AWS Names MongoDB as Taiwan ISV Partner of the Year
Read: https://www.mongodb.com/blog/post/aws-names-mongodb-taiwan-isv-partner-year
Read: https://www.mongodb.com/blog/post/aws-names-mongodb-taiwan-isv-partner-year
MongoDB榮獲AWS台灣2023 ISV Partner of the Year殊榮
Read: https://www.mongodb.com/blog/post/aws-names-mongodb-taiwan-isv-partner-year-tc
Read: https://www.mongodb.com/blog/post/aws-names-mongodb-taiwan-isv-partner-year-tc
Как на самом деле Linux выполняет запись на диск?
Друзья мои, программисты и операторы, я бы хотел поговорить о том, как в Linux работает запись файлов.
Раньше я думал, что она устроена определённым образом, и как Джон Леннон, «I’m not the only one». Оказалось, операции записи работают совершенно иначе. То, как они работают, интересно и важно знать.
Позвольте начать с того, как я раньше думал о записи файлов.
Читать: https://habr.com/ru/companies/nmg/articles/750794/
Друзья мои, программисты и операторы, я бы хотел поговорить о том, как в Linux работает запись файлов.
Раньше я думал, что она устроена определённым образом, и как Джон Леннон, «I’m not the only one». Оказалось, операции записи работают совершенно иначе. То, как они работают, интересно и важно знать.
Позвольте начать с того, как я раньше думал о записи файлов.
Читать: https://habr.com/ru/companies/nmg/articles/750794/
Радикальная оптимизация расходов на AWS в пять шагов (мы сэкономили 80%)
Это история о том, как мы сократили расходы на AWS на 80% всего за две недели.
Для разработчиков AWS — это Клондайк возможностей
Начнем с того, что с 2018 года мы полностью перешли на AWS для всех наших проектов, и это действительно стало настоящим спасением. Наша команда полностью удаленная, поэтому владение собственным датацентром в какой-либо точке мира вызывало бы немало сложностей. Гораздо проще и экономичнее арендовать ресурсы у AWS, избегая при этом крупных капиталовложений.
Читать: https://habr.com/ru/articles/750852/
Это история о том, как мы сократили расходы на AWS на 80% всего за две недели.
Для разработчиков AWS — это Клондайк возможностей
Начнем с того, что с 2018 года мы полностью перешли на AWS для всех наших проектов, и это действительно стало настоящим спасением. Наша команда полностью удаленная, поэтому владение собственным датацентром в какой-либо точке мира вызывало бы немало сложностей. Гораздо проще и экономичнее арендовать ресурсы у AWS, избегая при этом крупных капиталовложений.
Читать: https://habr.com/ru/articles/750852/
Serving as the Digital Bridge: Meet the APIx Team at MongoDB
Read: https://www.mongodb.com/blog/post/serving-digital-bridge-meet-apix-team-mongodb
Read: https://www.mongodb.com/blog/post/serving-digital-bridge-meet-apix-team-mongodb
New MariaDB Enterprise Server 23 Release, Now Available as Technical Preview
Read: https://mariadb.com/?p=37154
Read: https://mariadb.com/?p=37154
Сто первое руководство по мониторингу метрик в Redis
Жизненно важно отслеживать проблемы с производительностью Redis. Для этого инструмента характерна низкая задержка отклика при обслуживании многочисленных запросов. Есть определенные ключевые метрики, которые можно отслеживать для контроля за производительностью вашего экземпляра Redis. В этой статье мы пройдемся по этим метрикам и рассмотрим способы их сбора с помощью встроенных в Redis инструментов.
Читать: https://habr.com/ru/companies/cloud_mts/articles/750592/
Жизненно важно отслеживать проблемы с производительностью Redis. Для этого инструмента характерна низкая задержка отклика при обслуживании многочисленных запросов. Есть определенные ключевые метрики, которые можно отслеживать для контроля за производительностью вашего экземпляра Redis. В этой статье мы пройдемся по этим метрикам и рассмотрим способы их сбора с помощью встроенных в Redis инструментов.
Читать: https://habr.com/ru/companies/cloud_mts/articles/750592/
Сто первое руководство по мониторингу метрик в Redis
Жизненно важно отслеживать проблемы с производительностью Redis. Для этого инструмента характерна низкая задержка отклика при обслуживании многочисленных запросов. Есть определенные ключевые метрики, которые можно отслеживать для контроля за производительностью вашего экземпляра Redis. В этой статье мы пройдемся по этим метрикам и рассмотрим способы их сбора с помощью встроенных в Redis инструментов.
Читать: https://habr.com/ru/companies/cloud_mts/articles/750592/
Жизненно важно отслеживать проблемы с производительностью Redis. Для этого инструмента характерна низкая задержка отклика при обслуживании многочисленных запросов. Есть определенные ключевые метрики, которые можно отслеживать для контроля за производительностью вашего экземпляра Redis. В этой статье мы пройдемся по этим метрикам и рассмотрим способы их сбора с помощью встроенных в Redis инструментов.
Читать: https://habr.com/ru/companies/cloud_mts/articles/750592/
Системы управления временными рядами
Для эффективного хранения и обработки таких объемных и динамичных данных требуются специальные базы данных. Традиционные реляционные базы данных могут быть неэффективны в работе с временными рядами из-за их большого объема и сложности обработки. Поэтому существуют специализированные базы данных для временных рядов (TSDBMS), которые предназначены именно для этой задачи.
TSDBMS обладают оптимизированными структурами данных и индексами, которые позволяют справляться с высокой частотой обновления данных и проводить сложные операции агрегации и анализа. Они также предоставляют механизмы для горизонтального масштабирования и обеспечения отказоустойчивости, что критически важно при работе с такими динамичными данными.
Читать: https://habr.com/ru/companies/otus/articles/750666/
Для эффективного хранения и обработки таких объемных и динамичных данных требуются специальные базы данных. Традиционные реляционные базы данных могут быть неэффективны в работе с временными рядами из-за их большого объема и сложности обработки. Поэтому существуют специализированные базы данных для временных рядов (TSDBMS), которые предназначены именно для этой задачи.
TSDBMS обладают оптимизированными структурами данных и индексами, которые позволяют справляться с высокой частотой обновления данных и проводить сложные операции агрегации и анализа. Они также предоставляют механизмы для горизонтального масштабирования и обеспечения отказоустойчивости, что критически важно при работе с такими динамичными данными.
Читать: https://habr.com/ru/companies/otus/articles/750666/
👍1
Explore Oracle Spatial at Oracle DatabaseWorld at CloudWorld ’23
Learn about Oracle Spatial at Oracle DatabaseWorld at CloudWorld '23. We’ll have several sessions, demos, and hands-on labs by the product team, customers, and partners. There’s something for you whether you are a developer, DBA, analyst, or business manager – and are using Oracle Database on-premises or in the cloud. Learn more about these features and what they can do for your organization.
Read: https://blogs.oracle.com/database/post/explore-oracle-spatial-at-oracle-databaseworld-at-cloudworld-23
Learn about Oracle Spatial at Oracle DatabaseWorld at CloudWorld '23. We’ll have several sessions, demos, and hands-on labs by the product team, customers, and partners. There’s something for you whether you are a developer, DBA, analyst, or business manager – and are using Oracle Database on-premises or in the cloud. Learn more about these features and what they can do for your organization.
Read: https://blogs.oracle.com/database/post/explore-oracle-spatial-at-oracle-databaseworld-at-cloudworld-23
Краткий пересказ вебинара про релиз YDB v23.1
Восемь разработчиков YDB собрались, чтобы поделиться тем, что они сделали для последнего релиза YDB v23.1. Рассмотренные новые возможности можно разделить на две категории: функциональные улучшения и улучшения производительности.
Читать: https://habr.com/ru/companies/ydb/articles/751374/
Восемь разработчиков YDB собрались, чтобы поделиться тем, что они сделали для последнего релиза YDB v23.1. Рассмотренные новые возможности можно разделить на две категории: функциональные улучшения и улучшения производительности.
Читать: https://habr.com/ru/companies/ydb/articles/751374/
Кейс: аналитическая система с ИИ для «ОЭЗ Технополис «Москва»
Привет, Хабр! Сегодня кейс о том, как мы с партнером-интегратором разработали и внедрили аналитическую систему Modus с искусственным интеллектом для компании «Технополис "Москва"».
А еще как автоматизировали и систематизировали сбор и анализ более 250 ГБ данных в управляемый формат и выстроили аналитическую систему, которая охватила 8 сфер бизнеса и состояла из 35 дашбордов.
Читать: https://habr.com/ru/companies/modusbi/articles/751488/
Привет, Хабр! Сегодня кейс о том, как мы с партнером-интегратором разработали и внедрили аналитическую систему Modus с искусственным интеллектом для компании «Технополис "Москва"».
А еще как автоматизировали и систематизировали сбор и анализ более 250 ГБ данных в управляемый формат и выстроили аналитическую систему, которая охватила 8 сфер бизнеса и состояла из 35 дашбордов.
Читать: https://habr.com/ru/companies/modusbi/articles/751488/
Получаем данные из «Яндекс.Метрики» в электронные таблицы и BI: пошаговая инструкция
Стандартный интерфейс «Яндекс.Метрики» позволяет анализировать данные о посетителях сайта и их поведении достаточно подробно. Тем не менее, для решения задач глубокой аналитики (про это я рассказывал здесь) стандартного функционала может оказаться недостаточно.
К тому же многим аналитикам привычнее и зачастую нужнее проводить аналитику в электронных таблицах (Excel, Google Sheet) или BI. Да, можно выгружать отчеты из «Метрики» сначала в Excel-файлы. Но на таком полуручном режиме оперативной и эффективной аналитики особо не построишь.
Меня зовут Андрей Устьянцев, я ведущий аналитик направления Big Data в Лиге Цифровой Экономики. В этой статье я пошагово распишу, как получать данные из «Яндекс.Метрики» в электронные таблицы (Excel, Google Sheet) и BI в автоматическом режиме.
Читать: https://habr.com/ru/companies/digitalleague/articles/751504/
Стандартный интерфейс «Яндекс.Метрики» позволяет анализировать данные о посетителях сайта и их поведении достаточно подробно. Тем не менее, для решения задач глубокой аналитики (про это я рассказывал здесь) стандартного функционала может оказаться недостаточно.
К тому же многим аналитикам привычнее и зачастую нужнее проводить аналитику в электронных таблицах (Excel, Google Sheet) или BI. Да, можно выгружать отчеты из «Метрики» сначала в Excel-файлы. Но на таком полуручном режиме оперативной и эффективной аналитики особо не построишь.
Меня зовут Андрей Устьянцев, я ведущий аналитик направления Big Data в Лиге Цифровой Экономики. В этой статье я пошагово распишу, как получать данные из «Яндекс.Метрики» в электронные таблицы (Excel, Google Sheet) и BI в автоматическом режиме.
Читать: https://habr.com/ru/companies/digitalleague/articles/751504/
Всегда ли хорош Index Only Scan?
Среди применяемых в PostgreSQL методов доступа к данным
Как минимум, это утверждение неверно. Как максимум, при определенных условиях может вызвать проблемы чуть ли не на ровном месте.
Читать: https://habr.com/ru/companies/tensor/articles/751458/
Среди применяемых в PostgreSQL методов доступа к данным
Index Only Scanстоит особняком, считаясь у многих разработчиков "волшебной пилюлей" для ускорения работы запроса - мол, "Index Scan - плохо, Index Only Scan - хорошо, как только получим его в плане - все станет замечательно".Как минимум, это утверждение неверно. Как максимум, при определенных условиях может вызвать проблемы чуть ли не на ровном месте.
Читать: https://habr.com/ru/companies/tensor/articles/751458/
Диск — это просто куча битов
Доводилось ли вам слышать утверждение, что диск или память — это «просто куча битов?»
Не знаю точно, откуда эта идея пошла, но она вполне разумна и в некоторой степени рассеивает таинственный ореол вокруг компьютеров. Например, она опровергает теорию о том, что внутри моего ПК живёт очень плоский эльф.
Оказывается нет, в нём находятся биты, закодированные в электрических компонентах.
И всё же компьютеры по-прежнему хранят в себе загадочность. Что это за биты? Что они означают? Можем ли мы с ними поиграться, спарсить их, понять?
Далее я покажу вам, что всё это определённо возможно! Ради вашего развлечения я засуну руку в свой ПК, вытащу оттуда кучку битов, и мы их с вами изучим.
Читать: https://habr.com/ru/companies/ruvds/articles/750370/
Доводилось ли вам слышать утверждение, что диск или память — это «просто куча битов?»
Не знаю точно, откуда эта идея пошла, но она вполне разумна и в некоторой степени рассеивает таинственный ореол вокруг компьютеров. Например, она опровергает теорию о том, что внутри моего ПК живёт очень плоский эльф.
Оказывается нет, в нём находятся биты, закодированные в электрических компонентах.
И всё же компьютеры по-прежнему хранят в себе загадочность. Что это за биты? Что они означают? Можем ли мы с ними поиграться, спарсить их, понять?
Далее я покажу вам, что всё это определённо возможно! Ради вашего развлечения я засуну руку в свой ПК, вытащу оттуда кучку битов, и мы их с вами изучим.
Читать: https://habr.com/ru/companies/ruvds/articles/750370/
Экстрактор данных из 1С: идеальное взаимодействие с Yandex DataLens
Какие возможности предоставляет отечественная разработка в сфере BI - Yandex Datalens? Возможно ли настроить идеальное взаимодействие между этой системой визуализации данных и 1С? Последовательно разбираем проблемы современной бизнес-аналитики и предлагаем собственное решение.
Читать: https://habr.com/ru/articles/751820/
Какие возможности предоставляет отечественная разработка в сфере BI - Yandex Datalens? Возможно ли настроить идеальное взаимодействие между этой системой визуализации данных и 1С? Последовательно разбираем проблемы современной бизнес-аналитики и предлагаем собственное решение.
Читать: https://habr.com/ru/articles/751820/
The Great Data Divide: Here's What's Hindering Your AI Goals
Read: https://www.mongodb.com/blog/post/great-data-divide-whats-hindering-your-ai-goals
Read: https://www.mongodb.com/blog/post/great-data-divide-whats-hindering-your-ai-goals
Real-Time Inventory Tracking with Computer Vision & MongoDB Atlas
Read: https://www.mongodb.com/blog/post/real-time-inventory-tracking-computer-vision-atlas
Read: https://www.mongodb.com/blog/post/real-time-inventory-tracking-computer-vision-atlas
PostgreSQL: обходим подводные камни при миграции
Привет! Меня зовут Антон Казачков, я специалист вендорской поддержки СУБД Platform V Pangolin. Это реляционная СУБД уровня enterprise, которая разработана в СберТехе на основе PostgreSQL и доработана до корпоративного уровня надёжности и производительности. Сегодня Pangolin — целевая СУБД Сбера, основа для миграции всех существующих приложений и разработки новых.
Расскажу о ситуациях, с которыми сталкиваются команды на последних этапах миграции СУБД и в начале производственного цикла. На Хабре часто обсуждаются нюансы переезда СУБД из разных проприетарных версий на PostgreSQL. А вот информации о том, как вводить базы в эксплуатацию и выявлять производственные «болячки», на мой взгляд, не так много.
Читать: https://habr.com/ru/companies/sberbank/articles/751938/
Привет! Меня зовут Антон Казачков, я специалист вендорской поддержки СУБД Platform V Pangolin. Это реляционная СУБД уровня enterprise, которая разработана в СберТехе на основе PostgreSQL и доработана до корпоративного уровня надёжности и производительности. Сегодня Pangolin — целевая СУБД Сбера, основа для миграции всех существующих приложений и разработки новых.
Расскажу о ситуациях, с которыми сталкиваются команды на последних этапах миграции СУБД и в начале производственного цикла. На Хабре часто обсуждаются нюансы переезда СУБД из разных проприетарных версий на PostgreSQL. А вот информации о том, как вводить базы в эксплуатацию и выявлять производственные «болячки», на мой взгляд, не так много.
Читать: https://habr.com/ru/companies/sberbank/articles/751938/
DATABASE DESIGN
Photo
Introducing the Aggregation Stage Wizard in MongoDB Compass
The text discusses the introduction of the Aggregation Stage Wizard in MongoDB Compass, a new feature that helps users create aggregations based on their use cases. The wizard allows users to enter fields, values, and operators through dropdowns and text boxes, turning them into valid aggregation stages in MongoDB's Query API syntax. The text also mentions the challenges of managing data in organizations, where transactional and analytical data processing are often separate. It suggests a different operating model that treats data as a product and aligns teams to work together more efficiently. Additionally, the text briefly discusses the importance of digital twins in manufacturing and the implementation of a real-time computer vision inventory inference solution using MongoDB Atlas and AWS IoT Core. The text discusses the integration of a virtual factory and computer vision using MongoDB Atlas. The model is trained to predict values and a model endpoint is created in Sagemaker where new images can be sent for prediction. An Atlas Function is used to send the latest image to the Sagemaker endpoint every minute and interpret the response values. The results are then written to a collection that keeps track of the inventory status of the physical factory. MongoDB Realm is incorporated to automatically sync the virtual factory with MongoDB Atlas and handle conflict resolution. The text also provides an example of how Cathay Pacific revolutionized flight data logging using MongoDB, Realm, and Device Sync. The process of sending data to the digital twin through device sync is explained, including activating device sync and using the Realm SDK. Device sync is praised for its built-in conflict resolution capability. The virtual factory interacts with the user and informs them of the inventory status in real-time. Finally, the text concludes by inviting readers to explore the accompanying GitHub repository for further details and implementation.
Read: https://www.mongodb.com/blog/post/introducing-aggregation-stage-wizard-mongodb-compass
The text discusses the introduction of the Aggregation Stage Wizard in MongoDB Compass, a new feature that helps users create aggregations based on their use cases. The wizard allows users to enter fields, values, and operators through dropdowns and text boxes, turning them into valid aggregation stages in MongoDB's Query API syntax. The text also mentions the challenges of managing data in organizations, where transactional and analytical data processing are often separate. It suggests a different operating model that treats data as a product and aligns teams to work together more efficiently. Additionally, the text briefly discusses the importance of digital twins in manufacturing and the implementation of a real-time computer vision inventory inference solution using MongoDB Atlas and AWS IoT Core. The text discusses the integration of a virtual factory and computer vision using MongoDB Atlas. The model is trained to predict values and a model endpoint is created in Sagemaker where new images can be sent for prediction. An Atlas Function is used to send the latest image to the Sagemaker endpoint every minute and interpret the response values. The results are then written to a collection that keeps track of the inventory status of the physical factory. MongoDB Realm is incorporated to automatically sync the virtual factory with MongoDB Atlas and handle conflict resolution. The text also provides an example of how Cathay Pacific revolutionized flight data logging using MongoDB, Realm, and Device Sync. The process of sending data to the digital twin through device sync is explained, including activating device sync and using the Realm SDK. Device sync is praised for its built-in conflict resolution capability. The virtual factory interacts with the user and informs them of the inventory status in real-time. Finally, the text concludes by inviting readers to explore the accompanying GitHub repository for further details and implementation.
Read: https://www.mongodb.com/blog/post/introducing-aggregation-stage-wizard-mongodb-compass