Database Labdon – Telegram
Database Labdon
833 subscribers
33 photos
3 videos
1 file
817 links
🕸 Database Academy

حمایت مالی:
https://www.coffeete.ir/mrbardia72

ادمین:
@mrbardia72
Download Telegram
🔵 عنوان مقاله
📊 RTABench: A Benchmark For Real Time Analytics

🟢 خلاصه مقاله:
خلاصه‌ی مقاله‌ی معرفی‌شده توسط تیم Timescale، به معرفی یک بنچمارک منبع باز می‌پردازد که با تمرکز بر استعلامات واقعی جهانی، از بسیاری از بنچمارک‌های کلاسیک پایگاه داده متفاوت می‌باشد. این بنچمارک بر آزمایش عملکرد پایگاه‌ها در جداول نرمال‌شده و نماهای مادی‌سازی‌شده پیش‌تجمعی تأکید دارد. هدف از این بنچمارک، فراهم آوردن ابزاری است که توانایی سنجش و مقایسه عملکرد پایگاه‌های داده در سناریوهای کاربردی واقعی را داشته باشد، با این حال که اغلب از پیچیدگی‌ها و محدودیت‌های موجود در مدل‌های تجاری مشابه می‌کاهد. این نوع بنچمارک به ویژه برای آن دسته از سازمان‌ها و افرادی مفید است که به دنبال بهینه‌سازی اثربخشی سیستم‌های داده خود در مقیاب واقعی هستند.

🟣لینک مقاله:
https://postgresweekly.com/link/167655/web


👑 @Database_Academy
🔵 عنوان مقاله
sqldef 1.0: Idempotent Schema Management for Databases

🟢 خلاصه مقاله:
مقاله‌ای که مورد بررسی قرار گرفته، درباره ابزار خط فرمان (CLI) است که با زبان برنامه‌نویسی Go نوشته شده و به منظور مقایسه و تفاوت‌یابی اسکیماهای SQL طراحی شده است. این ابزار همچنین به صورت کتابخانه‌ای با WASM (WebAssembly) عرضه شده تا امکان استفاده از آن در مرورگرها نیز فراهم آید. پشتیبانی از پایگاه‌داده‌های MySQL، PostgreSQL، SQLite، و SQL Server از ویژگی‌های کلیدی این ابزار است. جالب توجه است که این ابزار توسط یکی از اعضای تیم هسته‌ی زبان برنامه‌نویسی Ruby ساخته شده است. ارائه‌ی یک نمونه‌ نمایشی در مقاله به خوانندگان این امکان را می‌دهد که ببینند ابزار چگونه عمل می‌کند و با کاربرد آن بیشتر آشنا شوند. این ابزار برای توسعه‌دهندگان دیتابیس و مدیران سیستم‌های اطلاعاتی کاربردی خواهد بود.

🟣لینک مقاله:
https://postgresweekly.com/link/166543/web


👑 @Database_Academy
🔵 عنوان مقاله
Don’t Let Postgres Maintenance Slip Through the Cracks

🟢 خلاصه مقاله:
مقاله‌ای که شرح داده شده، به بررسی و آموزش تکنیک‌های نگهداری پیشگیرانه در سیستم‌های پایگاه داده می‌پردازد تا به شناسایی و رفع خطرات پنهان که ممکن است عملکرد سیستم را به خطر بیندازند، کمک کند. موضوعات اصلی شامل ردیابی و بهبود سرعت پرس و جوها (queries)، رفتار نقاط بازرسی (checkpoints)، و مسائل مربوط به اتصالات می‌باشند. هدف از این مقاله افزایش آگاهی کاربران برای مدیریت اثربخش‌تر پایگاه‌های داده و جلوگیری از بروز مشکلاتی است که ممکن است در نهایت به مسائل جدی‌تری بدل شوند. این مقاله بر اهمیت پیشگیری و اتخاذ رویکردهای اصولی و عملی تاکید دارد تا کاربران بتوانند پایداری و کارآیی سیستم‌های خود را به طور موثری تامین کنند.

🟣لینک مقاله:
https://postgresweekly.com/link/166810/web


👑 @Database_Academy
🔵 عنوان مقاله
Xata Agent: An 'AI Expert' in Postgres

🟢 خلاصه مقاله:
مقاله‌ای که مورد بررسی قرار گرفته درباره یک عامل منبع باز صحبت می‌کند که برای نظارت بر پایگاه‌های داده طراحی شده است. این عامل قادر است علل اصلی مشکلات را شناسایی کرده و پیشنهاداتی برای رفع و بهبود ارائه دهد. این فناوری هنوز در مراحل ابتدایی خود قرار دارد، اما بررسی رویکردهای مختلف در این زمینه نشان‌دهنده‌ی پتانسیل و جذابیت آن است. اهمیت این تکنولوژی در این است که تحلیل‌گران و مدیران پایگاه داده می‌توانند با استفاده از این عامل، نه تنها به شناسایی سریع‌تر مشکلات و چالش‌ها بپردازند بلکه در جهت بهبود عملکرد سیستم‌های خود قدم‌های موثری بردارند. این ابزار نویدبخش آینده‌ای است که در آن مدیریت داده‌ها هوشمندانه‌تر و کارآمدتر خواهد بود.

🟣لینک مقاله:
https://postgresweekly.com/link/167084/web


👑 @Database_Academy
🔵 عنوان مقاله
Creating Postgres Roles with Passwords Stored in Gopass

🟢 خلاصه مقاله:
مقاله‌ای که مورد بررسی قرار گرفته، درباره Gopass، یک مدیر رمز عبور مبتنی بر CLI (خط فرمان) است که با زبان برنامه‌نویسی Go نوشته شده و برای استفاده تیم‌ها طراحی شده است. Gopass به کاربران امکان می‌دهد تا رمزهای عبور خود را به صورت امن ذخیره و مدیریت کنند. این ابزار امنیت داده‌ها را با استفاده از رمزنگاری قوی تضمین می‌کند و به کاربران اجازه می‌دهد تا رمزهای عبور خود را به راحتی در میان اعضای تیم به اشتراک بگذارند. Gopass همچنین دارای قابلیت‌هایی مانند تولید خودکار رمز عبور، جستجوی پیشرفته در داخل دیتابیس رمزها، و وارد کردن یا صادر کردن رمزهای عبور از/به سایر مدیران رمز عبور است. این ابزار برای بهبود بهره‌وری تیمی و حفظ امنیت اطلاعات در محیط‌های کاری تیمی طراحی شده است. Gopass با تمرکز بر سادگی استفاده و قابلیت اطمینان، به عنوان یک راه‌حل عالی برای مدیریت رمزهای عبور در سازمان‌ها و تیم‌ها مطرح است.


🟣لینک مقاله:
https://postgresweekly.com/link/167376/web


👑 @Database_Academy
1
🔵 عنوان مقاله
Debugging Postgres More Easily

🟢 خلاصه مقاله:
مقاله‌ای که توسط Hans-Jürgen نگاشته شده، به بررسی یک تکنیک جالب در استفاده از ارث‌بری جداول برای اشکال‌زدایی تراکنش‌ها می‌پردازد. در این روش، ارث‌بری جداول به‌کار رفته به گونه‌ای است که می‌توان با استفاده از یک جدول پایه‌ای و تعدادی جداول وابسته، فرآیند تراکنش‌ها را به طور دقیق تحلیل و بررسی کرد. جداول وابسته شامل تمامی داده‌های ورودی و خروجی مرتبط با تراکنش‌ها هستند که فرایند اشکال‌زدایی را به شیوه‌ای هدفمند و واضح تسهیل می‌بخشد. این رویکرد به توسعه‌دهندگان امکان می‌دهد تا مشکلات مربوط به تراکنش‌ها را به طور کارآمد شناسایی و حل نمایند. استفاده از این تکنیک می‌تواند به افزایش کیفیت برنامه‌های نرم‌افزاری کمک کرده و از بروز خطاهای متداول در پردازش‌های مالی جلوگیری کند.

🟣لینک مقاله:
https://postgresweekly.com/link/167657/web


👑 @Database_Academy
🔵 عنوان مقاله
Validating Data Types from Semi-Structured Data Loads

🟢 خلاصه مقاله:
مقاله‌ای که مورد بررسی قرار گرفته، به توضیح ویژگی جدید "pg_input_is_valid" در نسخه 16 و بالاتر PostgreSQL پرداخته است. این تابع، راه سریعی برای تعیین اینکه آیا مقدار داده‌شده قابل تجزیه به نوع مشخص شده است، ارائه می‌دهد. در این مقاله، الیزابت روش‌ استفاده از این تابع را در چندین مورد مختلف بررسی کرده و نشان داده است که چگونه می‌توان از آن برای بررسی‌های اعتبارسنجی استفاده کرد. این ویژگی می‌تواند به توسعه‌دهندگان دیتابیس کمک کند تا به سرعت و دقت بیشتری، داده‌ها را قبل از پردازش یا ذخیره‌سازی تأیید کنند، و در نتیجه کیفیت برنامه‌های کاربردی را افزایش دهند.

🟣لینک مقاله:
https://postgresweekly.com/link/166536/web


👑 @Database_Academy
🔵 عنوان مقاله
 Ways to Cancel Queries in Postgres

🟢 خلاصه مقاله:
مقاله‌ی مورد نظر به بررسی روش‌های مختلف برای متوقف کردن پرس و جوهایی که منابع Postgres را به شدت مصرف می‌کنند می‌پردازد. مطرح می‌کند که چندین روش برای انجام این کار وجود دارد. اگر در پایگاه داده Postgres با موقعیتی مواجه هستید که پرس و جوهای خاصی منابع سیستم را تحت تأثیر قرار می‌دهند و به کارایی کلی سیستم آسیب می‌زنند، توقف دادن به آن‌ها می‌تواند راه حلی اثربخش باشد. این اقدام می‌تواند از طریق دستورات مختلف SQL و ابزارهای مدیریتی خاصی که در Postgres وجود دارند، انجام پذیرد. مقاله بر ضرورت درک این روش‌ها و انتخاب بهینه‌ترین راهکار برای موقعیت‌های مختلف تأکید دارد تا اطمینان حاصل شود که پایگاه داده به شکلی کارآمد و بدون اختلال عمل می‌کند.

🟣لینک مقاله:
https://postgresweekly.com/link/166812/web


👑 @Database_Academy
Forwarded from DevOps Labdon
😐☝️😂

https://news.1rj.ru/str/addlist/KpzXaiSpKENkMGM0
🔵 عنوان مقاله
Life Altering Postgres Patterns

🟢 خلاصه مقاله:
مؤلف در این مقاله ۱۲ نکته و بینش مهم و کاربردی که از تجربیات عمیق خود آموخته است را ارائه می‌دهد. این نکات در زمینه‌های مختلفی همچون استفاده از UUIDها به عنوان کلیدهای اصلی، نام‌گذاری جداول، استفاده از اسکیماها و نماها مطرح شده‌اند. مقاله تأکید دارد که این نکات نه تنها بر اساس نظریات بلکه بر اساس تجارب واقعی و عملی نویسنده بنا نهاده شده‌اند، که این امر می‌تواند به خوانندگان کمک کند تا درک بهتری از اجرا و به کارگیری این توصیه‌ها در پروژه‌های واقعی داشته باشند. مقاله به گونه‌ای نوشته شده است که خوانندگان می‌توانند مستقیماً این نکات را در پروژه‌های خود به کار ببرند و از مشکلات احتمالی پیشگیری نمایند.

🟣لینک مقاله:
https://postgresweekly.com/link/167370/web


👑 @Database_Academy
🔵 عنوان مقاله
Autobase 2.2.0: A Self-Hosted DBaas Platform for Postgres

🟢 خلاصه مقاله:
مقاله‌ای که مورد بحث قرار گرفته درباره یک راه‌حل نرم‌افزاری است که برای مدیریت دیتابیس‌ها در سخت‌افزارهای شخصی طراحی شده است، به منظور ارائه خدمات مشابه به آنچه در RDS یا Cloud SQL یافت می‌شود. این سیستم به طور خودکار نصب و نگهداری دیتابیس‌ها را مدیریت کرده و قابلیت‌هایی چون بالا بودن دسترسی، قابلیت انعطاف‌پذیری در مقیاس و کارآمدی از حیث هزینه را تضمین می‌کند. نسخه 2.2 این نرم‌افزار از قابلیت TLS در تمامی اجزای کلستر پشتیبانی کرده، با معماری ARM سازگار است و قابلیت پشتیبان‌گیری خودکار به Hetzner Object Storage را به خود اضافه کرده است. این تحولات به بهبود امنیت و افزایش گزینه‌های ذخیره‌سازی یاری می‌رسانند و در نتیجه، به کاربران امکان می‌دهد تا از مزایای زیرساخت ابری برخوردار شوند، حتی اگر از سخت‌افزار شخصی استفاده می‌کنند.

🟣لینک مقاله:
https://postgresweekly.com/link/167660/web


👑 @Database_Academy
🔵 عنوان مقاله
2x-40x Faster Docker Builds with Blacksmith

🟢 خلاصه مقاله:
مقاله مورد بحث به ابزاری تحت نام Blacksmith اشاره دارد که با تغییر یک خط کد، فرآیند ساخت Docker را به صورت تدریجی (incremental) امکان‌پذیر می‌سازد. این کار با نصب کش لایه‌های Docker در اجراکننده‌های GitHub Actions انجام می‌پذیرد. استفاده از Blacksmith به این معناست که کابران می‌توانند بهره‌گیری بهتری از ذخیره‌سازی کش داشته باشند، که می‌تواند به کاهش زمان ساخت در محیط‌های CI/CD منجر شود. از جمله شرکت‌هایی که از این ابزار استفاده می‌کنند می‌توان به Ashby، Clerk و Mintlify اشاره نمود که نشان‌دهندهٔ تاثیر و کاربرد گستردهٔ آن در صنعت است. این امکان افزایش کارایی و کاهش زمان برای توسعه‌دهندگان در زمینه‌های مختلف فناوری و نرم‌افزار را به همراه دارد.

🟣لینک مقاله:
https://postgresweekly.com/link/167919/web


👑 @Database_Academy
🔵 عنوان مقاله
pg_auto_failover 2.2: Automated Failover Extension

🟢 خلاصه مقاله:
مقاله‌ای که مورد بررسی قرار گرفته، به معرفی و توضیح یک افزونه و سرویس نظارت و مدیریت بر فرایند فیل‌اوور خودکار برای خوشه‌های پایگاه داده Postgres می‌پردازد. این سرویس اکنون از نسخه 17 Postgres پشتیبانی می‌کند. فیل‌اوور خودکار به معنای توانایی یک سیستم در جابجایی بار کاری از سرورهای اصلی به سرورهای جایگزین در صورت بروز خرابی است. این فرآیند به کاهش زمان خاموشی و حفظ دسترسی ثابت به داده‌ها کمک می‌کند. سرویس مربوطه نظارت دقیق بر عملکرد خوشه‌ها را فراهم می‌آورد و امکان تشخیص زودهنگام مشکلات و اعمال راهکارهای فیل‌اوور را سهولت بخشیده، بدین ترتیب اطمینان می‌دهد که پایگاه داده به طور مداوم در دسترس باقی می‌ماند. پشتیبانی از نسخه جدیدتر Postgres امکان بهره‌برداری از آخرین ویژگی‌ها و امنیت بهبود یافته را فراهم می‌آورد.

🟣لینک مقاله:
https://postgresweekly.com/link/167933/web


👑 @Database_Academy
🔵 عنوان مقاله
🕒 Time to Better Know the Time in Postgres

🟢 خلاصه مقاله:
رادیم در این مقاله به بررسی جامع نوع داده‌های زمانی در پایگاه‌داده‌های PostgreSQL می‌پردازد و به توضیح آن‌ها با استفاده از مثال‌های کاربردی می‌پردازد. این بررسی شامل نحوه کار با مناطق زمانی، فواصل زمانی، و بازه‌های زمانی است. رادیم همچنین به اهمیت دقت در کار با این نوع داده‌ها تأکید دارد و از خطرات اتکا فقط به امید و انتظار برای نتیجه مطلوب بدون درک دقیق مکانیزم‌های زیرین هشدار می‌دهد. مقاله به مخاطبان کمک می‌کند تا با درک بهتر و روش‌های اصولی‌تری در کار با داده‌های زمانی در PostgreSQL به نتایج دقیق‌تر و قابل اعتمادتری دست یابند. این نوشته برای توسعه‌دهندگانی که با PostgreSQL کار می‌کنند و می‌خواهند دانش خود را در زمینه کار با زمان در این سیستم پایگاه داده تقویت کنند، مفید است.

🟣لینک مقاله:
https://postgresweekly.com/link/167920/web


👑 @Database_Academy
🔵 عنوان مقاله
🤖 Postgres Pro: An MCP Server to Let AI Agents Tune and Improve Your Database Usage

🟢 خلاصه مقاله:
مقاله بحث می‌کند در مورد ابزار نوآورانه‌ای که به عنوان یک پل عمل می‌کند بین مدل‌ها و عوامل هوش مصنوعی مدرن و پایگاه داده‌ Postgres از طریق سرور MCP. این سرور امکان دسترسی و تعامل مستقیم عوامل هوش مصنوعی با پایگاه داده Postgres را فراهم می‌کند، به آن‌ها اجازه می‌دهد تا فهرست‌ها را تنظیم کنند، تغییراتی ایجاد نمایند، و دستورات SQL را اجرا کنند. این ابزار می‌تواند به عنوان یک قدم اولیه مهم در بهبود تعامل بین هوش مصنوعی و مدیریت داده در نظر گرفته شود. همچنین، نویسنده بیان می‌کند که نام این ابزار شاید نیاز به تغییر داشته باشد تا از اشتباه شدن با شرکتی که نام مشابهی دارد اجتناب شود. این نشان دهنده پیشرفت‌های در حال ظهور در حوزه تکنولوژی و برقراری ارتباط بین سیستم‌های مختلف است.

🟣لینک مقاله:
https://postgresweekly.com/link/167934/web


👑 @Database_Academy
🔵 عنوان مقاله
📈 Making Postgres Better with OrioleDB

🟢 خلاصه مقاله:
مقاله‌ای که بررسی شده به موضوع OrioleDB، موتور ذخیره‌سازی جایگزینی برای Postgres می‌پردازد که از چارچوب روش دسترسی به جدول برای بهینه‌سازی عملکرد در سخت‌افزارهای مدرن استفاده می‌کند. OrioleDB با هدف افزایش عملکرد در پایگاه‌ داده‌ها و کارایی بیشتر در استفاده از منابع سخت‌افزاری طراحی شده است. برای تعیین میزان بهبودی که OrioleDB می‌تواند ارائه دهد، Brian آزمایش‌هایی انجام داده است. این آزمایشات شامل مقایسه عملکرد OrioleDB با سایر موتورهای ذخیره‌سازی که پیش‌تر با Postgres استفاده می‌شدند، می‌باشد. نتایج بدست آمده نشان می‌دهد که OrioleDB در چندین سناریوی مختلف توانسته است عملکرد قابل توجهی از خود نشان دهد، خصوصاً در محیط‌هایی که استفاده از منابع سخت‌افزاری کارآمد اهمیت دارد.

🟣لینک مقاله:
https://postgresweekly.com/link/167922/web


👑 @Database_Academy
🔵 عنوان مقاله
A Roadmap to Scaling Postgres

🟢 خلاصه مقاله:
در مقاله‌ای که توسط یک متخصص با تجربه در Postgres ارائه شده، روند گام به گامی برای مقیاس‌پذیری در نرم‌افزار Postgres از مرحله اولیه طراحی مدل داده‌ها تا ایجاد شاخص‌ها (indexing)، بهینه‌سازی سخت‌افزار، تنظیمات بهینه و پارتیشن‌بندی (sharding) ارائه شده است. مقاله تاکید دارد که درک درست و اصولی از مدل داده‌ای که استفاده می‌شود، پایه و اساس موفقیت در مقیاس‌پذیری برنامه‌های کاربردی است. شاخص‌ها باید به دقت انتخاب شوند تا کارایی پرس‌و‌جوها و دسترسی‌ها بهینه شود. در کنار این موارد، سخت‌افزار متناسب با نیازهای پردازشی و حافظه برای رسیدن به عملکرد قابل قبول ضروری است. تنظیمات سیستمی و پارامترهای Postgres نیز باید به دقت بررسی و تطبیق یافته تا از منابع به طور مؤثر استفاده شود. نهایتاً، شاردینگ می‌تواند به توزیع بار داده‌ها و کاهش بار روی تک سرور کمک کند که به افزایش کارایی کلی بانک اطلاعاتی می‌انجامد.

🟣لینک مقاله:
https://postgresweekly.com/link/167921/web


👑 @Database_Academy
🔵 عنوان مقاله
Creating Histograms with Postgres

🟢 خلاصه مقاله:
مقاله مورد بحث به بررسی ویژگی "width_bucket" در پایگاه داده Postgres می‌پردازد که به کاربران امکان می‌دهد توزیع داده‌ها را از طریق ساختن هیستوگرام تحلیل و نمایش دهند. این فرایند با گروه‌بندی مقادیر داده‌ها در باکس‌های مختلف و نمایش فرکانس هر باکس انجام می‌شود. در مقاله، نویسنده به نام الیزابت به نمایش نمونه‌هایی از پرس‌وجوهای پیچیده‌ای می‌پردازد که به استفاده مؤثر از این ویژگی کمک می‌کنند. این پرس‌وجوها نه تنها توضیح داده می‌شوند بلکه به شکل گیری درک عمیق‌تر از چگونگی تحلیل توزیع داده‌ها بر اساس فراوانی در باکس‌های مشخص هم کمک می‌کنند. این امکانات تحلیلی در Postgres به پژوهشگران و تحلیلگران داده اجازه می‌دهد تا به شکل مؤثری از داده‌ها بهره‌مند شوند.

🟣لینک مقاله:
https://postgresweekly.com/link/167927/web


👑 @Database_Academy
👍1
🔵 عنوان مقاله
Hacking the Postgres Statistics Tables for Faster Queries

🟢 خلاصه مقاله:
مقاله‌ای که مورد بررسی قرار گرفته به بررسی چگونگی بهبود عملکرد پایگاه داده‌های PostgreSQL از طریق استفاده از آمار گسترده دستی می‌پردازد. در PostgreSQL، آمار داخلی برای برنامه‌ریزی کوئری‌ها و انتخاب شاخص‌ها استفاده می‌شود، اما این فرآیند همیشه بی‌نقص نیست. نویسنده نشان می‌دهد که چگونه افزودن دستی آمار گسترده به PostgreSQL می‌تواند به بهینه‌سازی عملکرد کوئری‌ها کمک کند. به خصوص، نمونه‌های ارائه شده و توضیحات در مقاله تأکید دارد که استفاده از دستور "CREATE STATISTICS" حتی برای یک بار می‌تواند سرعت اجرای یک کوئری را تا ۹۷ برابر افزایش دهد. این افزایش چشمگیر در کارایی از طریق درک بهتر PostgreSQL نسبت به ارتباطات و همبستگی‌های موجود میان داده‌ها امکان‌پذیر می‌شود. با این روش، می‌توان به پایگاه داده کمک کرد تا برنامه‌ریزی بهتری برای کوئری‌ها داشته باشد و به انتخاب بهینه‌ترین شاخص‌ها برسد.

🟣لینک مقاله:
https://postgresweekly.com/link/168399/web


👑 @Database_Academy
👍1
🔵 عنوان مقاله
Fully Managed Postgres with Aiven for PostgreSQL®

🟢 خلاصه مقاله:
مقاله‌ای که ارائه شده، توصیه می‌کند که برای راه‌اندازی یک پایگاه داده مدیریتی Postgres، از خدمات Aiven استفاده کنید تا در زمان‌بندی کمتر از ۱۰ دقیقه، این سیستم را به طور کامل فعال سازید. Aiven به عنوان ابزاری برای «بلند کردن بار سنگین» عملیاتی عنوان می‌شود، زیرا این پلتفرم به کاربران این اجازه را می‌دهد که تمرکز خود را بر روی توسعه کد خود داشته باشند و نه مدیریت دیتابیس. در نتیجه، تیم‌های توسعه می‌توانند بازدهی خود را افزایش دهند و نیازی به صرف زمان برای مدیریت دیتابیس و تنظیمات مرتبط نخواهند داشت. این امر می‌تواند به آن‌ها کمک کند تا بر روی ارتقاء و بهبود فعالیت‌های اصلی کسب و کارشان تمرکز کنند.

🟣لینک مقاله:
https://postgresweekly.com/link/168398/web


👑 @Database_Academy
👍1
🔵 عنوان مقاله
Scaling Certificate Transparency with 100B+ Rows of Data

🟢 خلاصه مقاله:
Merklemap است یک سرویس که داده‌های بینامتنی شفافیت گواهینامه‌ها برای گواهینامه‌های صادر شده TLS را جمع‌آوری می‌کند. این سرویس از پایگاه داده Postgres برای مدیریت حجم عظیمی از داده‌ها استفاده می‌کند؛ این داده‌ها شامل 20 ترابایت فضای ذخیره‌سازی و بیش از 100 میلیارد ردیف می‌باشد. در مقاله، روش‌ها و فناوری‌های کلیدی بکار گرفته شده توسط Merklemap برای بهینه‌سازی و مدیریت این مقدار داده توضیح داده شده است. تأکید ویژه‌ای بر روی چگونگی استفاده از قابلیت‌های مختلف Postgres برای حفظ کارایی و دسترسی سریع به داده‌ها در چنین مقیاس بزرگی شده‌است. این نمونه‌ای بارز از استفاده مؤثر از فناوری پایگاه داده‌ها در مقیاس بزرگ است.

🟣لینک مقاله:
https://postgresweekly.com/link/168405/web


👑 @Database_Academy