هوش مصنوعی

• برترین کاربردهای یادگیری ماشین در سال 2024 میلادی
• تحلیل سری زمانی (Time Series) در دنیای  فناوری اطلاعات و  هوش مصنوعی به چه معنا است؟

فناوری شبکه

• سامانه مدیریت یکپارچه تهدیدات چیست و چه قابلیت‌هایی در اختیار کارشناسان شبکه قرار می‌دهد؟
• ذخیره‌سازی به‌عنوان سرویس (Storage as a Service) چیست؟
• مجازی‌سازی دسکتاپ با VMware Horizon View

امنیت

• ضمیمه‌های امنیتی سامانه نام دامنه چیستند و برای چه هدفی استفاده می‌شود؟
• امنیت پورت چیست و چگونه از آن استفاده کنیم؟

عصر شبکه

• آیا ابرزنجیره‌ها آینده زنجیره‌بلوکی  را شکل می‌دهند؟
• تنها 9 گام تا آماده‌سازی یک طرح کسب‌و‌کار موفق فاصله دارید  

کارگاه

• آشنایی با الگوهای طراحی جاوا
• کاتلین چه دستورهایی برای کنترل جریان برنامه در اختیار ما  قرار می‌دهد؟

پرونده ویژه

• مصورسازی داده‌ها؛ داستان‌های جذاب داده‌ها به قلم اعداد!
• مصورسازی داده‌ها به چه صورتی انجام می‌شود و بر مبنای چه مراحلی است؟
• مصورسازی در یادگیری ماشین چیست و چگونه انجام می‌شود؟
• متخصص مصورسازی کیست و به چه مهارت‌هایی نیاز دارد؟ 
• چگونه داشبوردهای گزارش‌دهی در پایتون را ایجاد کنیم؟ 
• چگونه فرآیند مصورسازی یک درخت تصمیم از جنگل تصادفی را انجام دهیم؟ 
• چه کتاب‌خانه‌هایی برای مصورسازی داده‌ها در دسترس قرار دارند؟

مصورسازی داده‌ها؛ داستان‌های جذاب داده‌ها به قلم اعداد!

مصورسازی داده‌ها تاریخچه طولانی و جذابی دارد. از زمانی که انسان برای اولین بار اطلاعات را در قالب نمودارها و نمایش‌های تصویری ارائه کرد، مصورسازی داده‌ها به‌عنوان یک ابزار قدرتمند در ارائه و تفسیر اطلاعات مورد استفاده قرار گرفته است. اگر نگاهی گذرا به این تاریخچه جذاب داشته باشیم باید بگوییم که اولین بار در قرن 17 و 18 این مفهوم مورد توجه قرار گرفت. در این دوره، استفاده از نمودارها و نمایش‌های بصری برای نشان دادن اطلاعات و آمارها اهمیت زیادی پیدا کرد. ویلیام پایبر و رابرت هوک به‌عنوان پیشگامان این حوزه به‌شمار می‌روند. آن‌ها از نمودارها و تصاویر برای نمایش اطلاعات جمع‌آوری‌شده در زمینه‌های مختلف مانند جغرافیا، ریاضیات و آمار استفاده می‌کردند.

در قرن 19، توسعه روش‌های مصورسازی داده‌ها شکل جدی‌تری به خود گرفت و متخصصان به‌شکل فراگیرتری از نمودارها و نقشه‌ها به‌منظور مصورسازی داده‌ها در حوزه‌های آمار و جغرافیا استفاده کردند. افرادی مثل ویلیام اچ اینمون (William H. Inmon) دانشمند علم داده‌های امریکایی که از او به‌عنوان پدر انبار داده‌ها (data warehouse) یاد می‌شود، تلاش‌های زیادی در این زمینه انجام دادند. همزمان با آغاز قرن بیستم میلادی و پیشرفت فناوری و روش‌های محاسباتی، مصورسازی داده‌ها شکل پیشرفته‌تری به خود گرفت. ایجاد نمودارهایی که توسط کامپیوترها تولید می‌شدند و به‌کارگیری تکنیک‌های مصورسازی داده‌ها مثل نمودارهای خطی، میله‌ای و دایره‌ای از جمله این تحولات بودند. این روش‌ها باعث شدند تا اطلاعات به‌شکل قابل فهم و تفسیرپذیرتری در اختیار ما قرار بگیرد. 

در قرن 21 همزمان با افزایش حجم و تنوع داده‌ها، مصورسازی داده‌ها به‌عنوان یکی از اصلی‌ترین ابزارها در حوزه‌های مختلف مانند علوم داده، آمار، بازاریابی و ارتباطات مورد استفاده قرار گرفتند. به‌طوری‌که ابزارهای نوینی در زمینه ساخت نمودارها، نماها و نقشه‌ها پدید آمدند و به متخصصان اجازه دادند تا اطلاعات پیچیده را به زبانی ساده در اختیار مخاطبان عام قرار دهند و ارتباط پنهان میان داده‌ها را کشف کنند. همزمان، کتاب‌خانه‌های برنامه‌نویسی قدرتمندی نیز ابداع شدند تا برنامه‌نویسان بتوانند فرآیند مصورسازی را سفارشی و خودکارسازی کنند. به‌طوری‌که امروزه شاهد عرضه انواع مختلفی از داشبوردهای گزارش‌دهی هستیم که اطلاعات را به‌شکل دقیقی در اختیار ما قرار می‌دهند. بر مبنای این روش‌های نوین بصری‌سازی اطلاعات است که سازمان‌ها توانستند داده‌ها را به‌شکل ساده‌تری درک کرده و الگوها، روابط و ساختارهای مختلف مستتر در داده‌ها را کشف کنند. 

از ابزارها و فناوری‌های مطرح در این زمینه باید به نرم‌افزارهای مصورسازی وب‌محور، کتاب‌خانه‌های ارائه‌شده برای زبان‌های برنامه‌نویسی پایتون و آر برای تحلیل و مصورسازی داده‌ها، کتاب‌خانه‌های گرافیکی مانند D3.js و Matplotlib و ابزارهای تعاملی مانند Tableau  Power BI اشاره کرد. 

امروزه، مصورسازی داده‌ها در زمینه‌های مختلف مانند علوم داده‌ها، تجارت، تحلیل شبکه‌های اجتماعی، بهداشت و درمان، تحلیل مالی، علوم اجتماعی و حوزه‌های دیگر مورد استفاده قرار می‌گیرد. با استفاده از مصورسازی داده‌ها، می‌توان به‌راحتی الگوها، ترندها و اطلاعات مهم را شناسایی کرده و تصمیم‌گیری‌های بهتری انجام داد. همچنین، مصورسازی داده‌ها اجازه می‌دهد اطلاعات به‌صورت جذاب و قابل فهم‌تری در اختیار مخاطبان قرار بگیرد. 

واقعیت این است که مصورسازی داده‌ها اجازه می‌دهد به داستان‌پردازی با داده‌ها بپردازیم. در این روش، داده‌های مختلفی مانند اعداد، آمارها، ترتیب زمانی، روابط و الگوها به‌صورت گرافیکی به تصویر کشیده می‌شوند تا بهترین تفسیر و درک از داده‌ها به‌دست آید.

در فرآیند داستان‌پردازی با داده‌ها، داده‌ها نقشی شبیه به شخصیت‌های داستانی دارند، با این تفاوت که ارتباطات، تعاملات و روابط بین آن‌ها به‌صورت تصویری نمایش داده می‌شوند. هدف این است که ارتباط عمیق‌تر و معناداری میان داده‌ها و مخاطبان به‌دست آید. در فرآیند داستان‌پردازی با داده‌ها از تکنیک‌های مختلفی برای ارائه داده‌ها استفاده می‌شود که نمودارها، نقشه‌ها، تصاویر و مولفه‌های گرافیکی از ارکان اصلی هستند. بد نیست بدانید که داستان‌پردازی با داده‌ها در بسیاری از زمینه‌ها و صنایع مورد استفاده قرار می‌گیرد. این تکنیک کاربردهای مختلفی در دنیای امروزی دارد. اولین مورد، توضیح و تبیین داده‌های آماری و تحلیلی در حوزه‌های مختلف مانند علوم داده، بازاریابی، مدیریت، سلامت، آموزش و غیره است. مورد بعدی، ارائه گزارش‌ها و تحلیل‌های داده‌ای به‌صورت جذاب و قابل درک برای مدیران و تصمیم‌گیران است. فرآیند فوق نقش مهمی در ساخت داستان‌های مبتنی بر داده‌ها برای تبلیغات و بازاریابی دارد. همچنین، به ما کمک می‌کند تا مفاهیم پیچیده را به‌شکلی ساده برای مخاطبان غیرفنی توضیح دهیم. همان‌گونه که مشاهده می‌کنید، مصورسازی داده‌ها، نقشی به‌مراتب مهم‌تر از آن چیزی دارد که بسیاری از ما تصور می‌کنیم. در حالی‌که برخی تصور می‌کنند این تکنیک بیشتر در دنیای هوش مصنوعی و اقتصاد کاربرد دارد، اما واقعیت این است که بسیاری از صنایع می‌توانند از مزایای آن بهره‌مند شوند. 

با توجه به توضیحاتی که ارائه کردیم، ممکن است حدس زده باشید که پرونده ویژه این شماره ماهنامه شبکه به مبحث مصورسازی داده‌ها اختصاص دارد. در این شماره به شما خواهیم گفت مصورسازی داده‌ها به چه صورتی انجام می‌شود و چه مراحلی دارد؛ مصورسازی در یادگیری ماشین را مورد بررسی قرار می‌دهیم؛ با عنوان شغلی کارشناس مصورسازی و مهارت‌های موردنیاز آن آشنا می‌شویم؛ نحوه ساخت داشبوردهای گزارش‌دهی در پایتون را بررسی می‌کنیم؛ چگونگی مصورسازی یک درخت تصمیم از جنگل تصادفی را مشاهده می‌کنیم و در نهایت با برخی از کتاب‌خانه‌های رایج برای مصورسازی داده‌ها آشنا خواهیم شد. امید است پرونده ویژه این شماره مورد توجه مخاطبان قرار بگیرد

در پرونده ویژه شماره 269 مجله شبکه به شما خواهیم گفت علم داده‌ها چیست و چرا در آینده نزدیک جامعه ایرانی به آن نیاز دارد؛ چگونه از درخت تصمیم در علم داده‌ها استفاده کنیم؛ آمار توصیفی چه نقشی در علم داده‌ها دارد؛ Data Wrangling چیست؛ مصورسازی داده‌ها به چه معنا است و علم داده‌ها چه نقشی در معماری موتورهای توصیه‌کننده (Recommendation Engines) دارد. اگر دوست دارید یک متخصص علم داده‌ها شوید، پیشنهاد می‌کنیم، مطالب پرونده ویژه این شماره مجله را به هیچ عنوان از دست ندهید

هوش مصنوعی

• مهندس پرامپت کیست و پرامپت‌نویسی به چه معنا است؟
• عامل هوشمند چیست و چه نقشی در دنیای هوش مصنوعی دارد؟ 

فناوری شبکه

• سرورهای HPE ProLiant Gen11 چه قابلیت‌هایی در اختیار سازمان‌ها قرار می‌دهند؟‌
• معماری فارغ از سرور (Serverless) چیست و چه نقشی در دنیای محاسبات دارد؟ 

امنیت

• چگونه یک چک‌لیست امنیتی برای شبکه و ویندوز سرور آماده کنیم؟ 
• چگونه امنیت محیط‌های مجازی را تامین کنیم؟

عصر شبکه

• آینده بازار کار به چه سمت‌وسویی در حال حرکت است؟ 
• شبکه‌هــا  و  پلتفرم‌های اجتماعی چه نقش و تاثیری بر سلامت روان نسل زد دارند؟

کارگاه

• پایگاه داده ابری چیست و چرا توسعه‌دهندگان نرم‌افزار به آن علاقه‌مند شده‌اند؟
• بهترین فایروال‌های رایگان لینوکس
• آشنایی با 8 توزیع آماری مهم که باید در مورد آن‌ها اطلاع داشته باشید

پرونده ویژه

• از ارقام تا ارتباطات: علم داده، موتور هوش مصنوعی
• علم داده‌ها چیست و چرا در آینده نزدیک به آن نیاز داریم؟ 
• آمار توصیفی چه نقشی در دنیای علم داده‌ها دارد و چگونه از آن استفاده کنیم؟ 
• آماده‌سازی داده‌ها (Data Wrangling) چیست و چگونه انجام می‌شود؟
• علم داده‌ها چه نقشی در معماری موتورهای توصیه‌کننده دارد؟
• مصورسازی داده‌ها چیست و به چه صورتی انجام می‌شود؟ 
• چگونه از درخت تصمیم در علم داده‌ها استفاده کنیم؟ 

پرونده ویژه

در پرونده ویژه شماره 248 ماهنامه شبکه درباره سیر تکوینی کلان داده‌ها، تاثیر و جایگاه کلان داده‌ها در علم تحقیق در عملیات، چگونگی استفاده از کلان داده‌ها برای حل مشکلات امروز ایران، معرفی مشاغل مرتبط با کلان داده‌ها و ابزارهایی که برای تحلیل کلان داده‌ها در اختیار داریم، اطلاعات جالبی به‌دست خواهید آورد.

• اطلاعاتی در مقیاس کوینتیلیون 
• برای ورود به عصر کلان داده‌ها آماده هستید؟ 
• برای موفقیت در دنیای کلان داده‌ها باید با اصطلاحات تخصصی این حوزه آشنا باشید 
• چرا بزرگ‌داده‌ها خاستگاه‌ تحقیق در عملیات هستند؟ 
• چه ابزارهای کارآمدی برای تحلیل کلان داده‌ها در دسترس قرار دارند؟ 
• اگر مهارت کار با کلان داده‌ها را  دارید به سراغ این مشاغل بروید 
• چگونه از کلان داده‌ها در دنیای واقعی استفاده کنیم؟

دیدگاه

• سرمقاله؛ ده‌ مهارت مهم نرم در سه سالِ بسیار سخت
• در آینده، روان‌شناسی و هوش مصنوعی دو مفهوم جدایی‌ناپذیر می‌شوند 
• فایل‌های سرگردان

شاهراه اطلاعات

• تفاوت‌ بین داده‌کاوی، یادگیری ماشین، هوش مصنوعی و یادگیری عمیق
• دنیای موبایل: آنتن‌هایی برای آینده 
• دنیای دوربین: چشم بینای فناوری 

فناوری شبکه

• وای‌فای 7 با وعده دسترسی به سرعت30 گیگابیت بر ثانیه
• پروتکل دروازه مرزی چیست و چه نقشی در دنیای شبکه‌های کامپیوتری دارد؟
• افزونگی در شبکه چیست و روی چه تجهیزات و فناوری‌هایی قابل اجرا است؟
• بهترین ویژگی‌های جدید ویندوز سرور

امنیت

• «فناوری اطلاعات در سایه چیست» و چه تهدیدات امنیتی را برای سازمان‌ها ایجاد می‌کند؟
• چگونه مانع هک شدن دوربین‌های مداربسته شویم؟

عصر شبکه

• یک دهه پس از استیو جابز، اپل چه موفقیت‌ها و شکست‌هایی تجربه کرده است؟
• چرا سیستم‌های هوش مصنوعی امروزی واقعاً هوشمند نیستند؟ 
• آیا در حوزه طراحی پردازنده‎های مرکزی جایگزین‎های بهتری نسبت به اینتل و ای‎ام‎دی وجود دارد؟

کارگاه

• رمز غیرقابل معاوضه (NFT) چیست و چگونه کار می‌کند؟
• داکر چیست و چگونه باید از آن استفاده کنیم؟

اطلاعاتی در مقیاس کوینتیلیون

کلان داده، اصطلاحی کلی برای توصیف و سنجش حجم عظیمی از داده‌هایی است که توسط منابع مختلف تولید و جمع‌آوری می‌شوند. داده‌هایی که اغلب اوقات خام یا بدون ساختار هستند و از بانک‌های اطلاعاتی رابطه‌ای و غیررابطه‌ای به‌دست می‌آیند. نکته مهمی که پیرامون کلان داده‌ها وجود دارد و کمتر در مورد آن شنیده‌اید، این است که 85 درصد اطلاعاتی که امروزه در اختیار ما قرار دارد در چند دهه قبل تولید شده‌اند. به بیان دقیق‌تر، شما در دستیابی به کلان داده‌ها نه تنها با محدودیت زیادی روبرو نیستید، بلکه به اندازه‌ای اطلاعات در اختیار دارید که هیچ‌گاه موفق به پردازش کامل آن‌ها نخواهید شد. ‌مطالعه‌ای که چند سال قبل توسط نشریه فوربس انجام شد، نشان داد که روزانه بیش از 2.5 کوینتیلیون بایت (10 به توان 30) داده تولید می‌شود که دست‌کم نیمی از آن‌ها اطلاعات بدون ساختار هستند. در دنیایی که در این حجم عظیم از اطلاعات در حال غرق شدن است، مهم است که بتوانید تنها اطلاعاتی که برای شرکت‌تان مهم و حیاتی است را به دست آورید تا بتوانید به‌سرعت تصمیمات مهم را  اتخاذ کنید. علاوه بر این، مشکل مهم دیگری که داده‌ها دارند، ماهیت چندوجهی آن‌ها، مباحث امنیتی و مشکلات حریم خصوصی است که پردازش این حجم از داده‌ها را با مشکل روبرو کرده است. از اوایل هزاره سوم اینترنت به سرعت رشد کرد، و صنایع، شرکت‌ها و سازمان‌های مختلف اقدام به تولید و جمع‌آوری داده‌ کردند. 

آمازون S3 را در مارس 2006 به عنوان بخشی از خدمات وب آمازون (AWS) معرفی کرد. S3 یک راهکار عالی برای ذخیره فایل‌ها در فضای ابری بود، اما هیچ قابلیت مدیریت داده کارآمدی نداشت. به فاصله کوتاهی، آپاچی هدوپ (Hadoop) وارد میدان شد و راهکاری یکپارچه برای مدیریت و پردازش داده‌ها ارائه کرد. هدوپ برای مدت زمان طولانی کارآمدترین راه‌حلی بود که برای کلان داده ارائه شد. در آن زمان متخصصانی که قصد داشتند راه‌حل‌هایی مبتنی بر هدوپ را پیاده‌سازی کنند کار سختی پیش‌رو داشتند، زیرا هدوپ زیرساخت کاملا پیچیده‌ای بود و تنها توسعه‌دهندگانی که مهارت و دانش کافی در ارتباط با کدنویسی داشتند قادر به کار با هدوپ بودند. در سال 2010 میلادی هایو (Hive) معرفی شد، با این‌حال، هنوز این قابلیت را نداشت تا به‌طور کارآمدی با هدوپ یکپارچه شود. به تدریج فناوری‌های دیگری معرفی شدند و فناوری‌هایی مثل هدوپ نیز قابلیت‌های کارآمدتری در اختیار متخصصان قرار دادند. چالشی‌ترین نکته در ارتباط با کلان‌ داده‌ها تولید مداوم داده‌ها است. 

به‌طور مثال، کاربران توییتر به‌طور متوسط ​​روزانه 500 میلیون توییت منتشر می‌کنند که این تعداد روز به روز در حال افزایش است. دسترسی به توییت‌های روزانه کامل توییتر (Firehose) پرهزینه است و محدود به شرکت‌هایی می‌شود که توانایی پرداخته هزینه آن‌را داشته و به این اطلاعات نیاز دارند. تخمین زده می‌شود که دسترسی به توییت‌های تحلیل شده این شبکه اجتماعی چندصدهزار دلار در سال هزینه دارد. به‌طور معمول، هنگامی که در مورد کلان داده‌ها و پردازش آن‌ها با مدیران سازمان‌ها صحبت می‌کنیم با پرسش‌های تقریبا یکسانی روبرو می‌شویم، آیا پرداخت چنین هزینه‌ای توجیه اقتصادی دارد؟ در ازای پرداخت این مبلغ چه چیزی دریافت می‌کنیم؟ آیا دستیابی به اطلاعات تحلیل شده یک مزیت رقابتی خوب در اختیار قرار می‌دهد؟ آیا دستیابی به اطلاعات تحلیل شده باعث رونق تجاری می‌شود؟ این امکان وجود دارد که زیرساختی در شرکت پیاده‌سازی کنیم و خودمان کلان داده‌ها را تحلیل کنیم؟ 

فادی ا. حرفوش (Fady A. Harfoush) متخصص  برجسته علم داده‌ها و پردازش داده‌ها می‌گوید: «تنها یک درصد از تمام پست‌ها و توییت‌های روزانه منتشر شده در شبکه‌های اجتماعی حاوی اطلاعات ارزشمند یا کاربردی هستند که ظرفیت تبدیل شدن به دانش و بینش قابل استفاده را دارند. یافتن یک درصد اطلاعات ارزشمند همانند جست‌وجوی سوزن در انبار کاه است. اگر نتوان به راحتی بین یک توییت ارزشمند یا واقعی و یک توییت ناخواسته یا جعلی تمایز قائل شد، یک کسب‌وکار چگونه باید اطمینان حاصل کند که بازگشت سرمایه‌اش تضمین شده است؟ آیا فقط برای یک درصد باید هزینه کرد و کدام بخش از یک درصد برای کسب‌وکار ما ارزشمند است؟ چه کسی درصد درست را تعیین می‌کند؟ بدون شک شرکت‌ها تنها برای خدمات باکیفیتی که دریافت می‌کنند حاضر به پرداخت هزینه هستند.» 

در حالی که قاعده ثابتی در دنیای تجاری وجود دارد که شما در مقابل خدمات یا کالای تضمین شده هزینه را پرداخت می‌کنید، در مورد داده‌ها این قاعده صدق نمی‌کند. تقریباً در همه موارد، ارائه‌دهنده یا فروشنده داده‌ها، در قرارداد خود به وضوح به موضوع سلب مسئولیت اشاره می‌کند و اعلام می‌دارد که هیچ مسئولیتی در قبال خطاها یا داده‌های پرت نخواهد داشت و خریدار باید تمام مخاطرات مربوط به استفاده از داده‌ها را بر عهده بگیرد.  با تمام این تفاسیر، کلان داده‌ها یکی از مهم‌ترین و تاثیرگذارترین حقیقت زندگی ما هستند. هوش مصنوعی، متاورس، ماشین‌های خودران، دستاوردهای دنیای پزشکی، دستاوردهای حوزه نجوم و بسیاری از ابداعات دنیای فناوری همگی مبتنی بر تحلیل کلان داده‌ها هستند. با توجه به اهمیت ویژه‌ای که کلان داده‌ها برای جامعه ایران دارد و در واقع کلید حل بخش عمده‌ای از مشکلات جامعه ایرانی است، پرونده ویژه این شماره را به مبحث کلان داده‌ها اختصاص داده‌ایم. در پرونده ویژه این شماره درباره سیر تکوینی کلان داده‌ها، تاثیر و جایگاه کلان داده‌ها در علم تحقیق در عملیات، چگونگی استفاده از کلان داده‌ها برای حل مشکلات امروز ایران، معرفی مشاغل مرتبط با کلان داده‌ها و ابزارهایی که برای تحلیل کلان داده‌ها در اختیار داریم، اطلاعات جالبی به‌دست خواهید آورد. 

دیدگاه و یادداشت

• سرمقاله؛ مدیریت یا مسئولیت 
• آموزش آنلاین، ویروس کرونا و تحولی بزرگ در حوزه یادگیری 
• رزومه‌های سرقتی! 

پرونده ویژه

• بانک‌های اطلاعاتی گنجینه اسرار دنیای جدید 
• سرپرست بانک‌اطلاعاتی کیست؟ چگونه سرپرست بانک‌‌ اطلاعاتی شویم؟ 
• پایگاه داده نموداری چیست و چرا بهره‌وری تعاملات تجاری را بهبود می‌بخشد 
• برای انتخاب یک پایگاه داده درست به چه نکاتی باید دقت کنیم؟ 
• نقشه‌برداری از داده‌ها چیست و چه کمکی به مدیریت داده‌های حجیم سازمانی می‌کند؟ 
• ‌پرکاربردترین دستورات SQL که توسعه‌دهندگان به آن‌ها نیاز دارد 
• چگونه آسیب‌پذیری‌های درون بانک‌های اطلاعاتی را کشف و ترمیم کنیم؟ 
• ‌بانک‌های اطلاعاتی رابطه‌ای و غیر‌رابطه‌ای چه تفاوت‌هایی با یکدیگر دارند؟ 

شاهراه اطلاعات

• دانشمندان برای مهار ویروس کووید 19 از اپن‌سورس درخواست کمک کردند! 
• دنیای دوربین: کمک به خودران‌های کرونازده و سوسکی با کوله‌پشتی!

فناوری شبکه

• 11 ابزار کاربردی برای نظارت جامع بر شبکه‌ها و مدیریت آن‌ها
• اترنت گیگابیت 1000BASE-T چیست و چگونه کار می‌کند 
• سیسکو با ساخت تراشه ویژه‌ای آینده اینترنت را ترسیم کرد 

امنیت

• راهنمای جامع آشنایی با آزمون ‌نفوذ‌پذیری و نحوه اجرای آن 
•  چگونه شبکه‌های پنهان را شناسایی کنیم؟ 

عصر شبکه

• ویروس کرونا چگونه مشاغل آینده را تحت تاثیر خود قرار می‌دهد؟
• چرا چشم‌انداز فناوری زنجیره بلوکی روشن است؟ 

کارگاه

• یک تحلیل‌گر داده‌ها به چه مهارت‌های کاربردی نیاز دارد؟
• راهنمای جامع آشنایی با سیستم کنترل نسخه گیت

بانک‌های اطلاعاتی مخزن الاسرار دنیای جدید

ذخیره‌سازی و بازیابی اطلاعات به شیوه‌ای سریع و قابل اعتماد همواره مورد توجه برنامه‌نویسان و توسعه‌دهندگان سامانه‌های اطلاعاتی قرار دارد. یکی از این روش‌ها به‌کارگیری بانک‌های اطلاعاتی است. امروزه بانک‌های اطلاعاتی در حوزه‌ها و صنایع مختلف از ذخیره‌سازی سوابق پزشکی بیماران گرفته تا ذخیره‌سازی اطلاعات هویتی در سازمان‌های ثبت احوال و تامین اجتماعی استفاده می‌شوند. بانک‌های اطلاعاتی داده‌ها را به شیوه ساخت‌یافته سازمان‌دهی و نگه‌داری می‌کنند تا بازیابی اطلاعات با سهولت انجام شود. گسترش روزافزون داده‌هایی که باید ذخیره‌سازی شوند، باعث شده تا انواع مختلفی از بانک‌های اطلاعاتی ابداع شوند. بانک‌های اطلاعاتی رابطه‌ای، غیر رابطه‌ای، شی‌گرا، توزیعی، انبارهای داده، نموداری و OLTP از رایج‌ترین گزینه‌های ذخیره‌سازی اطلاعات هستند. گزینه‌های کمتر شناخته شده در ارتباط با کاربردهای خاص در حوزه‌های علمی، مالی و موارد مشابه استفاده می‌شوند. علاوه بر تنوع بانک‌های اطلاعاتی، توسعه فناوری‌ها و پیشرفت‌های مستمر رایانش ابری و خودکارسازی باعث شده تا بانک‌های اطلاعاتی به وادی جدیدی وارد شوند.

در حالت کلی هدف ذخیره‌سازی سریع و دسترسی هوشمندانه به اطلاعات است. به همین دلیل است که اصطلاحات تخصصی همچون موجودیت، جدول، فیلد، رکورد، ستون و قیود در تمامی بانک‌های اطلاعاتی تعاریف یکسانی دارند. به‌طور مثال موجودیت در بانک اطلاعاتی به هر نوع اطلاعاتی که قصد ذخیره‌سازی آن‌را داریم اطلاق می‌شود. در یک سامانه ذخیره‌سازی اطلاعات دانشگاه، دانشجو یک موجودیت و استاد یک موجودیت جداگانه است، زیرا اطلاعات مشخص کننده هویت دانشجو و استاد متفاوت هستند. داده‌ها درون بانک‌های اطلاعاتی در ساختاری به‌نام جداول ذخیره‌سازی می‌شوند. هر جدول اطلاعاتی یک موجودیت را نگه‌داری می‌کند.

به‌طور مثال، یک دفترچه تلفن ساده برای نگه‌داری اطلاعات افراد در قالب یک جدول طراحی شده و اطلاعات در آن ذخیره می‌شوند. در بانک‌های اطلاعاتی ممکن است جداول مختلفی برای نگه‌داری اطلاعات مربوط به موجودیت‌ها در نظر گرفته شده باشد. موجودیت‌ها از طریق جداول مختلف و ارتباط میان آن‌ها با یکدیگر متصل شده و گزارش‌ها یا موجودیت‌های جدیدی تولید می‌کنند. هر جدول بانک اطلاعاتی متشکل از سطرها و ستون‌هایی است که مفهومی به‌نام رکورد را پدید می‌آورند. رکوردها از مولفه‌های کوچک‌تری به‌نام فیلد ساخته می‌شوند که مقادیر درون آن‌ها ذخیره می‌شوند. قبل از پیاده‌سازی جداول طراحان باید تعداد ستون‌های موردنیاز در جدول را مشخص کنند که خود نیازمند یک فرآیند تحلیلی عمیق است، زیرا اگر ستونی در جدول درج نشود در آینده مشکلات متعددی را به همراه می‌آورد. مواردی که به آن‌ها اشاره شد الفبای ساده مباحث بانک‌های اطلاعاتی هستند. ما در عصری زندگی می‌کنیم که پیشرفت‌های سریع فناوری‌اطلاعات رشد انفجاری تولید داده‌ها و در نهایت افزایش ظرفیت رسانه‌های ذخیره‌ساز را به همراه داشته است. در دنیای کسب‌وکار بانک‌های اطلاعاتی بزرگی برای تراکنش‌های تجاری توسط خرده‌فروشان یا در مقیاس کلان‌تر تجارت الکترونیک ساخته و استفاده می‌شوند.

در سویی دیگر، روزانه حجم عظیمی از داده‌های علمی در حوزه‌های مختلف تولید می‌شوند که اطلاعات تولید شده در ارتباط با ویروس کرونا گویای این موضوع است. به همین دلیل سازمان‌ها به مجموعه روش‌های قابل اجرا روی پایگاه‌های داده بزرگ و پیچیده با هدف کشف الگوهای پنهان در میان داده‌ها نیاز دارند که به آن داده‌کاوی می‌گویند. با توجه به این‌که روش‌های داده‌کاوی با هدف آشکارسازی الگوهای موجود در داده‌ها به لحاظ محاسباتی پر هزینه هستند، امکان به‌کارگیری یک پایگاه داده خاص (رابطه‌ای) برای انجام فعالیت‌های مختلف امکان‌پذیر نیست. به همین دلیل سازمان‌ها باید کارآمدترین گزینه را برای ذخیره‌سازی و دسترسی به داده‌ها استفاده کنند. به‌کارگیری یک مدل کارآمد برای ذخیره‌سازی و بازیابی اطلاعات تنها مشکل سازمان‌ها نیست، زیرا همواره این احتمال وجود دارد که زیرساخت‌های اطلاعاتی یک سازمان قربانی یک حمله سایبری شوند و اطلاعات درون بانک‌های اطلاعاتی به سرقت بروند. در عصر جدید دستکاری یا پاک کردن رکوردهای اطلاعاتی کمترین دغدغه سازمان‌های بزرگ است، زیرا سازمان‌ها به راحتی می‌توانند از نسخه‌های پشتیبانی برای جایگزینی اطلاعات تحریف شده با اطلاعات صحیح استفاده کنند. مهم اطلاعات ارزشمندی است که به سرقت می‌روند و در بازار سیاه به قیمت‌های نجومی به فروش می‌رسند. به همین دلیل سازمان‌ها به دنبال افرادی هستند که بتوانند به شیوه اصولی و ایمن بانک‌های اطلاعاتی را طراحی کنند. این افراد سرپرستان بانک‌های ‌اطلاعاتی نام دارند.

اولین وظیفه یک طراح بانک اطلاعاتی ساخت یک مدل داده مفهومی انعکاس‌دهنده ساختار منطقی بانک اطلاعاتی است. ساخت مدل داده مفهومی گاهی اوقات شامل دریافت ورودی از فرآیندهای کسب‌وکار و تجزیه و تحلیل گردش کار سازمان است. مرحله بعد ترجمه مدل مفهومی در قالب پیاده‌سازی ساختمان داده‌های مرتبط با بانک‌اطلاعاتی ‌است. این فرآیند به‌نام طراحی بانک‌های اطلاعاتی منطقی و خروجی مدل منطقی داده‌ها در قالب یک طرح توصیف می‌شود.

در حالی که مدل داده مفهومی مستقل از انتخاب فناوری بانک اطلاعاتی است، مدل منطقی داده‌ها یک مدل بانک اطلاعاتی خاص پشتیبانی شده توسط DBMS انتخابی است. بحث درباره بانک‌های اطلاعاتی و مباحث مرتبط با این فناوری فراتر از یک مقدمه کوتاه است، زیرا مباحث بسیار زیادی را شامل می‌شود، اما این‌ امکان وجود دارد تا در قالب مطالبی کوتاه و کاربردی خوانندگان را با مباحث مهم پیرامون بانک‌های اطلاعاتی آشنا کنیم. در پرونده ویژه این شماره ماهنامه شبکه به شما خواهیم گفت سرپرست بانک‌اطلاعاتی کیست و چگونه سرپرست بانک‌‌ اطلاعاتی شویم، برای انتخاب یک پایگاه داده درست به چه نکاتی باید دقت کنیم، بانک‌های اطلاعاتی رابطه‌ای و غیر رابطه‌ای چه تفاوت‌هایی با یکدیگر دارند، پایگاه داده نموداری چیست و چرا بهره‌وری تعاملات تجاری را بهبود می‌بخشد، ‌پرکاربردترین دستورات SQL که توسعه‌دهندگان به آن‌ها نیاز دارد، چگونه آسیب‌پذیری‌های درون بانک‌های اطلاعاتی را کشف و ترمیم کنیم، نقشه‌برداری از داده‌ها چیست و چه کمکی به مدیریت داده‌های حجیم سازمانی می‌کند.