرهگیری از فناوریهای مدرن، مانند مدلهای زبانی بزرگ (LLM)، اشیا و عناصر گراف را از این دادهها استخراج میکنیم. این مرحله، نقش حیاتی در شناسایی الگوها و روابط پنهان در اطلاعات دارد. پس از آن، صحت و اعتبار این اشیا را با روشهای معتبر تایید کرده، و در نهایت، با حذف موارد تکراری، دادهها را تمیز مینماییم تا مجموعهای دقیق و قابل اعتماد ایجاد کنیم.
در ادامه، این دادههای تصفیهشده برای پاسخگویی به سؤالات استاندارد و جستوجوی عمیق، از طریق سامانهای به نام MCP، در خدمت کاربران قرار میگیرند. برای این منظور، از پایگاه دادههای MongoDB بهره میگیریم که توانایی جستوجو در متن، بردارها و گرافها را دارا است. اما، برای عملیاتهایی نظیر پیمایش عمیق در ساختارهای گراف یا اجرای منطقهای وابسته به گراف، تنها از پایگاههای داده گراف استفاده میکنیم؛ زیرا این نوع پایگاهها، به ما امکان میدهند تا روابط بسیار پیچیده و عمیق را به آسانی کشف و مدیریت کنیم.
در مجموع، این رویکرد، راهی است برای ساخت حافظهای منسجم و قدرتمند، که میتواند به عنوان یک سیستم شناختی هوشمند در بسترهای مختلف، عمل کرده و به سوالات پیچیده پاسخ دهد، بدون آنکه نیاز به راهحلهای ساده و سطحی باشد. چنین سیستمی، هنوز در مراحل توسعه است و هیچ فرد یا سیستمی تا کنون نتوانسته است به طور کامل آن را شکسته یا انکار کند؛ چرا که فناوری و روشهای کارآمد، همواره در حال پیشرفت است و هر روز امکانات جدیدی به آن افزوده میشود.
#هوش_مصنوعی #ذهن_پژوهی #پایگاهداده_گراف #مدل_زبان_بزرگ
🟣لینک مقاله:
https://www.decodingai.com/p/how-to-implement-a-unified-memory-from-scratch?utm_source=tldrdata
➖➖➖➖➖➖➖➖
👑 @Database_Academy
Nobody Has Cracked Agent Memory (12 minute read)
🟢 خلاصه مقاله:
ساخت حافظه به عنوان یک زنجیرههوشمند نه تنها فرآیندی پیچیده بلکه اهمیت زیادی دارد که نیازمند طراحی هوشمندانه است. در این رویکرد، ابتدا دادهها را در یک انبار داده ذخیره میکنیم تا اطلاعات به صورت منسجم و سازمانیافته نگهداری شوند. سپس با بهرهگیری از فناوریهای مدرن، مانند مدلهای زبانی بزرگ (LLM)، اشیا و عناصر گراف را از این دادهها استخراج میکنیم. این مرحله، نقش حیاتی در شناسایی الگوها و روابط پنهان در اطلاعات دارد. پس از آن، صحت و اعتبار این اشیا را با روشهای معتبر تایید کرده، و در نهایت، با حذف موارد تکراری، دادهها را تمیز مینماییم تا مجموعهای دقیق و قابل اعتماد ایجاد کنیم.
در ادامه، این دادههای تصفیهشده برای پاسخگویی به سؤالات استاندارد و جستوجوی عمیق، از طریق سامانهای به نام MCP، در خدمت کاربران قرار میگیرند. برای این منظور، از پایگاه دادههای MongoDB بهره میگیریم که توانایی جستوجو در متن، بردارها و گرافها را دارا است. اما، برای عملیاتهایی نظیر پیمایش عمیق در ساختارهای گراف یا اجرای منطقهای وابسته به گراف، تنها از پایگاههای داده گراف استفاده میکنیم؛ زیرا این نوع پایگاهها، به ما امکان میدهند تا روابط بسیار پیچیده و عمیق را به آسانی کشف و مدیریت کنیم.
در مجموع، این رویکرد، راهی است برای ساخت حافظهای منسجم و قدرتمند، که میتواند به عنوان یک سیستم شناختی هوشمند در بسترهای مختلف، عمل کرده و به سوالات پیچیده پاسخ دهد، بدون آنکه نیاز به راهحلهای ساده و سطحی باشد. چنین سیستمی، هنوز در مراحل توسعه است و هیچ فرد یا سیستمی تا کنون نتوانسته است به طور کامل آن را شکسته یا انکار کند؛ چرا که فناوری و روشهای کارآمد، همواره در حال پیشرفت است و هر روز امکانات جدیدی به آن افزوده میشود.
#هوش_مصنوعی #ذهن_پژوهی #پایگاهداده_گراف #مدل_زبان_بزرگ
🟣لینک مقاله:
https://www.decodingai.com/p/how-to-implement-a-unified-memory-from-scratch?utm_source=tldrdata
➖➖➖➖➖➖➖➖
👑 @Database_Academy
Decodingai
Agent Memory From Scratch
Ingest, query, and serve a unified memory from a single database.