Model Online/Fiziksel
Süre
Modüller 5 modül

Eğitimin Amacı ve Kapsamı

Apache Cassandra, tek hata noktası (SPOF) olmayan eşdüzey (peer-to-peer) mimarisi ve çoklu veri merkezi desteğiyle saniyede yüz binlerce yazma işlemini karşılayabilir. Ancak ilişkisel veri tabanı alışkanlığıyla tablo tasarlamak, ALLOW FILTERING kullanmak veya yanlış Partition Key seçmek Cassandra kümelerini hızla çalışamaz hale getirir.

Bu eğitimde Cassandra'nın masterless halka mimarisi, consistent hashing, replication factor ve ayarlanabilir tutarlılık (tunable consistency), CommitLog/Memtable/SSTable ve Compaction iç yapısı, sorgu odaklı (query-first) CQL veri modelleme, geniş bölümler (wide partitions) ve tombstone tuzakları ile küme izleme/onarım operasyonları uygulamalı olarak işlenir.

Kimler Katılmalı?

  • Yüksek yazma hacimli mesajlaşma, IoT, zaman serisi, finansal hareket ve aktivite akışı geliştiren backend mühendisleri
  • Çoklu veri merkezi (multi-DC) aktif-aktif veri katmanı tasarlayan yazılım ve veri mimarları
  • Cassandra / ScyllaDB kümelerini yöneten DBA, SRE ve platform mühendisleri
  • Ön koşul: temel veri tabanı ve dağıtık sistem kavramlarına aşinalık

Kazanımlar

  • CAP ve PACELC teoremleri çerçevesinde Cassandra'nın masterless mimarisini ve LOCAL_QUORUM tutarlılığını kurgulamak
  • Erişim sorgularından başlayarak Partition Key ve Clustering Column yapısını dengeli dağıtım ve sıralama için tasarlamak
  • LSM-Tree yazma/okuma yolunu, Bloom Filter'ları ve STCS/LCS/TWCS compaction stratejilerini optimize etmek
  • Unbounded partition, aşırı tombstone, ikincil indeks ve ALLOW FILTERING anti-pattern'lerinden kaçınmak
  • nodetool, repair, yedekleme ve sürücü (driver) yük dengeleme politikalarını doğru yapılandırmak

Konular

Cassandra Dağıtık Mimarisi ve Ayarlanabilir Tutarlılık
  • Masterless peer-to-peer halka (token ring), Consistent Hashing, VNodes ve Gossip protokolü
  • SimpleStrategy vs NetworkTopologyStrategy, Rack/DC farkındalığı ve Replication Factor (RF)
  • Tunable Consistency: ONE, QUORUM, LOCAL_QUORUM, ALL ve R + W > RF güçlü tutarlılık formülü
  • Hinted Handoff, Read Repair ve Anti-Entropy (Merkle Tree) onarım mekanizmaları
LSM-Tree Depolama Motoru: Yazma, Okuma ve Compaction
  • Yazma yolu: CommitLog, Memtable ve değiştirilemez (immutable) SSTable flush işlemi
  • Okuma yolu: Memtable, Key/Row Cache, Bloom Filter, Partition Index ve birden fazla SSTable birleştirme
  • Silme işlemlerinin gerçeği: Tombstone'lar, gc_grace_seconds ve neden silme işlemi veriyi hemen küçültmez?
  • Compaction stratejileri: SizeTiered (STCS), Leveled (LCS) ve TimeWindow (TWCS)
Sorgu Odaklı (Query-Driven) CQL Veri Modelleme
  • İlişkisel modelden farkı: JOIN yok, sorgu başına tablo (denormalizasyon) yaklaşımı
  • Primary Key anatomisi: Partition Key (veri hangi düğümde?) ve Clustering Columns (bölüm içi sıralama)
  • Bölüm boyutu (partition sizing) hesabı, hot-spot önleme için bucketing ve koleksiyon/UDT tipleri
CQL Anti-Pattern'leri ve Uygulama Sürücüsü (Driver) Pratikleri
  • Neden ALLOW FILTERING, yanlış Secondary Index, Materialized View ve büyük IN sorguları tehlikelidir?
  • Lightweight Transactions (LWT / Paxos), BATCH ifadelerinin doğru ve yanlış kullanımı
  • Token-aware, DC-aware driver politikaları, prepared statements ve sayfalama (paging state)
Küme Operasyonları, İzleme ve Kapasite Yönetimi
  • nodetool (status, tpstats, tablestats, compactionstats) ile sağlık kontrolü ve JMX/Prometheus metrikleri
  • Düğüm ekleme/çıkarma, düzenli anti-entropy repair (Reaper) ve snapshot tabanlı yedekleme

Bu Kategorideki Diğer Eğitimler

  • Elasticsearch ve OpenSearch ile Arama ve Analitik

    Inverted index ve Lucene mimarisi, metin analizi (tokenizer/filter), mapping tasarımı, Query DSL ve BM25 alaka düzeyi (relevance tuning), Aggregations, hibrit/vektör arama ve ILM/ISM ile küme yönetimi.

    Veri Tabanı Kurumsal
    Canlı Kurs
    5 modül
    İncele
  • Neo4j ile Graf Veri Tabanları ve Cypher

    Labeled Property Graph modelleme, Cypher sorgu dili ve değişken uzunluklu yol gezintileri, index-free adjacency, PROFILE/EXPLAIN optimizasyonu, Graph Data Science (PageRank, Louvain) ve Knowledge Graph/GraphRAG uygulamaları.

    Veri Tabanı Kurumsal
    Canlı Kurs
    5 modül
    İncele
  • Time-Series Databases (Zaman Serisi Veri Tabanları)

    Zaman serisi veri modelleme, yüksek kardinalite (high cardinality) yönetimi, TimescaleDB (hypertable, continuous aggregates, sıkıştırma) ve InfluxDB/VictoriaMetrics, downsampling ve saklama (retention) politikaları.

    Veri Tabanı Kurumsal
    Canlı Kurs
    5 modül
    İncele
  • Vector Databases (Vektör Veri Tabanları) Mimarisi ve Arama

    Yoğun ve seyrek (dense/sparse) embedding vektörleri, uzaklık metrikleri, ANN indeks algoritmaları (HNSW, IVF, DiskANN), kuantizasyon (PQ, Scalar, Binary), metadata filtreleme, hibrit arama ve recall/gecikme kıyaslaması.

    Veri Tabanı Kurumsal
    Canlı Kurs
    5 modül
    İncele
  • pgvector, Milvus, Weaviate ve Pinecone ile Vektör Arama

    Dört önde gelen vektör çözümünün uygulamalı karşılaştırması: PostgreSQL pgvector/pgvectorscale, Milvus, Weaviate ve Pinecone ile indeks kurulumu, hibrit arama, multi-tenant izolasyon ve üretim mimarisi seçimi.

    Veri Tabanı Kurumsal
    Canlı Kurs
    5 modül
    İncele
  • Database Performance ve Query Optimization

    Cost-Based Optimizer çalışma prensipleri, yürütme planı (Execution Plan) okuma, SARGability, B-Tree/Covering/Filtered indeks tasarımı, join algoritmaları, parameter sniffing, kilit/izolasyon analizi ve önbellek/bölümleme.

    Veri Tabanı Kurumsal
    Canlı Kurs
    5 modül
    İncele

Bizimle iletişime geçin