Merkezi İzleme Yazılımı ile Anomali Tespiti ve Yapay Zekâ Destekli Kapasite Planlama: AIOps Odaklı Bir Yaklaşım
Öz
Modern bilgi teknolojileri (BT) altyapılarının artan karmaşıklığı ve veri hacmindeki üstel artış, operasyonel sürekliliği sağlamakla yükümlü ekipler için geleneksel izleme yöntemlerini yetersiz kılmaktadır. Statik eşik değerlere dayalı reaktif sistemler, dinamik yük değişimlerine uyum sağlayamamakta; bu durum kritik performans sorunlarının gözden kaçırılmasına veya alarm yorgunluğuna yol açan yanlış uyarılara neden olmaktadır. Bu çalışmada, endüstri standardı Zabbix izleme yazılımı, TimescaleDB zaman serisi veritabanı ve gelişmiş derin öğrenme algoritmalarını entegre eden hibrit bir AIOps mimarisi önerilmiştir. Çalışma kapsamında, gerçek dünya sunucu verileri üzerinde istatistiksel (Z-Score), makine öğrenimi (Isolation Forest, LOF) ve derin öğrenme (LSTM, GRU) modelleri karşılaştırılmıştır. Deneysel sonuçlar, GRU modelinin %76.92 F0.5-Skoru ile yanlış alarmları minimize etmede en başarılı yöntem olduğunu göstermiştir. Kapasite planlama tarafında ise Facebook Prophet algoritması kullanılarak, disk doluluk oranları ve mevsimsel kaynak tükenişleri yüksek doğrulukla öngörülmüştür. Önerilen sistem, reaktif yönetimden proaktif yönetime geçişi sağlayarak operasyonel verimliliği artırmaktadır.
Anahtar Kelimeler
AIOps, Anomali Tespiti, Kapasite Planlama, Zabbix, Derin Öğrenme
Destekleyen Kurum
Bu araştırma için herhangi bir kurum veya kuruluştan finansal destek alınmamıştır.
Etik Beyan
Bu çalışma, insan veya hayvan denekler üzerinde deney içermediğinden ve sadece sistem performans verileri kullanıldığından etik kurul izni gerektirmemektedir. Çalışmada kullanılan tüm veriler anonimleştirilmiş sunucu kayıtlarından oluşmaktadır.
Teşekkür
Yazarlar, çalışma kapsamında herhangi bir çıkar çatışması olmadığını beyan ederler.
Kaynakça
- Audibert, J., Michau, P., Campardelli, A., & Boutin, M. (2020). USAD: Unsupervised anomaly detection on multivariate time series. In Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (pp. 3395-3404).
- Breunig, M. M., Kriegel, H.-P., Ng, R. T., & Sander, J. (2000). LOF: identifying density-based local outliers. Proceedings of the 2000 ACM SIGMOD International Conference on Management of Data, 93–104.
- Cho, K., van Merriënboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y. (2014). Learning phrase representations using RNN encoder-decoder for statistical machine translation. arXiv preprint arXiv:1406.1078.
- Dang, Y., Lin, Q., & Huang, P. (2021). AIOps: Real-world challenges and research innovations. 2021 IEEE/ACM 43rd International Conference on Software Engineering: Companion Proceedings (ICSE-Companion), 4–5.
- Freedman, M. J. (2017). TimescaleDB: SQL made scalable for time-series data. Timescale Technical Report. https://www.timescale.com/papers/timescaledb.pdf
- Grubbs, F. E. (1969). Procedures for detecting outlying observations in samples. Technometrics, 11(1), 1–21.
- Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780.
- Islam, M. S., Rakha, M. S., Pourmajidi, W., Sivaloganathan, J., Steinbacher, J., & Miranskyy, A. (2024). Anomaly detection in large-scale cloud systems: An industry case and dataset. arXiv preprint arXiv:2411.09047. Liu, F. T., Ting, K. M., & Zhou, Z.-H. (2008). Isolation forest. 2008 Eighth IEEE International Conference on Data Mining, 413–422.
- Manassra, A., & Işık, G. (2025). A model for artificial intelligence supported energy management in smart campuses. Journal of Smart Systems Research, 6(2), 74-92. https://doi.org/10.58769/joinssr.1677699
- Mendoza, M.-A., & Amistadi, H. R. (2018). Machine learning for anomaly detection on VM and host performance metrics. The MITRE Corporation.