🔵 عنوان مقاله
Introducing Microsoft Agent Framework: The Open-Source Engine for Agentic AI Apps (13 minute read)

🟢 خلاصه مقاله:
مایکروسافت نسخه پیش‌نمایشِ متن‌بازِ Microsoft Agent Framework را منتشر کرده که با یکپارچه‌سازی قابلیت‌های Semantic Kernel و AutoGen، توسعه اپلیکیشن‌های عامل‌محور را برای Python و .NET ساده می‌کند. این چارچوب امکان ساخت سریع عامل‌ها را با کمتر از ۲۰ خط کد فراهم می‌کند و الگوهای ارکستراسیون مانند اجرای ترتیبی و همزمان، گفت‌وگوی گروهی و تحویل مسئولیت بین عامل‌ها را با دوام در سطح تولید ارائه می‌دهد. همچنین با Azure AI و Visual Studio Code یکپارچه است و برای نیازهای سازمانی، اتصال‌های MCP و اجزای پلاگ‌گونه جهت گسترش و اتصال به سیستم‌های موجود را فراهم می‌کند. هدف اصلی، یکنواخت‌سازی تجربه‌ی توسعه و تسهیل گذار از نمونه‌سازی سریع به استقرارهای پایدار و مقیاس‌پذیر است.

#Microsoft #AgentFramework #AgenticAI #SemanticKernel #AutoGen #Python #dotnet #AzureAI

🟣لینک مقاله:
https://devblogs.microsoft.com/foundry/introducing-microsoft-agent-framework-the-open-source-engine-for-agentic-ai-apps/?utm_source=tldrdata

➖➖➖➖➖➖➖➖
👑 @Database_Academy

🔵 عنوان مقاله
How I Learned to Use wal_inspect

🟢 خلاصه مقاله:
این نوشته روایت یادگیری کار با pg_walinspect برای خواندن و فهمیدن رفتار write-ahead log در PostgreSQL است. نویسنده نشان می‌دهد چطور می‌توان با کوئری گرفتن از WAL در بازه‌های مشخص LSN، الگوی فعالیت سیستم را دید: از نقش checkpointها و full-page writeها تا اثر autovacuum، split شدن ایندکس‌ها، بارگذاری‌های حجیم و منشأ افزایش I/O. مزیت pg_walinspect این است که داخل دیتابیس و با SQL می‌شود داده‌ها را خلاصه و فیلتر کرد و با زمان و متریک‌های مانیتورینگ تطبیق داد، بدون خروج به ابزارهای بیرونی.

رویکرد پیشنهادی این است: بازه زمانی/LSN را محدود کنید، ابتدا خلاصه‌ها را ببینید و سپس در صورت نیاز به جزئیات بروید؛ هنگام عیب‌یابی، روی resource managerهای مرتبط تمرکز کنید و الگوهای WAL را با لاگ‌ها و نمایه‌های آماری مثل pg_stat هم‌راستا کنید. محدودیت اصلی این است که محتوای سطرها را نمی‌بینید و فقط به فراداده دسترسی دارید، اما همین برای ساختن و آزمودن فرضیه‌ها کافی است. در نتیجه، pg_walinspect ابزار کم‌هزینه و امنی برای بهبود observability، کاهش زمان رفع اشکال و فهم عمیق‌تر رفتار PostgreSQL محسوب می‌شود.

#PostgreSQL #WAL #pg_walinspect #DatabaseInternals #Observability #Performance #Replication

🟣لینک مقاله:
https://postgresweekly.com/link/175096/web

➖➖➖➖➖➖➖➖
👑 @Database_Academy

🔵 عنوان مقاله
How to Get AI to Deliver Superior ROI, Faster (6 minute read)

🟢 خلاصه مقاله:
** این مقاله نشان می‌دهد کندی در ROIِ AI معمولاً از خودِ سازمان می‌آید: داده‌های جزیره‌ای، QA ناکارآمد (مثل تولید garbage tokens و ارزیابی‌های ناقص)، انتخاب مدل‌های بیش‌ازحد بزرگ و فرهنگی که «بزرگ‌تر یعنی بهتر» را فضیلت می‌داند. راه‌حل، Lean AI است: از کوچک‌ترین راهکار مؤثر شروع کنید، مدل متناسب با کار انتخاب کنید و با تکنیک‌هایی مانند fine‑tuning سبک، LoRA، distillation، quantization، RAG و caching هزینه/کیفیت را بهینه کنید و شاخص‌هایی مثل هزینه به‌ازای حل هر تیکت را بسنجید. از آغاز با CFO و ذی‌نفعان روی KPIها، بودجه، ریسک و SLAها هم‌راستا شوید و واحداقتصاد پروژه را قبل از کدنویسی مشخص کنید. QA را جدی بگیرید: ارزیابی چندلایه آفلاین/آنلاین، داده طلایی با rubric شفاف، تست رگرسیون خودکار، و enforce کردن schema برای خروجی‌های ساختاریافته. گلوگاه‌های داده را با data contract، استانداردسازی schema و privacy‑by‑design پیشاپیش رفع کنید. از خود AI برای debugging استفاده کنید: خوشه‌بندی خطاها، تحلیل لاگ، تولید تست و پایش drift؛ حلقه بازخورد کاربر را به چرخه ارزیابی/آموزش وصل کنید. در اجرا، چرخه‌های کوتاه با آزمایش‌های کوچک، A/B تست، red teaming، runbook و داشبورد هفتگی مشترک میان محصول/فنی/داده/مالی را پیاده کنید. جمع‌بندی: چابکی، تمرکز بر عملکرد و کیفیت داده، و هم‌راستایی زودهنگام ذی‌نفعان، ROI سریع‌تر و برتر می‌دهد—نه صرفاً رفتن سراغ بزرگ‌ترین مدل.

#AI #ROI #LeanAI #MLOps #DataQuality #LLM #AIEvaluation #ProductStrategy

🟣لینک مقاله:
https://www.datasciencecentral.com/how-to-get-ai-to-deliver-superior-roi-faster/?utm_source=tldrdata

➖➖➖➖➖➖➖➖
👑 @Database_Academy

پاول دوروف: آزادی اینترنت در حال نابودیه; ۴۱ سالگی رو جشن نمیگیرم

پاول دوروف در تولد ۴۱ سالگی‌اش نوشت:

«دیگه حس جشن ندارم؛ چون نسل ما داره اینترنت آزادی رو از دست می‌ده که پدران‌مون ساختن.

کشورهایی که روزی آزاد بودن، دارن به سمت کنترل کامل پیش می‌رن — از شناسه دیجیتال در بریتانیا تا اسکن پیام‌های خصوصی در اتحادیه اروپا.

در آلمان منتقدان دولت تحت پیگردن، در بریتانیا مردم برای توییت‌هاشون زندانی می‌شن و در فرانسه از مدافعان آزادی بازجویی می‌شه.

ما فریب خوردیم تا باور کنیم باید سنت، حریم خصوصی و آزادی بیان رو قربانی کنیم.

من جشن نمی‌گیرم... چون زمان ما برای نجات آزادی تموم می‌شه.»

🔵 عنوان مقاله
Are Foundation Models Ready for Your Production Tabular Data? (10 minute read)

🟢 خلاصه مقاله:
**مدل‌های بنیادین مخصوص داده‌های جدولی مثل TabPFN، CARTE، TabuLa-8b و TabDPT اکنون می‌توانند بدون آموزش یا با داده‌های اندک (zero-shot/few-shot) پیش‌بینی‌های رقابتی ارائه دهند و در مجموعه‌داده‌های کوچک تا متوسط و ناهمگون، اغلب از روش‌های کلاسیک مانند XGBoost بهتر عمل می‌کنند. این توانمندی‌ها حاصل معماری‌های پیشرفته‌ای است که تعامل ویژگی‌ها و زمینه داده را با سازوکارهایی مثل transformer-based attention، تع嵌ه‌های گرافی و context-aware learning مدل می‌کنند. از نظر تجربه توسعه نیز، APIهای شبیه Scikit-learn ادغام را ساده می‌سازد. با این حال، محدودیت‌های مهمی باقی است: نیاز محاسباتی و حافظه بالا، تأخیر در استنتاج، و چالش‌های مقیاس‌پذیری در داده‌های خیلی بزرگ یا با کاردینالیته بالا. بنابراین برای تولید، باید روی داده‌های خودتان بنچمارک بگیرید، هزینه/تأخیر را بسنجید، و ملاحظات MLOps مثل مانیتورینگ، تفسیرپذیری و مدیریت تغییر توزیع را در نظر بگیرید. جمع‌بندی: این مدل‌ها برای مسائل کوچک تا متوسط و سناریوهای کم‌برچسب امیدوارکننده و قابل ادغام‌اند، اما پذیرش آن‌ها باید سنجیده و متکی به ارزیابی و طراحی استقرار مقرون‌به‌صرفه باشد.

#TabularData #FoundationModels #XGBoost #ScikitLearn #Transformers #MLOps #FewShotLearning #AutoML

🟣لینک مقاله:
https://towardsdatascience.com/foundation-models-in-tabular-data/?utm_source=tldrdata

➖➖➖➖➖➖➖➖
👑 @Database_Academy

🔵 عنوان مقاله
Introducing Apache Airflow® 3.1 (8 minute read)

🟢 خلاصه مقاله:
**نسخه 3.1 از Apache Airflow با تمرکز بر جریان‌های داده مدرن، امکاناتی مانند اپراتورهای HITL و اجرای همگام DAG را برای پوشش بهتر سناریوهای GenAI/MLOps ارائه می‌کند. این نسخه یک رابط افزونه مبتنی بر React برای توسعه رابط کاربری سفارشی اضافه کرده و تجربه کاربری را با قابلیت‌هایی مثل افزودن DAG به علاقه‌مندی‌ها و انتخاب زبان بهبود می‌دهد. همچنین زمان پارس شدن DAGها را نمایش می‌دهد، از Python 3.13 پشتیبانی می‌کند و یک trigger rule جدید برای انعطاف‌پذیری بیشتر در تعریف وابستگی‌ها ارائه شده است.

#ApacheAirflow #Airflow3_1 #DataEngineering #MLOps #GenAI #Python313 #DAG #WorkflowOrchestration

🟣لینک مقاله:
https://www.astronomer.io/blog/introducing-apache-airflow-3-1/?utm_source=tldrdata

➖➖➖➖➖➖➖➖
👑 @Database_Academy

🔵 عنوان مقاله
pgwatch 4.0: A Flexible Postgres Monitoring Solution

🟢 خلاصه مقاله:
pgwatch 4.0 یک راهکار منعطف برای پایش Postgres است که با داشبوردهای Grafana یک رابط کاربرپسند ارائه می‌دهد. کاربران می‌توانند متریک‌هایی مانند سلامت، کارایی، استفاده از ایندکس، I/O و روندها را مشاهده و تحلیل کنند تا الگوها و گلوگاه‌ها را سریع‌تر شناسایی کرده و برای بهینه‌سازی و برنامه‌ریزی ظرفیت تصمیم‌های دقیق‌تری بگیرند. هدف، ساده‌سازی نظارت روزمره در عین نمایش عمق داده‌های مورد نیاز تیم‌های فنی است.

#Postgres #pgwatch #Grafana #DatabaseMonitoring #PerformanceMonitoring #Observability #DevOps

🟣لینک مقاله:
https://postgresweekly.com/link/175402/web

➖➖➖➖➖➖➖➖
👑 @Database_Academy

وقتی یک خط کد به پروزه اضافه میکنی😂

🔵 عنوان مقاله
Uber's Strategy to Upgrading 2M+ Spark Jobs (10 minute read)

🟢 خلاصه مقاله:
ارتقای گسترده Uber از Spark 2.4 به Spark 3.3 در مقیاس بزرگ انجام شد و طی شش ماه بیش از ۴۰هزار برنامه Spark و ۲۱۰۰ برنامه دیگر مهاجرت یافت. برای پرهیز از تغییرات دستی زمان‌بر و پرخطا، Uber فرآیند را خودکار کرد و از ابزار متن‌باز Polyglot Piranha استفاده نمود؛ ابزاری که کد را تجزیه کرده و به Abstract Syntax Tree (AST) تبدیل می‌کند تا با اعمال «قوانین تبدیل»، بازنویسی‌های برنامه‌ریزی‌شده و یکدست در سطح انبوه انجام شود. این رویکرد، تغییرات گسترده را با ثبات و سرعت بیشتر ممکن کرد، ریسک خطا را کاهش داد و مسیر بهره‌گیری یکپارچه از قابلیت‌های Spark 3.3 را در زیرساخت داده Uber هموار ساخت.

#Uber #ApacheSpark #PolyglotPiranha #AST #CodeRefactoring #BigData #Migration #Automation

🟣لینک مقاله:
https://www.uber.com/blog/ubers-strategy-to-upgrading-2m-spark-jobs/?utm_source=tldrdata

➖➖➖➖➖➖➖➖
👑 @Database_Academy

🔵 عنوان مقاله
pgschema: Declarative Schema Migrations for Postgres

🟢 خلاصه مقاله:
pgschema ابزاری برای مدیریت declarative تغییرات اسکیمای Postgres است؛ مشابه کاری که Terraform برای زیرساخت انجام می‌دهد. شما حالت مطلوب اسکیمای دیتابیس را در فایل‌ها تعریف می‌کنید، ابزار اختلاف با وضعیت فعلی را محاسبه می‌کند، یک plan شفاف نشان می‌دهد و تغییرات را به‌صورت امن و قابل تکرار اعمال می‌کند. قابلیت‌هایی مانند تشخیص drift، گارد برای تغییرات مخرب، جریان‌های ارتقا بین محیط‌ها، dry-run و ادغام با CI/CD را فراهم می‌کند و روی آبجکت‌های اصلی Postgres مانند schema، جدول، ایندکس، constraint، extension و نقش‌ها/مجوزها تمرکز دارد. کد منبع در GitHub در دسترس است و برای تیم‌هایی که به رویکرد Infrastructure as Code متکی‌اند، یک گردش‌کار شفاف و ایمن ارائه می‌دهد.

#Postgres #SchemaMigration #Declarative #InfrastructureAsCode #DevOps #DatabaseAutomation #Terraform #GitHub

🟣لینک مقاله:
https://postgresweekly.com/link/174763/web

➖➖➖➖➖➖➖➖
👑 @Database_Academy

🔵 عنوان مقاله
Why Python Data Engineers Should Know Kafka and Flink (3 minute read)

🟢 خلاصه مقاله:
یادگیری Kafka و Flink برای مهندسان داده‌ی Python مسیر سریع ساخت سامانه‌های استریمی قابل‌اتکا و کم‌تأخیر است، بدون نیاز به ترک زبان و ابزارهای آشنا. پیشرفت‌های اخیر در Python API—به‌ویژه PyFlink و کلاینت‌های پخته‌ی Kafka—امکان ساخت کل پایپ‌لاین‌های استریم را با همان سینتکس Python فراهم کرده‌اند: خواندن/نوشتن از Kafka، پردازش stateful با پنجره‌ها و watermarks، و تضمین‌های exactly-once، همگی از دل Python. نتیجه این است که می‌توانید منطق کسب‌وکار را در Python بنویسید و Flink بار سنگین مقیاس، وضعیت و پایداری را برعهده بگیرد. کاربردها شامل ETL بلادرنگ، پایش عملیاتی، KPIهای نزدیک به زمان واقعی و پایپ‌لاین ویژگی‌های ML است. شروع کار ساده است: یک topic در Kafka، یک job کوچک در PyFlink برای تجمع پنجره‌ای، و سپس سخت‌سازی با checkpoint، تکامل اسکیمایی و رصدپذیری.

#Python #Kafka #Flink #PyFlink #StreamProcessing #DataEngineering #RealTimeData #EventDriven

🟣لینک مقاله:
https://thenewstack.io/why-python-data-engineers-should-know-kafka-and-flink/?utm_source=tldrdata

➖➖➖➖➖➖➖➖
👑 @Database_Academy

🔵 عنوان مقاله
Apache Parquet vs. Newer File Formats (BtrBlocks, FastLanes, Lance, Vortex) (7 minute read)

🟢 خلاصه مقاله:
Apache Parquet بیش از یک دهه فرمت ستونی غالب بوده و به لطف چیدمان ستونی، فشرده‌سازی مؤثر و پشتیبانی گسترده در اکوسیستم‌هایی مثل Spark و Iceberg، برای اسکن‌های حجیم و تحلیل‌های دسته‌ای عالی عمل می‌کند. اما با تغییر نیازها به سمت AI و سخت‌افزارهای جدید مثل NVMe، SIMD و GPU، فرمت‌های تازه‌ای مانند BtrBlocks، FastLanes، Lance، Vortex و Nimble معرفی شده‌اند که روی دسترسی کم‌تأخیر، بهره‌گیری از SIMD/GPU و خواندن گزینشی داده تمرکز دارند. این فرمت‌ها معمولاً با بازطراحی کُدگذاری و چیدمان صفحات، سربار پردازش را کاهش می‌دهند و برای پایپ‌لاین‌های AI و تحلیل تعاملی مناسب‌تر می‌شوند. در مقابل، Parquet از بلوغ و سازگاری گسترده برخوردار است و ابزارها و عملیات پایدار‌تری دارد. راهبرد منطقی، حفظ Parquet برای تبادل و تحلیل عمومی و استفاده هدفمند از فرمت‌های جدید در سناریوهایی است که بهبود ملموسی در تأخیر یا هزینه محاسباتی روی NVMe/GPU نشان می‌دهند.

#ApacheParquet #FileFormats #ColumnarStorage #AI #GPU #NVMe #SIMD #DataEngineering

🟣لینک مقاله:
https://dipankar-tnt.medium.com/apache-parquet-vs-newer-file-formats-btrblocks-fastlanes-lance-vortex-cdf02130182c?utm_source=tldrdata

➖➖➖➖➖➖➖➖
👑 @Database_Academy

🔵 عنوان مقاله
PostgreSQL R2DBC Driver 1.1

🟢 خلاصه مقاله:
PostgreSQL R2DBC Driver 1.1 دسترسی Reactive و غیرمسدودکننده به PostgreSQL را برای برنامه‌های Java فراهم می‌کند. با تکیه بر R2DBC و پشتیبانی از backpressure، اجرای کوئری‌ها و استریم نتایج به‌صورت asynchronous انجام می‌شود و زیر بار بالا کارایی و بهره‌وری منابع بهبود می‌یابد. این درایور با Project Reactor، Spring WebFlux و Spring Data R2DBC یکپارچه است و اجازه می‌دهد کل مسیر از HTTP تا دیتابیس Reactive باقی بماند و قابلیت‌هایی مثل ترکیب، لغو و مدیریت جریان‌ها را فراهم می‌کند. نسخه 1.1 بر بلوغ و پایداری تمرکز دارد و با بهبود هم‌خوانی با R2DBC SPI و بهینه‌سازی رفتار تحت فشار، برای استفاده تولیدی مناسب‌تر شده است. اگر معماری شما Reactive است یا به همزمانی بالا و استریم داده نیاز دارید، این درایور انتخاب مناسبی است؛ در سناریوهای ساده و مسدودکننده، JDBC همچنان می‌تواند گزینه‌ای عملی باشد.

#PostgreSQL #R2DBC #Java #SpringWebFlux #ReactiveProgramming #NonBlocking #Databases #Performance

🟣لینک مقاله:
https://postgresweekly.com/link/175405/web

➖➖➖➖➖➖➖➖
👑 @Database_Academy

متغیرهای سیستمی در SQL Server
در SQL Server، متغیرهایی که با @@ شروع می‌شوند به عنوان متغیرهای سیستمی شناخته می‌شوند و اطلاعات مهمی درباره وضعیت سرور، کوئری‌ها، تراکنش‌ها و تنظیمات جاری ارائه می‌دهند.
این متغیرها توسط SQL Server مدیریت می‌شوند و کاربر فقط می‌تواند مقادیر آنها را بخواند، نه تغییر دهد.

نکته پرفرمنس: استفاده مکرر از متغیرهای سیستمی روی کوئری‌های سنگین تاثیری مستقیم روی سرعت ندارد، اما بررسی‌های مکرر یا استفاده نادرست در کوئری‌های پیچیده می‌تواند منجر به کدهای نامفهوم یا غیر بهینه شود.

🔵 عنوان مقاله
Postgres 18 Released

🟢 خلاصه مقاله:
Postgres 18 طبق برنامه منتشر شد. این نسخه جهش انقلابی نیست، اما مجموعه‌ای از بهبودهای هدفمند ارائه می‌دهد که در عمل به اجرای سریع‌تر کوئری‌ها، استفاده مؤثرتر از ایندکس‌ها، I/O کارآمدتر و نگه‌داری سبک‌تر (VACUUM/autovacuum) منجر می‌شود. بهینه‌سازی‌های تکرار و بازیابی نیز پایداری و توان عملیاتی را برای سناریوهای High Availability بهتر می‌کنند. علاوه بر این، گزینه‌های پیکربندی و پایش شفاف‌تر و سخت‌گیری‌های امنیتی تازه، مدیریت و تیونینگ را ساده‌تر می‌سازد. برای ارتقا، یادداشت‌های نسخه را بررسی کنید، سازگاری اکستنشن‌ها را بسنجید و روی محیط Stage با بار کاری واقعی تست بگیرید.

#Postgres #PostgreSQL #Database #Performance #Release #SQL #OpenSource #DevOps

🟣لینک مقاله:
https://postgresweekly.com/link/174773/web

➖➖➖➖➖➖➖➖
👑 @Database_Academy

تا حالا فکر کردین استراتژی redis برای پاک کردن کلیدهای cache که ttl اونها اکسپایر شده چیه؟

در واقع redis دو تا استراتژی داره که از ترکیب این دو برای مدیریت این موضوع استفاده میکنه.

1️- استراتژی اول که بهش میگن lazy expiration ساده ترینشه اینه که وقتی درخواستی برای گرفتن یه کلید اومد اول چک میکنه اون کلید اکسپایر شده یا نه اگه آره اون رو همونجا پاک میکنه و نال برمیگردونه.

2- خب اگه یه کلید برای مدت‌ها صدا زده نشه چی؟ اینجاست که میرسیم به استراتژی دوم یعنی active expiration و به این شکله که میاد مثلا هر 100 میلی ثانیه توی لوپ یه batch که شامل مثلا 20 کلید تصادفی هست رو بررسی میکنه و اونایی که اکسپایر شدن رو پاک میکنه. اگه توی اون لوپ بیشتر از 25 درصد کلیدها پاک بشن اون رو زباله تشخیص میده و حدس میزنه کلیدهای بیشتری هم اکسپایر شدن پس یه batch دیگه اجرا میکنه و در نهایت لوپ تموم میشه تا دوباره لوپ بعدی.

برای همین برخلاف تصور، کلیدهای cache بالافاصله با اتمام ttl حذف نمیشن و ممکنه برای مدتی توی حافظه سرور باقی بمونن مخصوصا اگه حجم کلیدها بالا باشه.

پ.ن: چک کردن تعداد کلیدها در هر لوپ و تعداد اجرای لوپ‌ در ثانیه توی کانفیگ redis قابل تنظیمه، ولی نکته ای که هست هر چی تعداد رو بالاتر ببرین کلیدها سریعتر حذف میشن اما cpu بیشتری درگیر میشه.

@ | <Farshad Tofighi/>

🔵 عنوان مقاله
ChartDB (Tool)

🟢 خلاصه مقاله:
ChartDB ابزاری برای تبدیل سریع schema پایگاه‌داده به ER diagram است که با ویرایش هوشمند مبتنی بر AI، همکاری هم‌زمان و همگام‌سازی خودکار با دیتابیس زنده، کار تیم‌های مهندسی را ساده می‌کند. از Postgres، MySQL، SQL Server و Oracle پشتیبانی می‌کند، DDL تمیز تولید می‌کند و مستندات قابل اشتراک‌گذاری با نسخه‌بندی ارائه می‌دهد تا مدل‌ها و مستندات همیشه به‌روز و قابل پیگیری بمانند.

#DatabaseDesign #ERD #DataModeling #AI #DevTools #Postgres #MySQL #SQLServer

🟣لینک مقاله:
https://chartdb.io/?utm_source=tldrdata

➖➖➖➖➖➖➖➖
👑 @Database_Academy

🔵 عنوان مقاله
IBM Invites CockroachDB to Infest Its Mainframes with 'PostgreSQL'

🟢 خلاصه مقاله:
**اصل خبر از The Register این است که IBM به‌دنبال ارائه یک گزینه سازگار با PostgreSQL روی مین‌فریم‌های خود است؛ اشاره به CockroachDB به‌خاطر سازگاری آن با پروتکل PostgreSQL است و تیتر طنزآمیز را توضیح می‌دهد. هدف، آسان‌تر کردن مدرن‌سازی، استفاده از مهارت‌های رایج Postgres و کاهش اصطکاک مهاجرت در محیط‌های هیبریدی است. باید دید عملکرد روی مین‌فریم، ابزارهای عملیاتی، امنیت/انطباق و مسیرهای مهاجرت چگونه مدیریت می‌شوند و اینکه IBM واقعاً با CockroachDB شریک می‌شود یا راه‌حل سازگار دیگری ارائه می‌کند.

#IBM #CockroachDB #PostgreSQL #Mainframe #TheRegister #Database #EnterpriseIT #Modernization

🟣لینک مقاله:
https://postgresweekly.com/link/175399/web

➖➖➖➖➖➖➖➖
👑 @Database_Academy

🔵 عنوان مقاله
pg_statement_rollback v1.5: Server Side Rollback at Statement Level

🟢 خلاصه مقاله:
pg_statement_rollback v1.5 امکان «rollback در سطح هر دستور» را به‌صورت سروری در Postgres ارائه می‌کند؛ رفتاری شبیه آنچه در Oracle و Db2 وجود دارد. به‌جای اینکه با خطای یک دستور، کل تراکنش در Postgres از کار بیفتد، فقط همان دستور برگشت داده می‌شود و تراکنش فعال می‌ماند. این کار پیچیدگی مدیریت SAVEPOINT در لایه اپلیکیشن را کاهش می‌دهد، تاب‌آوری تراکنش‌های طولانی و بارگذاری‌های حجیم را بیشتر می‌کند، و مهاجرت از Oracle/Db2 به Postgres را ساده‌تر می‌سازد. نسخه 1.5 پشتیبانی از Postgres 18 را اضافه کرده است.

#PostgreSQL #pg_statement_rollback #StatementLevelRollback #TransactionManagement #Oracle #Db2 #Postgres18

🟣لینک مقاله:
https://postgresweekly.com/link/175404/web

➖➖➖➖➖➖➖➖
👑 @Database_Academy

‌
♨️ ‌پیام جنجالی پاول دروف به کاربران فرانسوی ؛ هشدار درباره قانون «کنترل چت» اتحادیه اروپا

▪️طبق پیغام جدید پاول دروف ، ظاهراً اتحادیه اروپا قرار بوده قانونی تصویب کنه که تمام اپلیکیشن‌ها رو مجبور به اسکن همه پیام‌های خصوصی کاربران میکرد! چیزی شبیه یک سیستم جاسوسی سراسری روی گوشی همه مردم.

▪️فرانسه، با حمایت وزیران کشور سابق و فعلی در رأس این طرح قرار داشت. به عقدیده دروف چنین طرحی به بهانه «مبارزه با جرم» معرفی شده، اما در واقع هدفش مردم عادی و جاسوسی از مردمه.

+ چرا که مجرمان واقعی به‌راحتی از VPN یا ابزارهای مخفی استفاده میکنن، در حالی‌که پیام‌های مقامات و پلیس از این نظارت معاف هستند!

🔵 عنوان مقاله
full feature set here

🟢 خلاصه مقاله:
این به‌روزرسانی اعلام می‌کند که مجموعه کامل قابلیت‌ها اکنون به‌صورت عمومی در دسترس است و به‌طور رسمی از Postgres 18 پشتیبانی می‌کند. تمام مسیرهای عملیاتی—from provisioning و migrations تا monitoring، HA، backups، pooling و performance tuning—در برابر Postgres 18 اعتبارسنجی شده‌اند و برای اکثر اپلیکیشن‌ها نیازی به تغییر کد نیست. برای ارتقا، راهنمای گام‌به‌گام برای in‑place و blue/green همراه با preflight checks، الگوهای rollout و مسیر بازگشت فراهم است؛ فقط توجه داشته باشید برخی extensions شخص‌ثالث ممکن است با Postgres 18 کمی عقب باشند. این نسخه مزایای بهبودهای عملکردی، پایداری و امنیتی را ارائه می‌دهد؛ تنظیمات جدید به‌صورت محافظه‌کارانه فعال می‌شوند و گزینه‌های پیشرفته قابل تنظیم هستند. پشتیبانی در محیط‌های cloud و on‑prem عرضه شده، تصاویر و قالب‌های CI/CD به‌روزرسانی شده‌اند و اسناد و راهنمای مهاجرت آماده است؛ تیم پشتیبانی برای ارزیابی، پایلوت و استقرار تولید در دسترس است.

#Postgres18 #PostgreSQL #Database #Compatibility #Upgrade #DevOps #Release #DBA

🟣لینک مقاله:
https://postgresweekly.com/link/175106/web

➖➖➖➖➖➖➖➖
👑 @Database_Academy