Este protocolo mede como o desempenho da réplica PostgreSQL é afetado por diferentes quantidades de consultas simultâneas do Metabase. O objetivo é identificar o ponto de saturação antes de ocorrer degradação perceptível de latência.
Você vai construir um pipeline completo: extração de dados da API do Bluesoft ERP, carga em PostgreSQL próprio e visualização em Apache Superset. Em cerca de 2 a 3 horas, terá dashboards reais com dados simulados de vendas.
Este protocolo mede quanto tempo leva para atualizar as tabelas fato_venda e dim_produto no PostgreSQL bi_varejo usando um extrator Python com requests. O objetivo é quantificar o tempo de ingestão de dados por lote, simulando uma rotina agendada.
Você terá um ambiente local rodando Apache Superset em Docker, conectado a um banco PostgreSQL com dados simulados no esquema bi_varejo. Em até 2 horas, será possível criar dashboards de vendas e validar consultas típicas do varejo.
Você irá implementar um pipeline completo: extração de dados da API do Bluesoft ERP, carga em um banco PostgreSQL próprio e visualização em dashboards no Metabase. O laboratório pode ser concluído em cerca de 2 a 3 horas.
Este protocolo mede quanto tempo leva para carregar diferentes volumes de dados extraídos da API do Bluesoft ERP no banco PostgreSQL bi_varejo usando Python. O objetivo é quantificar a relação entre o tamanho do lote extraído e o tempo total de inserção.
Este protocolo investiga como o tempo de resposta do Zabbix Server varia conforme o número de hosts monitorados em uma rede temporária. O objetivo é medir a escalabilidade do Zabbix em ambientes de eventos.
Você terá um gateway Zigbee2MQTT funcional em uma VM Linux, integrando um dispositivo Zigbee simulado a um broker MQTT local. O laboratório pode ser concluído em cerca de 2 horas.
Este protocolo mede como a latência de mensagens Zigbee varia conforme o número de dispositivos na rede mesh aumenta. O objetivo é quantificar o atraso médio de entrega de mensagens entre dois pontos Zigbee em topologias crescentes.
Este protocolo responde como diferentes intervalos de coleta SNMP afetam o uso de CPU do servidor Zabbix. O objetivo é medir o consumo de CPU em função da frequência de polling SNMP.
Você implementará um ambiente de monitoramento com Zabbix Server e Zabbix Agent em duas VMs Linux, visualizando dados em tempo real. Tempo estimado: 2 a 3 horas.
Você terá um ambiente de monitoramento Zabbix funcional, coletando dados de um roteador OpenWRT e de um servidor Linux, simulando uma rede temporária de evento. Tempo estimado: 2 a 3 horas.
Você terá um ambiente funcional de monitoramento Zabbix coletando métricas via SNMP de um servidor Linux em rede privada. O laboratório pode ser executado em cerca de 2 horas.
