\n AWS Lake Formation ile Amazon RDS ve S3 entegrasyonu, da\u011f\u0131n\u0131k veri kaynaklar\u0131n\u0131 birle\u015ftirerek g\u00fc\u00e7l\u00fc analitik \u00e7\u00f6z\u00fcmler sunar. Bu kapsaml\u0131 rehberde, veri g\u00f6l\u00fc mimarilerini ad\u0131m ad\u0131m kurmay\u0131 ve y\u00f6netmeyi ke\u015ffedin. G\u00fcn\u00fcm\u00fcz d\u00fcnyas\u0131nda, i\u015fletmelerin kar\u015f\u0131la\u015ft\u0131\u011f\u0131 en b\u00fcy\u00fck zorluklardan biri, farkl\u0131 sistemlerde (ili\u015fkisel veritabanlar\u0131, nesne depolama, log dosyalar\u0131 vb.) tutulan verileri bir araya getirmek ve anlaml\u0131 i\u00e7g\u00f6r\u00fcler elde etmektir. \u0130\u015fte tam bu noktada, AWS Lake Formation, Amazon RDS ve Amazon S3 gibi hizmetlerin birle\u015fimi, modern veri ambar\u0131 ve veri g\u00f6l\u00fc mimarileri i\u00e7in \u00e7\u0131\u011f\u0131r a\u00e7an bir \u00e7\u00f6z\u00fcm sunar. Bu makale, da\u011f\u0131n\u0131k veri sorununu nas\u0131l \u00e7\u00f6zebilece\u011finizi, RDS’teki yap\u0131land\u0131r\u0131lm\u0131\u015f verilerinizi S3’teki yar\u0131 yap\u0131land\u0131r\u0131lm\u0131\u015f veya yap\u0131land\u0131r\u0131lmam\u0131\u015f verilerinizle nas\u0131l birle\u015ftirebilece\u011finizi ve bu s\u00fcreci Lake Formation ile nas\u0131l kolayca y\u00f6netebilece\u011finizi ad\u0131m ad\u0131m a\u00e7\u0131klayacakt\u0131r.\n<\/p>\n
\n Modern i\u015fletmeler, operasyonel veritabanlar\u0131ndan (CRM, ERP), web sitelerinden, mobil uygulamalardan ve IoT cihazlar\u0131ndan gelen s\u00fcrekli artan miktarda veriyi y\u00f6netmek zorundad\u0131r. Bu veriler genellikle farkl\u0131 formatlarda ve farkl\u0131 sistemlerde depolan\u0131r, bu da analiz ve raporlama s\u00fcre\u00e7lerini karma\u015f\u0131k ve zaman al\u0131c\u0131 hale getirir. Bir yandan, Amazon RDS (Relational Database Service) gibi ili\u015fkisel veritabanlar\u0131, yap\u0131land\u0131r\u0131lm\u0131\u015f verileri y\u00fcksek performans ve g\u00fcvenilirlikle i\u015flemek i\u00e7in idealdir. Operasyonel kay\u0131tlar, m\u00fc\u015fteri bilgileri veya sipari\u015f detaylar\u0131 gibi kritik i\u015f verileri genellikle RDS \u00fczerinde tutulur. \u00d6te yandan, Amazon S3 (Simple Storage Service), her t\u00fcrl\u00fc veriyi (yap\u0131land\u0131r\u0131lm\u0131\u015f, yar\u0131 yap\u0131land\u0131r\u0131lm\u0131\u015f veya yap\u0131land\u0131r\u0131lmam\u0131\u015f) milyarlarca nesneye kadar depolayabilen, \u00f6l\u00e7eklenebilir ve uygun maliyetli bir nesne depolama hizmetidir. S3, log dosyalar\u0131, resimler, videolar, JSON veya Parquet format\u0131ndaki b\u00fcy\u00fck veri k\u00fcmeleri gibi veriler i\u00e7in birincil veri g\u00f6l\u00fc depolama katman\u0131 olarak i\u015flev g\u00f6r\u00fcr.\n<\/p>\n
\n Peki, bu iki farkl\u0131 veri kayna\u011f\u0131n\u0131 (RDS ve S3) bir araya getirip, \u00fczerinde kolayca analiz yapabilece\u011fimiz, g\u00fcvenli\u011fini sa\u011flayabilece\u011fimiz ve y\u00f6netebilece\u011fimiz tek bir platform nas\u0131l olu\u015fturulur? \u0130\u015fte burada AWS Lake Formation devreye giriyor. Lake Formation, g\u00fcnler veya haftalar s\u00fcren veri g\u00f6l\u00fc kurma s\u00fcrecini dakikalara indirgeyen y\u00f6netilen bir hizmettir. Temel olarak, S3’teki veri g\u00f6l\u00fcn\u00fcz\u00fc kurman\u0131za, g\u00fcvence alt\u0131na alman\u0131za ve y\u00f6netmenize yard\u0131mc\u0131 olur. Lake Formation, S3’teki verilere eri\u015fimi merkezi olarak denetlemenizi sa\u011flarken, ayn\u0131 zamanda AWS Glue Data Catalog ile entegre olarak verilerinizin meta verilerini (\u015fema, tablo adlar\u0131, konum) tek bir yerde saklar. Bu entegrasyon sayesinde, Athena, Redshift Spectrum, EMR ve Glue gibi \u00e7e\u015fitli analitik servisler, ayn\u0131 meta veri tan\u0131m\u0131n\u0131 kullanarak veri g\u00f6l\u00fcn\u00fczdeki verilere tutarl\u0131 bir \u015fekilde eri\u015febilir. Sonu\u00e7 olarak, i\u015fletmeler da\u011f\u0131n\u0131k verilerini tek bir “veri g\u00f6l\u00fc” alt\u0131nda birle\u015ftirerek daha h\u0131zl\u0131 ve daha kapsaml\u0131 analitik i\u00e7g\u00f6r\u00fcler elde edebilir, b\u00f6ylece stratejik kararlar\u0131n\u0131 veri odakl\u0131 bir yakla\u015f\u0131mla g\u00fc\u00e7lendirebilirler. Bu, veri y\u00f6netimi ve analizi s\u00fcre\u00e7lerini \u00f6nemli \u00f6l\u00e7\u00fcde basitle\u015ftirirken, ayn\u0131 zamanda veri g\u00fcvenli\u011fini ve uyumlulu\u011funu en \u00fcst d\u00fczeye \u00e7\u0131kar\u0131r.\n<\/p>\n
\n RDS’teki de\u011ferli operasyonel verilerinizi S3 tabanl\u0131 veri g\u00f6l\u00fcn\u00fcze aktarmak, geni\u015f \u00e7apl\u0131 analizler yapabilmek i\u00e7in at\u0131lmas\u0131 gereken kritik ilk ad\u0131md\u0131r. Bu s\u00fcre\u00e7 genellikle iki ana AWS hizmeti arac\u0131l\u0131\u011f\u0131yla ger\u00e7ekle\u015ftirilir: AWS Database Migration Service (DMS) veya AWS Glue ETL (Extract, Transform, Load) i\u015fleri. Her ikisinin de kendine g\u00f6re avantajlar\u0131 ve kullan\u0131m senaryolar\u0131 vard\u0131r. DMS, \u00f6zellikle veri tabanlar\u0131 aras\u0131 ge\u00e7i\u015fler veya s\u00fcrekli replikasyon gerektiren durumlarda tercih edilirken, Glue ETL, veriyi ta\u015f\u0131man\u0131n yan\u0131 s\u0131ra, format d\u00f6n\u00fc\u015ft\u00fcrme, temizleme ve zenginle\u015ftirme gibi kapsaml\u0131 transformasyonlar yapmak i\u00e7in daha fazla esneklik sunar.\n<\/p>\n
\n Verilerin S3’e aktar\u0131lmas\u0131n\u0131n ard\u0131ndan, bu verilerin Lake Formation taraf\u0131ndan tan\u0131nabilir ve sorgulanabilir hale gelmesi i\u00e7in kataloglanmas\u0131 gerekir. AWS Glue Crawler, S3 bucket’lar\u0131n\u0131zdaki veriyi tarayarak \u015femalar\u0131n\u0131 otomatik olarak \u00e7\u0131kar\u0131r ve bu meta verileri AWS Glue Data Catalog’da depolar. Bu katalog, veri g\u00f6l\u00fcn\u00fcz\u00fcn merkezi meta veri deposudur ve Lake Formation’\u0131n g\u00fcvenlik katman\u0131n\u0131 uygulayaca\u011f\u0131 temel noktad\u0131r. Kataloglama i\u015flemi tamamland\u0131ktan sonra, S3’teki belirli klas\u00f6r veya bucket’lar Lake Formation’a “kay\u0131tl\u0131 konum” olarak tan\u0131t\u0131lmal\u0131d\u0131r. Bu kay\u0131t i\u015flemi, Lake Formation’\u0131n o konumlardaki veriler \u00fczerinde g\u00fcvenlik ve eri\u015fim politikalar\u0131n\u0131 uygulamas\u0131na olanak tan\u0131r.\n<\/p>\n
\n A\u015fa\u011f\u0131da, bir RDS veritaban\u0131ndan S3’e veri aktar\u0131m\u0131 ve Glue Crawler kullanarak kataloglama i\u00e7in basitle\u015ftirilmi\u015f bir AWS Glue Spark beti\u011fi \u00f6rne\u011fi yer almaktad\u0131r. Bu betik, tipik bir ETL i\u015f ak\u0131\u015f\u0131n\u0131n temel ad\u0131mlar\u0131n\u0131 g\u00f6sterir ve RDS verilerinin nas\u0131l okunup, Parquet format\u0131na d\u00f6n\u00fc\u015ft\u00fcr\u00fclerek S3’e yaz\u0131labilece\u011fini a\u00e7\u0131klar:\n<\/p>\n
<\/code> \n Bu kod par\u00e7ac\u0131\u011f\u0131, bir Glue ETL i\u015finin nas\u0131l yap\u0131land\u0131r\u0131labilece\u011fine dair temel bir fikir vermektedir. \n Veri g\u00f6l\u00fc mimarilerinin en b\u00fcy\u00fck avantajlar\u0131ndan biri, t\u00fcm verileri tek bir merkezde toplama yetene\u011fidir; ancak bu durum, ayn\u0131 zamanda g\u00fcvenlik ve eri\u015fim kontrol\u00fc konusunda ciddi zorluklar\u0131 da beraberinde getirir. AWS Lake Formation, bu zorluklar\u0131 a\u015fmak i\u00e7in g\u00fc\u00e7l\u00fc ve gran\u00fcler bir g\u00fcvenlik modeli sunar. Lake Formation'\u0131n temel g\u00fcvenlik mekanizmas\u0131, IAM (Identity and Access Management) rolleri ve kullan\u0131c\u0131lar\u0131 ile entegre \u00e7al\u0131\u015farak, veri g\u00f6l\u00fcn\u00fczdeki tablolara, s\u00fctunlara ve hatta sat\u0131rlara kadar derinlemesine eri\u015fim kontrol\u00fc sa\u011flaman\u0131za olanak tan\u0131r.\n<\/p>\n \n \u00d6ncelikle, S3'teki veri konumlar\u0131n\u0131z\u0131 Lake Formation'a kaydetti\u011finizde, Lake Formation art\u0131k o konumdaki verilere eri\u015fim i\u00e7in yetkili tek arac\u0131 haline gelir. Bundan sonra, herhangi bir AWS servisi (Amazon Athena, Redshift Spectrum veya AWS Glue gibi) veya kullan\u0131c\u0131, bu verilere do\u011frudan S3 \u00fczerinden de\u011fil, Lake Formation'\u0131n izin katman\u0131 \u00fczerinden eri\u015fmek zorunda kal\u0131r. Bu merkeziyet\u00e7i yakla\u015f\u0131m, veri eri\u015fimini tek bir noktadan y\u00f6netmenizi ve denetlemenizi sa\u011flar. Lake Formation'da tan\u0131mlanan izinler, AWS Glue Data Catalog'daki tablolar ve veritabanlar\u0131 \u00fczerinde uygulan\u0131r. \u00d6rne\u011fin, bir kullan\u0131c\u0131n\u0131n sadece belirli bir tablonun belirli s\u00fctunlar\u0131na eri\u015fmesine izin verebilir veya hassas verilerin bulundu\u011fu s\u00fctunlar\u0131 tamamen gizleyebilirsiniz.\n<\/p>\n \n Ayr\u0131ca Lake Formation, \"Tag-Based Access Control\" (Etiket Tabanl\u0131 Eri\u015fim Kontrol\u00fc) gibi ileri d\u00fczey g\u00fcvenlik \u00f6zellikleri sunar. Bu \u00f6zellik sayesinde, veri katalo\u011funuzdaki kaynaklara (veritabanlar\u0131, tablolar) ve IAM sorumlular\u0131na (kullan\u0131c\u0131lar, roller) etiketler atayabilir ve bu etiketler \u00fczerinden dinamik olarak izinler tan\u0131mlayabilirsiniz. B\u00f6ylece, binlerce tablo veya kullan\u0131c\u0131n\u0131z olsa bile, etiketleme stratejileri sayesinde g\u00fcvenlik politikalar\u0131n\u0131z\u0131 \u00f6l\u00e7eklenebilir bir \u015fekilde y\u00f6netebilirsiniz. \u00d6rne\u011fin, \"finans\" etiketiyle i\u015faretlenmi\u015f t\u00fcm tablolara yaln\u0131zca \"finans_analisti\" rol\u00fcne sahip kullan\u0131c\u0131lar\u0131n eri\u015fmesine izin verebilirsiniz. Daha da ileri giderek, \"Cell-Level Security\" (H\u00fccre D\u00fczeyinde G\u00fcvenlik) ve \"Row-Level Security\" (Sat\u0131r D\u00fczeyinde G\u00fcvenlik) gibi \u00f6zellikler sayesinde, belirli sat\u0131rlar\u0131 filtreleyebilir veya s\u00fctunlardaki hassas verileri maskeleyerek kullan\u0131c\u0131lar\u0131n sadece g\u00f6rmesi gereken bilgilere eri\u015fmesini sa\u011flayabilirsiniz. Bu, GDPR, HIPAA gibi reg\u00fclasyonlara uyum sa\u011flamak ve veri s\u0131z\u0131nt\u0131lar\u0131n\u0131 \u00f6nlemek i\u00e7in kritik \u00f6neme sahiptir. K\u0131sacas\u0131, Lake Formation, veri g\u00f6l\u00fcn\u00fczdeki her bir veriye kimin, hangi ko\u015fullarda ve ne kadar eri\u015febilece\u011fini milimetrik hassasiyetle kontrol etmenizi sa\u011flayan kapsaml\u0131 bir g\u00fcvenlik \u00e7er\u00e7evesi sunar.\n<\/p>\n \n Bir e-ticaret platformunun, operasyonel verilerini (m\u00fc\u015fteri bilgileri, sipari\u015f ge\u00e7mi\u015fi, \u00fcr\u00fcn detaylar\u0131) bir Amazon RDS PostgreSQL veritaban\u0131nda tuttu\u011funu ve web sitesi\/uygulama etkile\u015fim loglar\u0131n\u0131 (t\u0131klamalar, sayfa ziyaretleri, arama sorgular\u0131) ise Amazon S3'te depolad\u0131\u011f\u0131n\u0131 d\u00fc\u015f\u00fcnelim. Bu iki veri kayna\u011f\u0131n\u0131n do\u011fas\u0131 farkl\u0131d\u0131r: RDS'teki veriler yap\u0131land\u0131r\u0131lm\u0131\u015f ve ili\u015fkiselken, S3'teki loglar yar\u0131 yap\u0131land\u0131r\u0131lm\u0131\u015f JSON format\u0131ndad\u0131r. \u015eirketin amac\u0131, bu iki farkl\u0131 veri kayna\u011f\u0131n\u0131 birle\u015ftirerek m\u00fc\u015fteri davran\u0131\u015flar\u0131 hakk\u0131nda daha derinlemesine i\u00e7g\u00f6r\u00fcler elde etmek, ki\u015fiselle\u015ftirilmi\u015f \u00fcr\u00fcn \u00f6nerileri sunmak ve pazarlama kampanyalar\u0131n\u0131n etkinli\u011fini art\u0131rmakt\u0131r. Ancak, bu iki veri k\u00fcmesini bir araya getirmek, farkl\u0131 formatlar, karma\u015f\u0131k ETL s\u00fcre\u00e7leri ve da\u011f\u0131n\u0131k g\u00fcvenlik y\u00f6netimi nedeniyle geleneksel y\u00f6ntemlerle olduk\u00e7a zordur.\n<\/p>\n \n Bu senaryoda AWS Lake Formation devreye girerek sorunu \u00e7\u00f6zmek i\u00e7in ideal bir yap\u0131 sunar. \u0130\u015fte ad\u0131m ad\u0131m bir \u00e7\u00f6z\u00fcm ak\u0131\u015f\u0131:\n<\/p>\n \n Bu vaka analizi, Lake Formation'\u0131n farkl\u0131 veri kaynaklar\u0131n\u0131 nas\u0131l entegre etti\u011fini, merkezi bir g\u00fcvenlik katman\u0131 nas\u0131l sa\u011flad\u0131\u011f\u0131n\u0131 ve i\u015fletmelere daha kapsaml\u0131 analitik yetenekleri nas\u0131l sundu\u011funu net bir \u015fekilde g\u00f6stermektedir. Bu yakla\u015f\u0131m, sadece e-ticaret i\u00e7in de\u011fil, finans, sa\u011fl\u0131k, \u00fcretim gibi bir\u00e7ok sekt\u00f6rde de benzer veri entegrasyonu ve analizi sorunlar\u0131n\u0131 \u00e7\u00f6zmek i\u00e7in kullan\u0131labilir.\n<\/p>\n \n AWS Lake Formation ile bir veri g\u00f6l\u00fc kurmak, verilerinizi merkezi olarak y\u00f6netmenin ve analiz etmenin harika bir yoludur. Ancak, sistemden en iyi \u015fekilde yararlanmak i\u00e7in ileri d\u00fczey g\u00fcvenlik pratikleri, performans optimizasyonlar\u0131 ve maliyet y\u00f6netimi stratejileri uygulamak kritik \u00f6neme sahiptir.\n<\/p>\n \n Lake Formation'\u0131n en g\u00fc\u00e7l\u00fc yanlar\u0131ndan biri, gran\u00fcler eri\u015fim kontrol\u00fc yetenekleridir. \"Tag-Based Access Control\" (Etiket Tabanl\u0131 Eri\u015fim Kontrol\u00fc), b\u00fcy\u00fck ve karma\u015f\u0131k veri g\u00f6llerinde izinleri y\u00f6netmenin etkili bir yoludur. Veritabanlar\u0131n\u0131za, tablolar\u0131n\u0131za veya hatta s\u00fctunlar\u0131n\u0131za etiketler atayarak, bu etiketler \u00fczerinden izin politikalar\u0131 tan\u0131mlayabilirsiniz. B\u00f6ylece, yeni bir veri kayna\u011f\u0131 ekledi\u011finizde veya bir kullan\u0131c\u0131 rol\u00fcn\u00fc de\u011fi\u015ftirdi\u011finizde, tek tek izinleri ayarlamak yerine sadece etiketleri y\u00f6neterek g\u00fcvenli\u011fi sa\u011flayabilirsiniz. \"Cell-Level Security\" ve \"Row-Level Security\" ise belirli sat\u0131rlar\u0131 filtreleyerek veya s\u00fctunlardaki hassas verileri maskeleyerek kullan\u0131c\u0131lar\u0131n sadece g\u00f6rmesi gereken bilgilere eri\u015fmesini sa\u011flar. \u00d6rne\u011fin, bir sat\u0131\u015f analisti sadece kendi b\u00f6lgesindeki m\u00fc\u015fteri verilerini g\u00f6rebilirken, kredi kart\u0131 numaralar\u0131 gibi hassas veriler maskelenebilir. Bu t\u00fcr uygulamalar, KVKK ve GDPR gibi veri koruma mevzuatlar\u0131na uyum sa\u011flamak i\u00e7in vazge\u00e7ilmezdir.\n<\/p>\n \n Veri g\u00f6l\u00fcnde performans, \u00f6zellikle b\u00fcy\u00fck veri k\u00fcmeleriyle \u00e7al\u0131\u015f\u0131rken hayati \u00f6neme sahiptir. S3'teki verileriniz i\u00e7in do\u011fru dosya format\u0131n\u0131 se\u00e7mek (Parquet, ORC, Delta Lake veya Apache Iceberg gibi s\u00fctun tabanl\u0131 formatlar), sorgu performans\u0131n\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131r\u0131r. Bu formatlar, sadece gerekli s\u00fctunlar\u0131 okuyarak I\/O maliyetini azalt\u0131r. Ayr\u0131ca, verilerinizi uygun bir klas\u00f6r yap\u0131s\u0131 ile b\u00f6l\u00fcmlendirmek (partitioning), analitik sorgular\u0131n sadece ilgili veri alt k\u00fcmelerini taramas\u0131n\u0131 sa\u011flayarak hem performans\u0131 art\u0131r\u0131r hem de maliyeti d\u00fc\u015f\u00fcr\u00fcr. \u00d6rne\u011fin, \n Lake Formation'\u0131n kendisi ek bir maliyet getirmez; ancak kulland\u0131\u011f\u0131 di\u011fer AWS hizmetleri (S3 depolama, Glue ETL, Athena sorgu \u00fccretleri vb.) maliyetlidir. Maliyeti optimize etmek i\u00e7in, S3 ya\u015fam d\u00f6ng\u00fcs\u00fc politikalar\u0131n\u0131 kullanarak eski veya nadiren eri\u015filen verileri daha d\u00fc\u015f\u00fck maliyetli depolama s\u0131n\u0131flar\u0131na (Glacier gibi) ta\u015f\u0131y\u0131n. Glue ETL i\u015flerinizi verimli hale getirin; gereksiz yere b\u00fcy\u00fck Spark worker'lar kullanmaktan ka\u00e7\u0131n\u0131n. Athena sorgular\u0131n\u0131z\u0131 optimize edin; <\/p>\n\nimport sys\nfrom awsglue.transforms import *\nfrom awsglue.utils import getResolvedOptions\nfrom pyspark.context import SparkContext\nfrom awsglue.context import GlueContext\nfrom awsglue.job import Job\n\n# Glue Job arg\u00fcmanlar\u0131n\u0131 al\nargs = getResolvedOptions(sys.argv, ['JOB_NAME'])\n\n# Spark ve Glue ba\u011flamlar\u0131n\u0131 ba\u015flat\nsc = SparkContext()\nglueContext = GlueContext(sc)\nspark = glueContext.spark_session\njob = Job(glueContext)\njob.init(args['JOB_NAME'], args)\n\n# RDS'ten veriyi oku (Glue Connection kullanarak)\n# 'your_rds_connection' Glue Data Catalog'da tan\u0131mlanm\u0131\u015f bir RDS ba\u011flant\u0131s\u0131 olmal\u0131\ndatasource0 = glueContext.create_dynamic_frame.from_options(\n connection_type=\"mysql\", # veya \"postgresql\", \"sqlserver\" vb.\n connection_options={\n \"useConnectionProperties\": \"true\",\n \"dbtable\": \"your_rds_table_name\", # RDS'teki tablo ad\u0131\n \"connectionName\": \"your_rds_connection\"\n }\n)\n\n# Veriyi Parquet format\u0131na d\u00f6n\u00fc\u015ft\u00fcr\n# Bu ad\u0131m, s\u00fctun tabanl\u0131 depolama ile sorgu performans\u0131n\u0131 art\u0131r\u0131r\ndatasink1 = ConvertType.apply(frame=datasource0, conversion_spec=[(\"all\", \"string\")]) # Opsiyonel: t\u00fcm s\u00fctunlar\u0131 string yap\ndatasink2 = glueContext.write_dynamic_frame.from_options(\n frame=datasink1,\n connection_type=\"s3\",\n connection_options={\"path\": \"s3:\/\/your-s3-bucket\/your-data-lake-path\/parquet\/\"},\n format=\"parquet\"\n)\n\njob.commit()\n<\/pre>\n
\n<\/code><\/p>\nyour_rds_connection<\/code> yerine kendi RDS ba\u011flant\u0131 bilgilerinizi, your_rds_table_name<\/code> yerine ise ta\u015f\u0131mak istedi\u011finiz tablonun ad\u0131n\u0131 ve s3:\/\/your-s3-bucket\/your-data-lake-path\/parquet\/<\/code> yerine kendi S3 yolunuzu eklemeniz gerekmektedir. Veri aktar\u0131m\u0131 tamamland\u0131ktan sonra, bir Glue Crawler'\u0131 bu S3 yolunu taramak \u00fczere yap\u0131land\u0131r\u0131p \u00e7al\u0131\u015ft\u0131rarak, verilerinizi AWS Glue Data Catalog'a kaydedebilir ve ard\u0131ndan Lake Formation'da bu katalo\u011fu ve S3 konumunu g\u00fcvenli hale getirme ad\u0131mlar\u0131na ge\u00e7ebilirsiniz. Bu s\u00fcre\u00e7, karma\u015f\u0131k veri entegrasyonu ve y\u00f6netimini basitle\u015ftirerek analitik potansiyelinizi maksimize etmenize yard\u0131mc\u0131 olur.\n<\/p>\nLake Formation ile Veri G\u00f6l\u00fcn\u00fcz\u00fc Nas\u0131l G\u00fcvenli Hale Getirebilirsiniz?<\/h3>\n
Ger\u00e7ek D\u00fcnya Uygulamalar\u0131: E-ticaret Vaka Analizi ve \u00c7\u00f6z\u00fcmleri<\/h2>\n
\n
\u0130leri D\u00fczey G\u00fcvenlik, Performans Optimizasyonu ve Maliyet Y\u00f6netimi \u0130\u00e7in \u0130pu\u00e7lar\u0131<\/h2>\n
Geli\u015fmi\u015f G\u00fcvenlik ve Eri\u015fim Kontrol\u00fc<\/h3>\n
Performans Optimizasyonu<\/h3>\n
s3:\/\/data-lake\/sales\/year=2023\/month=01\/<\/code> gibi bir yap\u0131, ayl\u0131k sat\u0131\u015f raporlar\u0131 i\u00e7in sadece ilgili ay\u0131n verisinin taranmas\u0131n\u0131 sa\u011flar. Sorgu motoru se\u00e7imi de performans\u0131 etkiler. Amazon Athena, ad-hoc sorgular i\u00e7in idealdir; Amazon Redshift Spectrum, Redshift veri ambar\u0131n\u0131zdaki verileri S3'teki veri g\u00f6l\u00fc verileriyle birle\u015ftirmenizi sa\u011flar; Apache Spark veya EMR ise karma\u015f\u0131k ETL ve makine \u00f6\u011frenimi i\u015f y\u00fckleri i\u00e7in daha uygundur.\n<\/p>\nMaliyet Y\u00f6netimi<\/h3>\n
SELECT *<\/code> yerine sadece ihtiyac\u0131n\u0131z olan s\u00fctunlar\u0131 sorgulay\u0131n ve b\u00f6l\u00fcmlendirilmi\u015f tablolar\u0131 kullan\u0131n. Ayr\u0131ca, s\u0131k\u00e7a sorgulanan k\u00fc\u00e7\u00fck veri k\u00fcmelerini S3'ten Redshift'e veya ba\u015fka bir \u00f6nbellekleme katman\u0131na ta\u015f\u0131mak da maliyet etkinli\u011fi sa\u011flayabilir.\n<\/p>\n