{"id":32057,"date":"2025-10-17T06:31:26","date_gmt":"2025-10-17T03:31:26","guid":{"rendered":"https:\/\/fatihsoysal.com\/blog\/alibaba-cloud-loongsuite-ai-caginda-gozlemlenebilir-veri-toplama\/"},"modified":"2025-10-17T06:31:26","modified_gmt":"2025-10-17T03:31:26","slug":"alibaba-cloud-loongsuite-ai-caginda-gozlemlenebilir-veri-toplama","status":"publish","type":"post","link":"https:\/\/fatihsoysal.com\/blog\/alibaba-cloud-loongsuite-ai-caginda-gozlemlenebilir-veri-toplama\/","title":{"rendered":"Alibaba Cloud LoongSuite: AI \u00c7a\u011f\u0131nda G\u00f6zlemlenebilir Veri Toplama"},"content":{"rendered":"<style>\n    \/* Temel Stil Ayarlar\u0131 *\/\n    body {\n        font-family: 'Segoe UI', Tahoma, Geneva, Verdana, sans-serif;\n        line-height: 1.6;\n        color: #333;\n        margin: 0 auto;\n        padding: 20px;\n        max-width: 1000px;\n        background-color: #f9f9f9;\n    }\n    h2 {\n        color: #2c3e50;\n        border-bottom: 2px solid #3498db;\n        padding-bottom: 10px;\n        margin-top: 40px;\n    }\n    h3 {\n        color: #34495e;\n        margin-top: 30px;\n    }\n    p {\n        margin-bottom: 15px;\n    }\n    ul, ol {\n        margin-bottom: 15px;\n        padding-left: 25px;\n    }\n    li {\n        margin-bottom: 8px;\n    }\n    pre {\n        background-color: #ecf0f1;\n        border: 1px solid #ddd;\n        padding: 15px;\n        border-radius: 5px;\n        overflow-x: auto;\n        font-family: 'Consolas', 'Monaco', monospace;\n        font-size: 0.9em;\n        margin-bottom: 20px;\n    }\n    code {\n        font-family: 'Consolas', 'Monaco', monospace;\n        background-color: #e0e6e7;\n        padding: 2px 4px;\n        border-radius: 3px;\n        font-size: 0.9em;\n    }\n    table {\n        width: 100%;\n        border-collapse: collapse;\n        margin-bottom: 20px;\n        box-shadow: 0 2px 5px rgba(0,0,0,0.1);\n    }\n    th, td {\n        border: 1px solid #ddd;\n        padding: 12px;\n        text-align: left;\n    }\n    th {\n        background-color: #3498db;\n        color: white;\n    }\n    tr:nth-child(even) {\n        background-color: #f2f2f2;\n    }\n    .interactive-tip {\n        background-color: #e8f6f3;\n        border-left: 5px solid #1abc9c;\n        padding: 15px;\n        margin: 25px 0;\n        font-style: italic;\n        color: #27ae60;\n        border-radius: 4px;\n    }\n    .interactive-tip strong {\n        color: #1abc9c;\n    }<\/p>\n<p>    \/* Mobil Uyumluluk \u0130\u00e7in Media Query \u00d6rnekleri *\/\n    @media screen and (max-width: 768px) {\n        body {\n            padding: 15px;\n        }\n        h2 {\n            font-size: 1.8em;\n            margin-top: 30px;\n        }\n        h3 {\n            font-size: 1.4em;\n            margin-top: 25px;\n        }\n        table, thead, tbody, th, td, tr {\n            display: block; \/* Tablolar\u0131 mobil cihazlarda blok elementlere d\u00f6n\u00fc\u015ft\u00fcr *\/\n        }\n        thead tr {\n            position: absolute;\n            top: -9999px;\n            left: -9999px;\n        }\n        tr {\n            border: 1px solid #ccc;\n            margin-bottom: 10px;\n        }\n        td {\n            border: none;\n            border-bottom: 1px solid #eee;\n            position: relative;\n            padding-left: 50%;\n            text-align: right;\n        }\n        td:before {\n            position: absolute;\n            top: 6px;\n            left: 6px;\n            width: 45%;\n            padding-right: 10px;\n            white-space: nowrap;\n            text-align: left;\n            font-weight: bold;\n        }\n        \/* Her s\u00fctun i\u00e7in ba\u015fl\u0131\u011f\u0131 td:before i\u00e7eri\u011fine ekle *\/\n        td:nth-of-type(1):before { content: \"Bile\u015fen\"; }\n        td:nth-of-type(2):before { content: \"A\u00e7\u0131klama\"; }\n        td:nth-of-type(3):before { content: \"\u00d6nem\"; }\n    }<\/p>\n<p>    @media screen and (max-width: 480px) {\n        h2 {\n            font-size: 1.5em;\n        }\n        h3 {\n            font-size: 1.2em;\n        }\n        pre {\n            font-size: 0.8em;\n            padding: 10px;\n        }\n        .interactive-tip {\n            padding: 10px;\n        }\n    }\n<\/style>\n<p>Yapay zeka \u00e7a\u011f\u0131n\u0131n karma\u015f\u0131k sistemlerinde performans ve maliyet dengesini kurmak zorlu bir g\u00f6revdir. Alibaba Cloud&#8217;un a\u00e7\u0131k kaynak LoongSuite&#8217;u, y\u00fcksek performansl\u0131 ve d\u00fc\u015f\u00fck maliyetli g\u00f6zlemlenebilir veri toplamay\u0131 kolayla\u015ft\u0131rarak bu zorlu\u011fun \u00fcstesinden gelmeye yard\u0131mc\u0131 oluyor.<\/p>\n<p>Modern yaz\u0131l\u0131m mimarileri, mikro hizmetler, konteynerler ve sunucusuz mimariler gibi da\u011f\u0131t\u0131k sistemler \u00fczerine in\u015fa edilmi\u015ftir. \u00d6zellikle yapay zeka (AI) ve makine \u00f6\u011frenimi (ML) modellerinin entegrasyonuyla bu sistemlerin karma\u015f\u0131kl\u0131\u011f\u0131 katlanarak artmaktad\u0131r. Geleneksel izleme (monitoring) yakla\u015f\u0131mlar\u0131, bu dinamik ve \u00f6l\u00e7eklenebilir ortamlar\u0131n t\u00fcm n\u00fcanslar\u0131n\u0131 kavramakta \u00e7o\u011fu zaman yetersiz kal\u0131r. \u0130\u015fte tam da bu noktada g\u00f6zlemlenebilirlik (observability) kavram\u0131 devreye giriyor. G\u00f6zlemlenebilirlik, bir sistemin i\u00e7 durumunu, \u00e7\u0131kt\u0131lar\u0131 hakk\u0131nda d\u0131\u015far\u0131dan sorgulanabilen verilerle anlamak yetene\u011fidir. Ba\u015fka bir deyi\u015fle, sistemin neden \u00f6yle davrand\u0131\u011f\u0131n\u0131 anlamak i\u00e7in yeterli bilgiye sahip olmakt\u0131r.<\/p>\n<p>Peki, bu neden bu kadar \u00f6nemli? Her \u015feyden \u00f6nce, performans kritik uygulamalarda kesintiye u\u011framak veya yava\u015flamak, kullan\u0131c\u0131 deneyimini ciddi \u015fekilde etkiler ve i\u015fletmeler i\u00e7in b\u00fcy\u00fck maliyetler do\u011furabilir. Da\u011f\u0131t\u0131k bir mimaride bir sorunun k\u00f6k nedenini bulmak, bir i\u011fneyi samanl\u0131kta aramaya benzer. Metrikler (CPU kullan\u0131m\u0131, bellek, a\u011f trafi\u011fi), loglar (uygulama olaylar\u0131, hatalar) ve trace&#8217;ler (bir iste\u011fin t\u00fcm sistemdeki yolculu\u011fu) gibi g\u00f6zlemlenebilirlik sinyalleri olmadan, sorun giderme s\u00fcreci haftalar s\u00fcrebilir. Ayr\u0131ca, AI modellerinin \u00fcretim ortam\u0131nda d\u00fczg\u00fcn \u00e7al\u0131\u015ft\u0131\u011f\u0131ndan emin olmak, veri sapmalar\u0131 (data drift), model performans\u0131 d\u00fc\u015f\u00fc\u015fleri veya yanl\u0131\u015f tahminler gibi sorunlar\u0131 h\u0131zla tespit etmek i\u00e7in bu sinyallere ihtiya\u00e7 duyar\u0131z. \u00d6rne\u011fin, bir tavsiye sistemi aniden alakas\u0131z \u00fcr\u00fcnler \u00f6nermeye ba\u015flarsa, bunun veri giri\u015findeki bir anormallikten mi, modelin kendisindeki bir hatadan m\u0131, yoksa altyap\u0131sal bir sorundan m\u0131 kaynakland\u0131\u011f\u0131n\u0131 bilmek hayati \u00f6nem ta\u015f\u0131r. Bu ba\u011flamda, g\u00f6zlemlenebilirlik, AI tabanl\u0131 sistemlerin g\u00fcvenilirli\u011fini, verimlili\u011fini ve s\u00fcrekli geli\u015fimini sa\u011flamak i\u00e7in vazge\u00e7ilmez bir ara\u00e7 haline gelmi\u015ftir. Alibaba Cloud&#8217;un bu karma\u015f\u0131k ihtiyaca bir yan\u0131t olarak sundu\u011fu a\u00e7\u0131k kaynakl\u0131 LoongSuite, bu g\u00f6zlemlenebilirli\u011fi y\u00fcksek performans ve d\u00fc\u015f\u00fck maliyetle sunmay\u0131 hedeflemektedir.<\/p>\n<p>Bu \u00e7a\u011fda, veri hacmi s\u00fcrekli artarken, bu veriyi toplamak, i\u015flemek ve saklamak ciddi maliyetler getiriyor. \u00d6zellikle b\u00fcy\u00fck \u00f6l\u00e7ekli AI projelerinde, \u00fcretilen telemetri verisi petabaytlar seviyesine ula\u015fabilir. Geleneksel \u00e7\u00f6z\u00fcmler bu \u00f6l\u00e7ekte ya \u00e7ok pahal\u0131d\u0131r ya da performans darbo\u011fazlar\u0131na yol a\u00e7ar. Bu durum, \u015firketlerin g\u00f6zlemlenebilirlik yat\u0131r\u0131mlar\u0131n\u0131 k\u0131s\u0131tlamalar\u0131na ve dolay\u0131s\u0131yla operasyonel risklerini art\u0131rmalar\u0131na neden olur. LoongSuite, bu denklemi de\u011fi\u015ftirerek, hem performans beklentilerini kar\u015f\u0131larken hem de maliyetleri optimize eden yenilik\u00e7i bir yakla\u015f\u0131m sunuyor. Bu, \u00f6zellikle AI tabanl\u0131 hizmetler sunan veya b\u00fcy\u00fck veri i\u015fleyen firmalar i\u00e7in oyunun kurallar\u0131n\u0131 de\u011fi\u015ftiren bir geli\u015fmedir. Alibaba Cloud&#8217;un bu ad\u0131m\u0131, sekt\u00f6rde a\u00e7\u0131k kaynak \u00e7\u00f6z\u00fcmlerin \u00f6nemini bir kez daha vurgulamakta ve geni\u015f geli\u015ftirici toplulu\u011funa katk\u0131da bulunma f\u0131rsat\u0131 sunmaktad\u0131r.<\/p>\n<h2>LoongSuite Nedir ve Temel Kavramlar\u0131 Nelerdir?<\/h2>\n<p>Alibaba Cloud&#8217;un a\u00e7\u0131k kaynak projesi LoongSuite, &#8220;Yapay Zeka \u00c7a\u011f\u0131 \u0130\u00e7in Y\u00fcksek Performansl\u0131, D\u00fc\u015f\u00fck Maliyetli G\u00f6zlemlenebilir Veri Toplama Paketi&#8221; olarak tan\u0131mlanabilir. Temel amac\u0131, modern ve karma\u015f\u0131k da\u011f\u0131t\u0131k sistemlerden (\u00f6zellikle AI\/ML i\u015f y\u00fcklerini i\u00e7erenler) kaynaklanan metrik, log ve trace verilerini etkili, verimli ve ekonomik bir \u015fekilde toplamak, i\u015flemek ve analiz edilebilir hale getirmektir. LoongSuite, ad\u0131n\u0131 &#8220;ejderha&#8221; anlam\u0131na gelen &#8220;Loong&#8221; kelimesinden alarak, \u00c7in k\u00fclt\u00fcr\u00fcndeki g\u00fcc\u00fc ve performans\u0131 simgelemektedir ve bu hedeflerini yans\u0131t\u0131r niteliktedir. Geleneksel g\u00f6zlemlenebilirlik \u00e7\u00f6z\u00fcmlerinin genellikle y\u00fcksek maliyetli depolama ve i\u015fleme gereksinimleri nedeniyle kar\u015f\u0131la\u015ft\u0131\u011f\u0131 zorluklara, \u00f6zellikle b\u00fcy\u00fck \u00f6l\u00e7ekli ortamlarda bir yan\u0131t olarak do\u011fmu\u015ftur.<\/p>\n<p>LoongSuite&#8217;un kalbinde, g\u00f6zlemlenebilirli\u011fin \u00fc\u00e7 ana s\u00fctunu yatar: metrikler, loglar ve trace&#8217;ler. Bu kavramlar\u0131 k\u0131saca a\u00e7\u0131klayal\u0131m:<\/p>\n<ul>\n<li><strong>Metrikler (Metrics):<\/strong> Sistemin belirli bir zaman noktas\u0131ndaki nicel \u00f6l\u00e7\u00fcmleridir. CPU kullan\u0131m\u0131, bellek t\u00fcketimi, disk G\/\u00c7, a\u011f bant geni\u015fli\u011fi, istek say\u0131s\u0131, hata oran\u0131 gibi zaman serisi verileridir. Metrikler genellikle d\u00fczenli aral\u0131klarla toplan\u0131r ve e\u011filimleri, anormallikleri ve genel sistem sa\u011fl\u0131\u011f\u0131n\u0131 h\u0131zl\u0131ca anlamak i\u00e7in kullan\u0131l\u0131r. LoongSuite, bu metrikleri optimize edilmi\u015f formatlarda toplayarak ve depolayarak sorgulama performans\u0131n\u0131 art\u0131r\u0131r.<\/li>\n<li><strong>Loglar (Logs):<\/strong> Uygulamalar\u0131n ve sistemlerin belirli olaylar veya i\u015flemler s\u0131ras\u0131nda kaydetti\u011fi yap\u0131land\u0131r\u0131lm\u0131\u015f veya yar\u0131 yap\u0131land\u0131r\u0131lm\u0131\u015f mesajlard\u0131r. Hata mesajlar\u0131, kullan\u0131c\u0131 etkinlikleri, i\u015flem kay\u0131tlar\u0131, uyar\u0131lar gibi bilgiler i\u00e7erirler. Loglar, bir olay\u0131n ayr\u0131nt\u0131lar\u0131n\u0131 anlamak ve sorun giderme (troubleshooting) i\u00e7in vazge\u00e7ilmezdir. LoongSuite, y\u00fcksek hacimli log verilerini verimli bir \u015fekilde al\u0131p, s\u0131k\u0131\u015ft\u0131r\u0131p, depolayarak maliyetleri d\u00fc\u015f\u00fcr\u00fcrken, g\u00fc\u00e7l\u00fc filtreleme ve arama yetenekleri sunar.<\/li>\n<li><strong>Trace&#8217;ler (Traces):<\/strong> Da\u011f\u0131t\u0131k bir sistemdeki tek bir iste\u011fin veya i\u015flemin, hizmetler ve bile\u015fenler aras\u0131ndaki t\u00fcm yolculu\u011funu g\u00f6steren u\u00e7tan uca kay\u0131tlard\u0131r. Bir iste\u011fin hangi hizmetlerden ge\u00e7ti\u011fini, her hizmette ne kadar zaman harcad\u0131\u011f\u0131n\u0131 ve olas\u0131 performans darbo\u011fazlar\u0131n\u0131 g\u00f6rselle\u015ftirmeye yard\u0131mc\u0131 olurlar. Trace&#8217;ler, karma\u015f\u0131k mikro hizmet mimarilerinde performans sorunlar\u0131n\u0131n k\u00f6k nedenini bulmak i\u00e7in son derece de\u011ferlidir. LoongSuite, OpenTelemetry gibi end\u00fcstri standartlar\u0131n\u0131 destekleyerek trace verilerinin toplanmas\u0131n\u0131 ve ili\u015fkilendirilmesini kolayla\u015ft\u0131r\u0131r.<\/li>\n<\/ul>\n<p>LoongSuite&#8217;u di\u011fer \u00e7\u00f6z\u00fcmlerden ay\u0131ran temel \u00f6zellikler ise y\u00fcksek performans ve d\u00fc\u015f\u00fck maliyettir. Bunu, veri toplama, i\u015fleme ve depolama katmanlar\u0131nda uygulad\u0131\u011f\u0131 yenilik\u00e7i optimizasyonlarla ba\u015far\u0131r. \u00d6rne\u011fin, veri s\u0131k\u0131\u015ft\u0131rma algoritmalar\u0131, ak\u0131ll\u0131 veri ya\u015fam d\u00f6ng\u00fcs\u00fc y\u00f6netimi (eski verilerin daha uygun maliyetli depolama alanlar\u0131na ta\u015f\u0131nmas\u0131), ve donan\u0131m kaynaklar\u0131n\u0131 daha verimli kullanan i\u015fleme motorlar\u0131 sayesinde \u00f6nemli \u00f6l\u00e7\u00fcde maliyet tasarrufu sa\u011flar. Ayn\u0131 zamanda, b\u00fcy\u00fck veri hacimlerini anl\u0131k olarak i\u015fleyebilme kapasitesi ve d\u00fc\u015f\u00fck gecikmeli sorgu performans\u0131 sunarak, yapay zeka modellerinin gerektirdi\u011fi ger\u00e7ek zamanl\u0131 izleme ihtiya\u00e7lar\u0131na cevap verir. Bu yakla\u015f\u0131m, \u015firketlerin g\u00f6zlemlenebilirlik yeteneklerinden \u00f6d\u00fcn vermeden, operasyonel giderlerini kontrol alt\u0131nda tutmalar\u0131na olanak tan\u0131r. K\u0131sacas\u0131, LoongSuite, modern AI altyap\u0131lar\u0131n\u0131n taleplerini kar\u015f\u0131layan, g\u00fc\u00e7l\u00fc, esnek ve ekonomik bir g\u00f6zlemlenebilirlik omurgas\u0131 sunar.<\/p>\n<h2>LoongSuite Nas\u0131l \u00c7al\u0131\u015f\u0131r: Mimari ve Temel Bile\u015fenler<\/h2>\n<p>LoongSuite&#8217;un arkas\u0131ndaki mimari, y\u00fcksek performans ve d\u00fc\u015f\u00fck maliyet hedeflerine ula\u015fmak i\u00e7in \u00f6zenle tasarlanm\u0131\u015ft\u0131r. Mod\u00fcler yap\u0131s\u0131 sayesinde farkl\u0131 bile\u015fenler ba\u011f\u0131ms\u0131z olarak \u00f6l\u00e7eklenebilir ve \u00e7e\u015fitli ortamlara entegre edilebilir. Temel olarak, LoongSuite veri toplama, i\u015fleme ve depolama katmanlar\u0131ndan olu\u015fur, bu katmanlar aras\u0131ndaki veri ak\u0131\u015f\u0131 ak\u0131ll\u0131 algoritmalarla optimize edilir. Bu yap\u0131, hem k\u00fc\u00e7\u00fck ekiplerin h\u0131zl\u0131ca ba\u015flamas\u0131na hem de b\u00fcy\u00fck kurulu\u015flar\u0131n petabaytlarca veriyi y\u00f6netmesine olanak tan\u0131r.<\/p>\n<h3>Veri Toplama Ajanlar\u0131 ve Gateway&#8217;ler<\/h3>\n<p>LoongSuite&#8217;un ilk ad\u0131m\u0131, izlenen sistemlerden veri toplamakt\u0131r. Bu genellikle hafif veri toplama ajanlar\u0131 (collectors\/agents) arac\u0131l\u0131\u011f\u0131yla yap\u0131l\u0131r. Bu ajanlar, sunuculara, konteynerlere veya uygulamalara da\u011f\u0131t\u0131l\u0131r ve metrikleri, loglar\u0131 ve trace&#8217;leri sistem kaynaklar\u0131ndan, uygulama katmanlar\u0131ndan veya a\u011f cihazlar\u0131ndan toparlar. Alibaba Cloud&#8217;un LoongSuite&#8217;u, OpenTelemetry kolekt\u00f6rleri gibi end\u00fcstri standartlar\u0131n\u0131 destekleyerek geni\u015f bir entegrasyon yelpazesi sunar. Bu ajanlar, verileri genellikle bir gateway&#8217;e g\u00f6nderir. Gateway, verileri tek bir noktada toplar, \u00f6n i\u015fleme tabi tutar (\u00f6rne\u011fin, filtreleme, zenginle\u015ftirme, \u00f6rnekleme) ve daha sonra i\u015fleme katman\u0131na iletmeden \u00f6nce s\u0131k\u0131\u015ft\u0131r\u0131r. Bu \u00f6n i\u015fleme, gereksiz verinin depolanmas\u0131n\u0131 engelleyerek maliyetleri \u00f6nemli \u00f6l\u00e7\u00fcde d\u00fc\u015f\u00fcr\u00fcr ve performans\u0131 art\u0131r\u0131r.<\/p>\n<pre><code>\n# \u00d6rnek bir OpenTelemetry Collector konfig\u00fcrasyonu\nreceivers:\n  otlp:\n    protocols:\n      grpc:\n      http:\n  hostmetrics:\n    collection_interval: 10s\n    scrapers:\n      cpu:\n      memory:\n      disk:\n      network:\n      process:\n\nprocessors:\n  batch:\n    send_batch_size: 1000\n    timeout: 10s\n  memory_limiter:\n    limit_mib: 100\n    spike_limit_mib: 20\n    check_interval: 1s\n\nexporters:\n  otlp\/loongsuite:\n    endpoint: \"loongsuite-gateway:4317\" # LoongSuite Gateway adresi\n    tls:\n      insecure: true # Test ortam\u0131 i\u00e7in, \u00fcretimde kapat\u0131lmal\u0131\n\nservice:\n  pipelines:\n    metrics:\n      receivers: [otlp, hostmetrics]\n      processors: [memory_limiter, batch]\n      exporters: [otlp\/loongsuite]\n    logs:\n      receivers: [otlp]\n      processors: [memory_limiter, batch]\n      exporters: [otlp\/loongsuite]\n    traces:\n      receivers: [otlp]\n      processors: [memory_limiter, batch]\n      exporters: [otlp\/loongsuite]\n<\/pre>\n<p><\/code><\/p>\n<p>Yukar\u0131daki \u00f6rnek, bir OpenTelemetry kolekt\u00f6r\u00fcn\u00fcn nas\u0131l yap\u0131land\u0131r\u0131laca\u011f\u0131n\u0131 g\u00f6stermektedir. Bu kolekt\u00f6r, OTLP protokol\u00fc \u00fczerinden gelen verileri (metrikler, loglar, trace'ler) ve ana sistem metriklerini toplar, toplu i\u015fler ve LoongSuite gateway'ine g\u00f6nderir. Bu tasar\u0131m, veri toplama katman\u0131n\u0131n esnekli\u011fini ve geni\u015f uyumlulu\u011funu ortaya koyar.<\/p>\n<h3>Veri \u0130\u015fleme ve Depolama Stratejileri<\/h3>\n<p>Gateway'den al\u0131nan veriler, LoongSuite'un i\u015fleme motoru taraf\u0131ndan al\u0131n\u0131r. Bu motor, gelen verileri daha ileri d\u00fczeyde i\u015fler: daha fazla filtreleme, d\u00f6n\u00fc\u015ft\u00fcrme, etiketleme ve indeksleme yapar. AI\/ML i\u015f y\u00fckleri i\u00e7in \u00f6zel olarak tasarlanm\u0131\u015f entegrasyonlar sayesinde, anormallik tespiti veya model performans\u0131 izleme gibi geli\u015fmi\u015f analizler i\u00e7in veriler haz\u0131rlanabilir. \u0130\u015fleme motoru, genellikle da\u011f\u0131t\u0131k bir yap\u0131ya sahiptir ve y\u00fcksek hacimli veriyi paralel olarak i\u015fleyebilir, b\u00f6ylece gecikmeyi minimuma indirir.<\/p>\n<p>Depolama katman\u0131, LoongSuite'un d\u00fc\u015f\u00fck maliyet hedefine ula\u015fmas\u0131nda kritik rol oynar. Geleneksel olarak, t\u00fcm telemetri verisini h\u0131zl\u0131 ve eri\u015filebilir bir veritaban\u0131nda saklamak \u00e7ok pahal\u0131d\u0131r. LoongSuite bu sorunu, ak\u0131ll\u0131 depolama stratejileriyle \u00e7\u00f6zer:<\/p>\n<ul>\n<li><strong>Kolon Tabanl\u0131 Depolama:<\/strong> Metrikler ve loglar gibi zaman serisi verileri i\u00e7in genellikle kolon tabanl\u0131 veritabanlar\u0131 kullan\u0131l\u0131r. Bu veritabanlar\u0131, ayn\u0131 t\u00fcrden veriyi birlikte depolayarak s\u0131k\u0131\u015ft\u0131rma oranlar\u0131n\u0131 art\u0131r\u0131r ve belirli sorgu t\u00fcrleri i\u00e7in (\u00f6rne\u011fin, belirli bir metrik serisinin zaman i\u00e7indeki de\u011fi\u015fimi) okuma performans\u0131n\u0131 optimize eder.<\/li>\n<li><strong>Nesne Depolama Entegrasyonu:<\/strong> Daha eski veya nadiren eri\u015filen veriler (\u00f6zellikle loglar ve trace'ler), Amazon S3 veya Alibaba Cloud OSS gibi daha uygun maliyetli nesne depolama hizmetlerine aktar\u0131l\u0131r. LoongSuite, bu veriler \u00fczerinde de etkili bir \u015fekilde sorgulama yapabilmek i\u00e7in ak\u0131ll\u0131 indeksleme ve veri katmanlama mekanizmalar\u0131 sunar. Bu sayede, \"s\u0131cak\" veriler h\u0131zl\u0131 eri\u015fimli depolarda tutulurken, \"so\u011fuk\" veriler daha ekonomik \u00e7\u00f6z\u00fcmlerde ar\u015fivlenir, b\u00f6ylece toplam maliyet b\u00fcy\u00fck \u00f6l\u00e7\u00fcde d\u00fc\u015fer.<\/li>\n<li><strong>S\u0131k\u0131\u015ft\u0131rma Algoritmalar\u0131:<\/strong> LoongSuite, verileri depolamadan \u00f6nce geli\u015fmi\u015f s\u0131k\u0131\u015ft\u0131rma algoritmalar\u0131yla (\u00f6rne\u011fin, zaman serisi verileri i\u00e7in delta kodlama veya Goril benzeri algoritmalar) s\u0131k\u0131\u015ft\u0131rarak depolama ayak izini azalt\u0131r.<\/li>\n<\/ul>\n<p>Bu ak\u0131ll\u0131 depolama stratejisi sayesinde, LoongSuite, hem d\u00fc\u015f\u00fck maliyetli veri depolamay\u0131 hem de ihtiya\u00e7 duyuldu\u011funda verilere h\u0131zl\u0131 eri\u015fimi bir arada sunar. Kullan\u0131c\u0131lar, Prometheus ve Grafana gibi pop\u00fcler g\u00f6rselle\u015ftirme ara\u00e7lar\u0131yla LoongSuite'un depolad\u0131\u011f\u0131 verilere kolayca eri\u015febilir ve kendi panolar\u0131n\u0131 olu\u015fturabilirler. LoongSuite, genellikle OpenMetrics ve OpenTelemetry gibi standartlar\u0131 destekleyerek bu entegrasyonlar\u0131 sorunsuz hale getirir. Bu kapsaml\u0131 mimari, LoongSuite'un yapay zeka \u00e7a\u011f\u0131n\u0131n gerektirdi\u011fi \u00f6l\u00e7eklenebilirlik, performans ve maliyet verimlili\u011fi dengesini ba\u015far\u0131yla kurmas\u0131n\u0131 sa\u011flar.<\/p>\n<div class=\"interactive-tip\">\n  <strong>Uzman \u0130pucu:<\/strong> LoongSuite'un veri ya\u015fam d\u00f6ng\u00fcs\u00fc y\u00f6netimini etkin kullanmak, depolama maliyetlerinizi dramatik bir \u015fekilde d\u00fc\u015f\u00fcrebilir. S\u0131k\u00e7a eri\u015filen verileri \"s\u0131cak\" depolarda, daha az kritik veya eski verileri ise \"so\u011fuk\" depolarda tutacak politikalar belirleyin. Bu, \u00f6zellikle y\u00fcksek hacimli log verileri i\u00e7in b\u00fcy\u00fck fark yarat\u0131r.\n<\/div>\n<h2>Ger\u00e7ek D\u00fcnya Uygulamalar\u0131: LoongSuite ile Maliyetten Tasarruf ve Performans Art\u0131\u015f\u0131 Nas\u0131l Sa\u011flan\u0131r?<\/h2>\n<p>LoongSuite'un teorik avantajlar\u0131 kula\u011fa ho\u015f gelse de, ger\u00e7ek d\u00fcnya senaryolar\u0131nda nas\u0131l bir etki yaratt\u0131\u011f\u0131n\u0131 g\u00f6rmek, de\u011ferini anlamak i\u00e7in kritik \u00f6neme sahiptir. A\u015fa\u011f\u0131daki vaka analizleri, LoongSuite'un farkl\u0131 sekt\u00f6rlerdeki i\u015fletmelere nas\u0131l y\u00fcksek performansl\u0131 ve d\u00fc\u015f\u00fck maliyetli g\u00f6zlemlenebilirlik sundu\u011funu g\u00f6stermektedir.<\/p>\n<h3>Vaka Analizi 1: B\u00fcy\u00fck \u00d6l\u00e7ekli Bir E-Ticaret Platformu \u0130\u00e7in Optimizasyon<\/h3>\n<p><strong>Problem:<\/strong> Global \u00e7apta faaliyet g\u00f6steren b\u00fcy\u00fck bir e-ticaret platformu, yo\u011fun kampanya d\u00f6nemlerinde milyonlarca i\u015flem ve binlerce mikro hizmetin bulundu\u011fu karma\u015f\u0131k bir altyap\u0131ya sahipti. Geleneksel izleme \u00e7\u00f6z\u00fcmleri, bu \u00f6l\u00e7ekteki log, metrik ve trace verisini toplamak, i\u015flemek ve saklamak i\u00e7in astronomik maliyetler \u00e7\u0131kar\u0131yordu. \u00dcstelik, y\u00fcksek veri hacmi nedeniyle sorgulama performanslar\u0131 d\u00fc\u015f\u00fcyor, bu da hata ay\u0131klama s\u00fcre\u00e7lerini uzatarak operasyonel verimsizli\u011fe yol a\u00e7\u0131yordu. \u00d6zellikle Kara Cuma gibi yo\u011fun d\u00f6nemlerde, anl\u0131k performans d\u00fc\u015f\u00fc\u015fleri veya hata oranlar\u0131ndaki art\u0131\u015flar, platformun gelirini do\u011frudan etkileyebiliyordu.<\/p>\n<p><strong>\u00c7\u00f6z\u00fcm:<\/strong> E-ticaret platformu, maliyetleri d\u00fc\u015f\u00fcrmek ve g\u00f6zlemlenebilirlik performans\u0131n\u0131 art\u0131rmak amac\u0131yla LoongSuite'u benimsedi. \u00d6ncelikle, t\u00fcm mikro hizmetlere ve sunuculara LoongSuite'un OpenTelemetry uyumlu ajanlar\u0131 da\u011f\u0131t\u0131ld\u0131. Bu ajanlar, t\u00fcm HTTP isteklerinin trace'lerini, i\u015f mant\u0131\u011f\u0131 loglar\u0131n\u0131 ve sistem metriklerini (CPU, bellek, disk G\/\u00c7 vb.) toplad\u0131. Veriler, LoongSuite gateway'leri \u00fczerinden i\u015fleme katman\u0131na iletildi. Gateway'lerde, gereksiz g\u00f6r\u00fclen baz\u0131 debug loglar\u0131 filtrelendi ve daha az kritik olan trace'ler \u00f6rnekleme (sampling) politikalar\u0131yla azalt\u0131ld\u0131. Daha sonra, LoongSuite'un kolon tabanl\u0131 depolama ve nesne depolama entegrasyonu kullan\u0131ld\u0131. Son 7 g\u00fcnl\u00fck \"s\u0131cak\" veriler y\u00fcksek h\u0131zl\u0131 depolarda tutulurken, 7 g\u00fcnden eski veriler daha uygun maliyetli nesne depolama \u00e7\u00f6z\u00fcmlerine aktar\u0131ld\u0131.<\/p>\n<p><strong>Sonu\u00e7lar:<\/strong><\/p>\n<ul>\n<li><strong>Maliyet Azalmas\u0131:<\/strong> LoongSuite'un s\u0131k\u0131\u015ft\u0131rma algoritmalar\u0131 ve ak\u0131ll\u0131 depolama katmanlamas\u0131 sayesinde, g\u00f6zlemlenebilirlik altyap\u0131s\u0131n\u0131n depolama maliyetlerinde %60'\u0131n \u00fczerinde bir d\u00fc\u015f\u00fc\u015f sa\u011fland\u0131. Veri i\u015fleme maliyetleri de benzer \u015fekilde optimize edildi.<\/li>\n<li><strong>Geli\u015ftirilmi\u015f Performans:<\/strong> Yo\u011fun kampanya d\u00f6nemlerinde bile, metrik ve log sorgular\u0131 anl\u0131k olarak cevapland\u0131. \u00d6nceden dakikalar s\u00fcren karma\u015f\u0131k trace sorgular\u0131 art\u0131k saniyeler i\u00e7inde tamamlan\u0131yordu. Bu, hata ay\u0131klama s\u00fcresini ortalama %40 oran\u0131nda azaltarak, operasyonel ekiplerin sorunlara daha h\u0131zl\u0131 m\u00fcdahale etmesini sa\u011flad\u0131.<\/li>\n<li><strong>Daha H\u0131zl\u0131 Hata Tespiti:<\/strong> Geli\u015ftirilmi\u015f g\u00f6zlemlenebilirlik, platformdaki yava\u015f \u00e7al\u0131\u015fan API'leri veya mikro hizmetler aras\u0131ndaki gecikmeleri daha \u00f6nce g\u00f6r\u00fclenden \u00e7ok daha erken tespit etmeye olanak tan\u0131d\u0131. \u00d6zellikle sepet veya \u00f6deme ak\u0131\u015f\u0131ndaki darbo\u011fazlar an\u0131nda belirlendi ve giderildi, bu da kullan\u0131c\u0131 terk oranlar\u0131n\u0131n d\u00fc\u015fmesine katk\u0131da bulundu.<\/li>\n<li><strong>G\u00fcvenilirlik Art\u0131\u015f\u0131:<\/strong> Kapsaml\u0131 g\u00f6zlemlenebilirlik sayesinde, sistemin genel sa\u011fl\u0131\u011f\u0131 hakk\u0131nda daha derinlemesine bilgi edinildi ve potansiyel sorunlar proaktif olarak ele al\u0131nd\u0131.<\/li>\n<\/ul>\n<h3>Vaka Analizi 2: Yapay Zeka Modellerinin G\u00f6zlemlenebilirli\u011fi ve Performans \u0130zleme<\/h3>\n<p><strong>Problem:<\/strong> Bir finansal teknoloji \u015firketi, kredi risk analizi ve doland\u0131r\u0131c\u0131l\u0131k tespiti i\u00e7in birden fazla makine \u00f6\u011frenimi modeli kullan\u0131yordu. Bu modellerin \u00fcretim ortam\u0131ndaki performans\u0131, model sapmas\u0131 (model drift), veri sapmas\u0131 (data drift) ve a\u00e7\u0131klanabilirlik (explainability) gibi konular hayati \u00f6nem ta\u015f\u0131yordu. Geleneksel metrikler (CPU, bellek) modelin kendisinin nas\u0131l davrand\u0131\u011f\u0131na dair yeterli bilgi vermiyordu. Modelin neden belirli bir karar\u0131 verdi\u011fini veya tahmin do\u011frulu\u011funun neden d\u00fc\u015ft\u00fc\u011f\u00fcn\u00fc anlamak zor oluyordu. Her bir modelin giri\u015f ve \u00e7\u0131k\u0131\u015f verilerini izlemek, b\u00fcy\u00fck hacimli ve karma\u015f\u0131k bir veri ak\u0131\u015f\u0131 yarat\u0131yordu.<\/p>\n<p><strong>\u00c7\u00f6z\u00fcm:<\/strong> Finansal teknoloji \u015firketi, LoongSuite'u AI modellerinin \u00f6zel g\u00f6zlemlenebilirlik ihtiya\u00e7lar\u0131n\u0131 kar\u015f\u0131lamak \u00fczere entegre etti. Modellerin her bir \u00e7\u0131kar\u0131m (inference) \u00e7a\u011fr\u0131s\u0131 i\u00e7in:<\/p>\n<ul>\n<li><strong>Model Metrikleri:<\/strong> Tahmin do\u011frulu\u011fu, hassasiyet, geri \u00e7a\u011f\u0131rma, F1 puan\u0131 gibi model performans metrikleri LoongSuite arac\u0131l\u0131\u011f\u0131yla d\u00fczenli olarak topland\u0131.<\/li>\n<li><strong>Veri Sapmas\u0131 Metrikleri:<\/strong> Gelen veri setlerinin da\u011f\u0131l\u0131m\u0131 (\u00f6rne\u011fin, belirli bir feature'\u0131n ortalamas\u0131, standart sapmas\u0131) ile e\u011fitim verisindeki da\u011f\u0131l\u0131m aras\u0131ndaki farklar izlendi ve metrik olarak LoongSuite'a g\u00f6nderildi.<\/li>\n<li><strong>Model \u00c7\u0131kar\u0131m Loglar\u0131 ve Trace'leri:<\/strong> Her \u00e7\u0131kar\u0131m\u0131n giri\u015f parametreleri, model taraf\u0131ndan \u00fcretilen \u00f6zellikler, modelin \u00e7\u0131kt\u0131lar\u0131 ve model a\u00e7\u0131klay\u0131c\u0131lar\u0131ndan (\u00f6rne\u011fin SHAP veya LIME) al\u0131nan a\u00e7\u0131klama verileri yap\u0131land\u0131r\u0131lm\u0131\u015f loglar olarak LoongSuite'a aktar\u0131ld\u0131. Her \u00e7\u0131kar\u0131m\u0131n u\u00e7tan uca trace'i de kaydedildi.<\/li>\n<\/ul>\n<p>LoongSuite, bu \u00f6zel AI verilerini y\u00fcksek performansla toplad\u0131 ve i\u015fledi. \u00d6zellikle yap\u0131land\u0131r\u0131lm\u0131\u015f loglar\u0131 verimli bir \u015fekilde indeksleyerek, veri bilimcilerinin belirli bir \u00e7\u0131kar\u0131m\u0131n nedenini h\u0131zla ara\u015ft\u0131rmas\u0131na olanak tan\u0131d\u0131. D\u00fc\u015f\u00fck maliyetli depolama sayesinde, modelin ge\u00e7mi\u015f performans\u0131n\u0131 ve veri sapmalar\u0131n\u0131 uzun vadeli olarak takip etmek m\u00fcmk\u00fcn oldu.<\/p>\n<p><strong>Sonu\u00e7lar:<\/strong><\/p>\n<ul>\n<li><strong>H\u0131zl\u0131 Anomali Tespiti:<\/strong> LoongSuite taraf\u0131ndan toplanan metrikler ve loglar sayesinde, model sapmalar\u0131 (\u00f6rne\u011fin, tahmin do\u011frulu\u011funda ani d\u00fc\u015f\u00fc\u015fler) veya veri sapmalar\u0131 (\u00f6rne\u011fin, finansal i\u015flemlerin belirli bir t\u00fcr\u00fcnde ani art\u0131\u015f) h\u0131zla tespit edildi.<\/li>\n<li><strong>Geli\u015ftirilmi\u015f Model G\u00fcvenilirli\u011fi:<\/strong> Veri bilimcileri, LoongSuite'taki trace verilerini kullanarak belirli bir kredi ba\u015fvurusu i\u00e7in modelin neden \"red\" karar\u0131 verdi\u011fini daha \u015feffaf bir \u015fekilde anlayabildi. Bu, modelin a\u00e7\u0131klanabilirli\u011fini art\u0131rd\u0131 ve d\u00fczenleyici uyumluluk s\u00fcre\u00e7lerini kolayla\u015ft\u0131rd\u0131.<\/li>\n<li><strong>Maliyet Etkin Veri Bilimi:<\/strong> Model performans\u0131n\u0131 ve veri kalitesini s\u00fcrekli izlemek i\u00e7in ek bir pahal\u0131 MLOps arac\u0131 kullanma ihtiyac\u0131 azald\u0131. LoongSuite, bu izleme verilerini mevcut altyap\u0131da uygun maliyetle y\u00f6netti.<\/li>\n<li><strong>Daha H\u0131zl\u0131 Model Yenileme:<\/strong> Modelin ne zaman yeniden e\u011fitilmesi gerekti\u011fine dair daha bilin\u00e7li kararlar al\u0131nd\u0131, bu da modellerin \u00fcretimdeki performans\u0131n\u0131 s\u00fcrekli olarak en \u00fcst d\u00fczeyde tutmaya yard\u0131mc\u0131 oldu.<\/li>\n<\/ul>\n<p>Bu vaka analizleri, LoongSuite'un yaln\u0131zca genel IT altyap\u0131s\u0131 i\u00e7in de\u011fil, ayn\u0131 zamanda yapay zeka ve makine \u00f6\u011frenimi modellerinin \u00f6zel ve karma\u015f\u0131k g\u00f6zlemlenebilirlik ihtiya\u00e7lar\u0131 i\u00e7in de g\u00fc\u00e7l\u00fc ve maliyet etkin bir \u00e7\u00f6z\u00fcm oldu\u011funu a\u00e7\u0131k\u00e7a ortaya koymaktad\u0131r.<\/p>\n<h2>LoongSuite'u Kurulum ve Temel Konfig\u00fcrasyon Ad\u0131mlar\u0131: Nereden Ba\u015flamal\u0131y\u0131m?<\/h2>\n<p>LoongSuite'u kendi ortam\u0131n\u0131zda denemek veya \u00fcretimde kullanmaya ba\u015flamak i\u00e7in birka\u00e7 temel ad\u0131mdan ge\u00e7meniz gerekmektedir. A\u00e7\u0131k kaynak bir proje olarak, esneklik ve \u00e7e\u015fitli da\u011f\u0131t\u0131m se\u00e7enekleri sunar. Genellikle Docker veya Kubernetes \u00fczerinde da\u011f\u0131t\u0131lmas\u0131 tavsiye edilir. Bu b\u00f6l\u00fcm, size h\u0131zl\u0131 bir ba\u015flang\u0131\u00e7 yapman\u0131z i\u00e7in gereken temel ad\u0131mlar\u0131 ve kod \u00f6rneklerini sunacakt\u0131r.<\/p>\n<h3>\u00d6n Ko\u015fullar ve Temel Kurulum<\/h3>\n<p>Ba\u015flamadan \u00f6nce, sisteminizde baz\u0131 temel ara\u00e7lar\u0131n kurulu oldu\u011fundan emin olun:<\/p>\n<ul>\n<li><strong>Docker ve Docker Compose:<\/strong> Yerel ortamda veya k\u00fc\u00e7\u00fck \u00f6l\u00e7ekli da\u011f\u0131t\u0131mlar i\u00e7in.<\/li>\n<li><strong>Kubernetes ve Helm (\u0130ste\u011fe ba\u011fl\u0131):<\/strong> \u00dcretim ortamlar\u0131 ve b\u00fcy\u00fck \u00f6l\u00e7ekli da\u011f\u0131t\u0131mlar i\u00e7in.<\/li>\n<li><strong>Git:<\/strong> LoongSuite kaynak kodlar\u0131n\u0131 veya yap\u0131land\u0131rma \u00f6rneklerini klonlamak i\u00e7in.<\/li>\n<li><strong>Go Programlama Dili (\u0130ste\u011fe ba\u011fl\u0131):<\/strong> E\u011fer kendi ajanlar\u0131n\u0131z\u0131 geli\u015ftirmek veya LoongSuite bile\u015fenlerini kaynaktan derlemek isterseniz.<\/li>\n<\/ul>\n<p>En kolay ba\u015flang\u0131\u00e7 yolu genellikle Docker Compose ile kendi yerel ortam\u0131n\u0131zda k\u00fc\u00e7\u00fck bir LoongSuite \u00f6rne\u011fi \u00e7al\u0131\u015ft\u0131rmakt\u0131r. GitHub deposundan \u00f6rnek konfig\u00fcrasyonlar\u0131 klonlayarak ba\u015flayabiliriz:<\/p>\n<pre><code>\ngit clone https:\/\/github.com\/alibaba\/LoongSuite.git\ncd LoongSuite\/deploy\/docker-compose-quickstart\n<\/pre>\n<p><\/code><\/p>\n<p>Bu dizinde, LoongSuite'un temel bile\u015fenlerini (\u00f6rne\u011fin, Collector, Query Service, Storage) aya\u011fa kald\u0131rmak i\u00e7in bir <code>docker-compose.yml<\/code> dosyas\u0131 bulacaks\u0131n\u0131z. Bu dosya, genellikle bir OpenTelemetry Collector, bir depolama backend'i (\u00f6rne\u011fin, ClickHouse veya ba\u015fka bir zaman serisi veritaban\u0131) ve bir sorgu hizmeti i\u00e7erir. \u0130\u015fte basitle\u015ftirilmi\u015f bir <code>docker-compose.yml<\/code> \u00f6rne\u011fi:<\/p>\n<pre><code>\nversion: '3.8'\nservices:\n  loongsuite-collector:\n    image: loongsuite\/collector:latest # LoongSuite OpenTelemetry Collector imaj\u0131\n    ports:\n      - \"4317:4317\" # OTLP gRPC\n      - \"4318:4318\" # OTLP HTTP\n    volumes:\n      - .\/config\/collector-config.yaml:\/etc\/otel-collector-config.yaml\n    command: [\"--config=\/etc\/otel-collector-config.yaml\"]\n    depends_on:\n      - loongsuite-storage\n\n  loongsuite-storage:\n    image: loongsuite\/storage:latest # LoongSuite depolama imaj\u0131 (\u00d6rn: ClickHouse entegrasyonu)\n    ports:\n      - \"8123:8123\" # ClickHouse HTTP\n    environment:\n      - CLICKHOUSE_USER=default\n      - CLICKHOUSE_PASSWORD=\n      # Di\u011fer depolama konfig\u00fcrasyonlar\u0131\n\n  loongsuite-query:\n    image: loongsuite\/query:latest # LoongSuite sorgu servisi\n    ports:\n      - \"8080:8080\"\n    depends_on:\n      - loongsuite-storage\n    environment:\n      - STORAGE_ENDPOINT=loongsuite-storage:8123\n      # Di\u011fer sorgu servisi konfig\u00fcrasyonlar\u0131\n<\/pre>\n<p><\/code><\/p>\n<p>Bu dosya ile LoongSuite ortam\u0131n\u0131z\u0131 aya\u011fa kald\u0131rmak i\u00e7in tek yapman\u0131z gereken:<\/p>\n<pre><code>\ndocker-compose up -d\n<\/pre>\n<p><\/code><\/p>\n<p>Bu komut, LoongSuite'un temel bile\u015fenlerini arka planda \u00e7al\u0131\u015ft\u0131racakt\u0131r. Ard\u0131ndan, uygulamalar\u0131n\u0131zdan veya sistemlerinizden veri toplamaya ba\u015flayabilirsiniz.<\/p>\n<h3>Temel Konfig\u00fcrasyon ve Veri Toplama<\/h3>\n<p>LoongSuite'u kurduktan sonra, verilerinizi nas\u0131l toplayaca\u011f\u0131n\u0131z\u0131 yap\u0131land\u0131rman\u0131z gerekir. OpenTelemetry uyumlu olmas\u0131, bu s\u00fcreci olduk\u00e7a kolayla\u015ft\u0131r\u0131r. Uygulamalar\u0131n\u0131zdan veya hizmetlerinizden metrik, log ve trace verilerini OpenTelemetry SDK'lar\u0131 kullanarak LoongSuite kolekt\u00f6r\u00fcne g\u00f6nderebilirsiniz. Kolekt\u00f6r, yukar\u0131daki <code>collector-config.yaml<\/code> dosyas\u0131nda tan\u0131mland\u0131\u011f\u0131 gibi \u00e7al\u0131\u015f\u0131r.<\/p>\n<p>\u00d6rne\u011fin, Go dilinde yaz\u0131lm\u0131\u015f bir uygulamadan metrikleri LoongSuite'a g\u00f6ndermek i\u00e7in:<\/p>\n<pre><code>\n package main\n\n import (\n  \"context\"\n  \"log\"\n  \"time\"\n\n  \"go.opentelemetry.io\/otel\"\n  \"go.opentelemetry.io\/otel\/attribute\"\n  \"go.opentelemetry.io\/otel\/exporters\/otlp\/otlpmetric\/otlpmetricgrpc\"\n  \"go.opentelemetry.io\/otel\/metric\"\n  \"go.opentelemetry.io\/otel\/sdk\/metric\"\n  \"go.opentelemetry.io\/otel\/sdk\/resource\"\n  semconv \"go.opentelemetry.io\/otel\/semconv\/v1.17.0\"\n )\n\n func main() {\n  ctx := context.Background()\n\n  \/\/ OpenTelemetry metri\u011fi exporter'\u0131n\u0131 yap\u0131land\u0131rma\n  exporter, err := otlpmetricgrpc.New(ctx, otlpmetricgrpc.WithEndpoint(\"localhost:4317\"), otlpmetricgrpc.WithInsecure())\n  if err != nil {\n   log.Fatalf(\"failed to create OTLP metric exporter: %v\", err)\n  }\n\n  \/\/ Kaynak (Resource) bilgisi ekleme\n  res, err := resource.New(ctx,\n   resource.WithAttributes(\n    semconv.ServiceName(\"my-loongsuite-app\"),\n    semconv.ServiceVersion(\"1.0.0\"),\n    attribute.String(\"environment\", \"development\"),\n   ),\n  )\n  if err != nil {\n   log.Fatalf(\"failed to create resource: %v\", err)\n  }\n\n  \/\/ Metrik sa\u011flay\u0131c\u0131y\u0131 (MeterProvider) yap\u0131land\u0131rma\n  provider := metric.NewMeterProvider(\n   metric.WithReader(metric.NewPeriodicReader(exporter, metric.WithInterval(5*time.Second))),\n   metric.WithResource(res),\n  )\n  otel.SetMeterProvider(provider)\n\n  meter := otel.Meter(\"app.metrics\")\n\n  \/\/ Saya\u00e7 (Counter) olu\u015fturma\n  requestCounter, err := meter.Int64Counter(\"app.requests_total\", metric.WithDescription(\"Total number of requests\"))\n  if err != nil {\n   log.Fatalf(\"failed to create counter: %v\", err)\n  }\n\n  \/\/ G\u00f6zlemci (Observable Gauge) olu\u015fturma (\u00f6rne\u011fin bellek kullan\u0131m\u0131)\n  _, err = meter.Int64ObservableGauge(\"app.memory_usage\",\n   metric.WithDescription(\"Current memory usage in bytes\"),\n   metric.WithInt64Callback(func(_ context.Context, observer metric.Int64Observer) error {\n    \/\/ Burada ger\u00e7ek bellek kullan\u0131m\u0131n\u0131 okuyabilirsiniz\n    currentMemoryUsage := int64(1024 * 1024 * 50) \/\/ \u00d6rnek olarak 50 MB\n    observer.Observe(currentMemoryUsage, metric.WithAttributes(attribute.String(\"host\", \"my-host-01\")))\n    return nil\n   }),\n  )\n  if err != nil {\n   log.Fatalf(\"failed to create gauge: %v\", err)\n  }\n\n  \/\/ Metrikleri g\u00f6nderme\n  for i := 0; i < 10; i++ {\n   requestCounter.Add(ctx, 1, metric.WithAttributes(attribute.String(\"method\", \"GET\"), attribute.String(\"path\", \"\/api\/data\")))\n   log.Printf(\"Request count: %d\", i+1)\n   time.Sleep(1 * time.Second)\n  }\n\n  log.Println(\"Metrics sent. Shutting down.\")\n  if err := provider.Shutdown(ctx); err != nil {\n   log.Fatalf(\"failed to shutdown MeterProvider: %v\", err)\n  }\n }\n<\/pre>\n<p><\/code><\/p>\n<p>Bu Go kodu, bir OpenTelemetry MeterProvider kurar, bir saya\u00e7 (counter) ve g\u00f6zlemci (gauge) metri\u011fi olu\u015fturur ve bunlar\u0131 LoongSuite kolekt\u00f6r\u00fcne g\u00f6nderir. <code>localhost:4317<\/code> adresi, Docker Compose dosyas\u0131nda tan\u0131mlanan kolekt\u00f6r\u00fcn gRPC portudur. Uygulaman\u0131zdan gelen bu veriler LoongSuite taraf\u0131ndan toplanacak, i\u015flenecek ve depolanacakt\u0131r. Ard\u0131ndan, Grafana gibi bir ara\u00e7 kullanarak LoongSuite'un sorgu hizmeti \u00fczerinden bu metrikleri g\u00f6rselle\u015ftirebilirsiniz.<\/p>\n<p>LoongSuite'un Kubernetes \u00fczerinde da\u011f\u0131t\u0131m\u0131 i\u00e7in genellikle Helm chart'lar\u0131 kullan\u0131l\u0131r. Bu chart'lar, kolekt\u00f6rleri, depolama ve sorgu servislerini Kubernetes cluster'\u0131n\u0131zda kolayca da\u011f\u0131tman\u0131za olanak tan\u0131r. Geni\u015f kapsaml\u0131 dok\u00fcmantasyon ve topluluk deste\u011fi sayesinde, LoongSuite'u farkl\u0131 \u00f6l\u00e7eklerde ve karma\u015f\u0131kl\u0131ktaki ortamlara entegre etmek olduk\u00e7a y\u00f6netilebilir bir s\u00fcre\u00e7tir. Bu ad\u0131mlar, LoongSuite'un g\u00fcc\u00fcn\u00fc ve esnekli\u011fini anlamak ve kendi projelerinizde kullanmaya ba\u015flamak i\u00e7in sa\u011flam bir temel olu\u015fturmaktad\u0131r.<\/p>\n<h2>\u0130leri D\u00fczey LoongSuite Kullan\u0131m\u0131: B\u00fcy\u00fck Veri ve Yapay Zeka Entegrasyonlar\u0131<\/h2>\n<p>Temel kurulum ve konfig\u00fcrasyon ad\u0131mlar\u0131n\u0131 tamamlad\u0131ktan sonra, LoongSuite'un sundu\u011fu daha geli\u015fmi\u015f yeteneklerden yararlanmaya ba\u015flayabiliriz. \u00d6zellikle b\u00fcy\u00fck veri ortamlar\u0131nda ve yapay zeka i\u015f y\u00fcklerinde, LoongSuite'un potansiyeli daha da \u00f6n plana \u00e7\u0131kar. Bu b\u00f6l\u00fcmde, deneyimli kullan\u0131c\u0131lar i\u00e7in baz\u0131 ipu\u00e7lar\u0131 ve entegrasyon stratejilerini ele alaca\u011f\u0131z.<\/p>\n<h3>\u00d6zel Veri Toplama Ajanlar\u0131 ve Zenginle\u015ftirme<\/h3>\n<p>OpenTelemetry Collector'\u00fcn esnekli\u011fi sayesinde, sadece standart metrik ve loglar\u0131 de\u011fil, ayn\u0131 zamanda uygulaman\u0131za \u00f6zel telemetri verilerini de LoongSuite'a g\u00f6nderebilirsiniz. \u00d6rne\u011fin, AI\/ML modellerinizin i\u00e7 durumunu yans\u0131tan \u00f6zel metrikler (modelin \u00e7\u0131k\u0131\u015f da\u011f\u0131l\u0131m\u0131, \u00e7\u0131kar\u0131m s\u00fcresi, \u00f6zellik \u00f6nemi skorlar\u0131) veya \u00f6zel log formatlar\u0131 (modelin karar a\u00e7\u0131klamalar\u0131) tasarlayabilirsiniz. Bu t\u00fcr verileri LoongSuite'a g\u00f6ndermek i\u00e7in, OpenTelemetry SDK'lar\u0131n\u0131 kullanarak kendi custom enstr\u00fcmantasyonunuzu yazabilirsiniz. Daha sonra, LoongSuite'un kolekt\u00f6r katman\u0131nda bu verileri i\u015flemek \u00fczere \u00f6zel i\u015flemciler (processors) geli\u015ftirebilirsiniz.<\/p>\n<p>Veri zenginle\u015ftirme (data enrichment) de ileri d\u00fczey kullan\u0131m\u0131n \u00f6nemli bir par\u00e7as\u0131d\u0131r. Gelen telemetri verisine, ba\u011flam\u0131n\u0131 zenginle\u015ftirecek ek bilgiler ekleyebilirsiniz. \u00d6rne\u011fin:<\/p>\n<ul>\n<li>Bir log kayd\u0131na, logu olu\u015fturan kullan\u0131c\u0131n\u0131n ID'sini veya i\u015flem ID'sini eklemek.<\/li>\n<li>Bir trace'e, ait oldu\u011fu i\u015f ak\u0131\u015f\u0131n\u0131n ad\u0131n\u0131 veya m\u00fc\u015fteri segmenti bilgisini eklemek.<\/li>\n<li>Bir metri\u011fe, ili\u015fkili oldu\u011fu modelin s\u00fcr\u00fcm numaras\u0131n\u0131 veya A\/B testi grubunu eklemek.<\/li>\n<\/ul>\n<p>Bu zenginle\u015ftirme i\u015flemleri, LoongSuite kolekt\u00f6r\u00fcndeki i\u015flemciler veya pipeline'\u0131n daha sonraki a\u015famalar\u0131nda ger\u00e7ekle\u015ftirilebilir. Bu sayede, daha anlaml\u0131 sorgular yapabilir ve sorun giderme s\u00fcre\u00e7lerini h\u0131zland\u0131rabilirsiniz.<\/p>\n<div class=\"interactive-tip\">\n  <strong>Uzman \u0130pucu:<\/strong> LoongSuite'un OpenTelemetry uyumlulu\u011funu kullanarak, telemetri verilerinizi \"semantic conventions\" (semantik kurallar) do\u011frultusunda etiketleyin. Bu, verilerinizin farkl\u0131 ara\u00e7lar ve ekipler aras\u0131nda tutarl\u0131 bir \u015fekilde anla\u015f\u0131lmas\u0131n\u0131 sa\u011flar ve gelecekteki entegrasyonlar\u0131 kolayla\u015ft\u0131r\u0131r. \u00d6rne\u011fin, hizmet ad\u0131, ortam ve s\u00fcr\u00fcm gibi kritik bilgileri t\u00fcm telemetri verilerinize ekleyin.\n<\/div>\n<h3>Geli\u015fmi\u015f Filtreleme ve Agregasyon Teknikleri<\/h3>\n<p>B\u00fcy\u00fck veri hacimleri ile \u00e7al\u0131\u015f\u0131rken, her veriyi saklamak hem maliyetli hem de gereksiz olabilir. LoongSuite, ak\u0131ll\u0131 filtreleme ve agregasyon teknikleriyle bu soruna \u00e7\u00f6z\u00fcm sunar:<\/p>\n<ul>\n<li><strong>Dinamik \u00d6rnekleme (Dynamic Sampling):<\/strong> \u00d6zellikle trace verileri i\u00e7in kritik \u00f6neme sahiptir. T\u00fcm trace'leri depolamak yerine, belirli bir hata oran\u0131na sahip trace'leri, yava\u015f \u00e7al\u0131\u015fan trace'leri veya belirli bir kullan\u0131c\u0131dan gelen trace'leri \u00f6ncelikli olarak depolayabilir, di\u011ferlerini ise \u00f6rnekleyerek veya tamamen atlayarak depolama maliyetlerini optimize edebilirsiniz. LoongSuite kolekt\u00f6r\u00fc, bu t\u00fcr dinamik \u00f6rnekleme politikalar\u0131n\u0131 uygulayabilir.<\/li>\n<li><strong>Veri Agregasyonu:<\/strong> Uzun vadeli analizler i\u00e7in, d\u00fc\u015f\u00fck seviyeli detayl\u0131 metrikleri her zaman saklamak yerine, daha y\u00fcksek zaman aral\u0131klar\u0131nda (\u00f6rne\u011fin, 1 dakikal\u0131k ortalamalar yerine 1 saatlik ortalamalar) agrega edilmi\u015f verileri depolayabilirsiniz. Bu, depolama alan\u0131ndan tasarruf sa\u011flarken, uzun vadeli e\u011filimleri takip etme yetene\u011finizi koruman\u0131za olanak tan\u0131r.<\/li>\n<li><strong>Ko\u015fullu Filtreleme:<\/strong> Yaln\u0131zca belirli bir \u00f6neme sahip (\u00f6rne\u011fin, \"ERROR\" seviyesindeki loglar veya belirli bir API'den gelen loglar) loglar\u0131 veya metrikleri depolamak \u00fczere kolekt\u00f6r konfig\u00fcrasyonunuzu ayarlayabilirsiniz. Bu, gereksiz \"noise\" (g\u00fcr\u00fclt\u00fc) verisini azalt\u0131r ve daha kritik verilere odaklanman\u0131z\u0131 sa\u011flar.<\/li>\n<\/ul>\n<pre><code>\n # collector-config.yaml i\u00e7inde bir \u00f6rnek filtreleme ve \u00f6rnekleme\n processors:\n  tail_sampling:\n    policies:\n      [\n        {\n          name: policy-error-traces,\n          type: status_code,\n          config: {\n            status_codes: [ERROR, UNSET],\n          },\n        },\n        {\n          name: policy-high-latency,\n          type: latency,\n          config: {\n            threshold_ms: 500, # 500ms \u00fczerindeki trace'leri sakla\n          },\n        },\n      ]\n  resource_attributes:\n    actions:\n      - key: \"cloud.region\"\n        from_attribute: \"k8s.node.name\" # Kubernetes nodundan b\u00f6lge bilgisi ekle\n        action: upsert\n  filter:\n    logs:\n      match:\n        exclude:\n          - \"body == \\\"Debug message\\\"\" # \"Debug message\" i\u00e7eren loglar\u0131 filtrele\n<\/pre>\n<p><\/code><\/p>\n<p>Bu konfig\u00fcrasyon, LoongSuite kolekt\u00f6r\u00fcn\u00fcn hata i\u00e7eren veya belirli bir gecikmenin \u00fczerinde olan trace'leri \u00f6rneklemesini, Kubernetes d\u00fc\u011f\u00fcm ad\u0131ndan bulut b\u00f6lgesi bilgisini eklemesini ve \"Debug message\" i\u00e7eren loglar\u0131 filtrelemesini sa\u011flar. Bu t\u00fcr ak\u0131ll\u0131 filtreleme ve \u00f6rnekleme stratejileri, LoongSuite'un d\u00fc\u015f\u00fck maliyet hedefine ula\u015fmas\u0131na do\u011frudan katk\u0131da bulunur.<\/p>\n<h3>Yapay Zeka Platformlar\u0131yla Entegrasyon ve G\u00fcvenlik<\/h3>\n<p>LoongSuite, OpenTelemetry uyumlulu\u011fu sayesinde AI\/ML platformlar\u0131yla kolayca entegre edilebilir. Toplad\u0131\u011f\u0131 metrik ve log verileri, ayr\u0131 bir makine \u00f6\u011frenimi sistemi taraf\u0131ndan i\u015flenerek anormallik tespiti veya proaktif uyar\u0131 sistemleri olu\u015fturmak i\u00e7in kullan\u0131labilir. \u00d6rne\u011fin, LoongSuite'tan gelen zaman serisi metrikleri (veri sapmas\u0131 metrikleri, model tahmin do\u011frulu\u011fu) bir anomali tespit modeline beslenebilir ve modelin anormal davrand\u0131\u011f\u0131 durumlar an\u0131nda bir uyar\u0131 olarak tetiklenebilir.<\/p>\n<p>G\u00fcvenlik, ileri d\u00fczey g\u00f6zlemlenebilirlik \u00e7\u00f6z\u00fcmleri i\u00e7in vazge\u00e7ilmezdir. LoongSuite da\u011f\u0131t\u0131m\u0131n\u0131zda \u015fu g\u00fcvenlik en iyi uygulamalar\u0131n\u0131 g\u00f6z \u00f6n\u00fcnde bulundurun:<\/p>\n<ul>\n<li><strong>Veri \u015eifreleme:<\/strong> \u0130letim halindeki (in-transit) ve depolanan (at-rest) t\u00fcm telemetri verilerinin \u015fifrelenmesini sa\u011flay\u0131n. OpenTelemetry Collector ve LoongSuite bile\u015fenleri aras\u0131nda TLS\/SSL kullanarak g\u00fcvenli ileti\u015fim kurun.<\/li>\n<li><strong>Eri\u015fim Kontrol\u00fc:<\/strong> LoongSuite'un y\u00f6netim aray\u00fczlerine ve sorgu servislerine yaln\u0131zca yetkili kullan\u0131c\u0131lar\u0131n eri\u015fimini sa\u011flay\u0131n. Kimlik do\u011frulama (authentication) ve yetkilendirme (authorization) mekanizmalar\u0131n\u0131 do\u011fru bir \u015fekilde yap\u0131land\u0131r\u0131n.<\/li>\n<li><strong>Veri Gizlili\u011fi:<\/strong> Hassas ki\u015fisel verilerin (PII) veya i\u015f s\u0131rlar\u0131n\u0131n loglarda veya metriklerde yer almamas\u0131na dikkat edin. Gerekirse, veri toplama katman\u0131nda bu t\u00fcr bilgileri maskeleme veya anonimle\u015ftirme i\u015flemlerini uygulay\u0131n.<\/li>\n<\/ul>\n<p>LoongSuite, bu ileri d\u00fczey kullan\u0131m senaryolar\u0131yla, i\u015fletmelerin sadece altyap\u0131lar\u0131n\u0131 de\u011fil, ayn\u0131 zamanda en kritik i\u015f y\u00fckleri olan yapay zeka modellerini de tam bir \u015feffafl\u0131k ve maliyet etkinli\u011fi ile izlemelerini sa\u011flar. Bu, modern dijital \u00e7a\u011f\u0131n karma\u015f\u0131k ve dinamik ihtiya\u00e7lar\u0131na proaktif bir yan\u0131t niteli\u011findedir.<\/p>\n<h2>Sonu\u00e7: LoongSuite ile Yapay Zeka \u00c7a\u011f\u0131nda G\u00f6zlemlenebilirli\u011fi Yeniden Tan\u0131mlamak<\/h2>\n<p>Yapay zeka \u00e7a\u011f\u0131n\u0131n h\u0131zla geli\u015fen d\u00fcnyas\u0131nda, teknolojik altyap\u0131lar\u0131n karma\u015f\u0131kl\u0131\u011f\u0131 ve veri hacmi her ge\u00e7en g\u00fcn artmaktad\u0131r. Bu durum, sistemlerin performans\u0131n\u0131, g\u00fcvenilirli\u011fini ve maliyet etkinli\u011fini s\u00fcrd\u00fcrmek i\u00e7in g\u00f6zlemlenebilirli\u011fi vazge\u00e7ilmez bir ara\u00e7 haline getirmi\u015ftir. Alibaba Cloud'un a\u00e7\u0131k kaynak LoongSuite projesi, tam da bu noktada ortaya \u00e7\u0131karak, y\u00fcksek performansl\u0131 ve d\u00fc\u015f\u00fck maliyetli bir g\u00f6zlemlenebilir veri toplama \u00e7\u00f6z\u00fcm\u00fc sunmaktad\u0131r. Makale boyunca g\u00f6rd\u00fc\u011f\u00fcm\u00fcz gibi, LoongSuite sadece metrik, log ve trace verilerini toplamakla kalm\u0131yor, ayn\u0131 zamanda bu verileri ak\u0131ll\u0131 i\u015fleme ve depolama stratejileriyle optimize ederek i\u015fletmelerin hem operasyonel verimliliklerini art\u0131rmalar\u0131na hem de b\u00fct\u00e7elerini korumalar\u0131na yard\u0131mc\u0131 oluyor.<\/p>\n<p>LoongSuite'un mod\u00fcler mimarisi, OpenTelemetry gibi end\u00fcstri standartlar\u0131na olan ba\u011fl\u0131l\u0131\u011f\u0131 ve geli\u015fmi\u015f veri ya\u015fam d\u00f6ng\u00fcs\u00fc y\u00f6netimi yetenekleri, onu hem k\u00fc\u00e7\u00fck \u00e7apl\u0131 geli\u015ftirmeler hem de petabaytlarca veri i\u015fleyen b\u00fcy\u00fck \u00f6l\u00e7ekli kurumsal ortamlar i\u00e7in ideal bir se\u00e7enek haline getiriyor. E-ticaret platformlar\u0131n\u0131n yo\u011fun y\u00fcklerini y\u00f6netmekten, finansal kurulu\u015flar\u0131n AI modellerinin hassas performans\u0131n\u0131 izlemeye kadar \u00e7e\u015fitli ger\u00e7ek d\u00fcnya senaryolar\u0131nda g\u00f6sterdi\u011fi ba\u015far\u0131lar, LoongSuite'un potansiyelini a\u00e7\u0131k\u00e7a ortaya koymaktad\u0131r. A\u00e7\u0131k kaynak olmas\u0131 ise, s\u00fcrekli geli\u015ftirme, topluluk deste\u011fi ve geni\u015f entegrasyon imkanlar\u0131 sunarak projenin gelece\u011fi i\u00e7in umut verici bir zemin haz\u0131rlamaktad\u0131r.<\/p>\n<p>Sonu\u00e7 olarak, LoongSuite, yapay zeka ve b\u00fcy\u00fck veri \u00e7a\u011f\u0131nda g\u00f6zlemlenebilirli\u011fin sadece bir l\u00fcks de\u011fil, ayn\u0131 zamanda temel bir gereklilik oldu\u011funu kabul eden ve bu gereklili\u011fi maliyet etkin bir \u015fekilde kar\u015f\u0131layan stratejik bir ara\u00e7t\u0131r. \u0130\u015fletmelerin dijital d\u00f6n\u00fc\u015f\u00fcm yolculuklar\u0131nda kar\u015f\u0131la\u015ft\u0131klar\u0131 zorluklar\u0131 a\u015fmalar\u0131na yard\u0131mc\u0131 olarak, daha diren\u00e7li, daha verimli ve daha yenilik\u00e7i sistemler in\u015fa etmelerine olanak tan\u0131r. Gelecekte, daha fazla entegrasyon ve geli\u015fmi\u015f analitik yetenekleriyle LoongSuite'un g\u00f6zlemlenebilirlik alan\u0131nda \u00f6nemli bir oyuncu olmaya devam etmesi beklenmektedir.<\/p>\n<h2>S\u0131k\u00e7a Sorulan Sorular (SSS)<\/h2>\n<p>LoongSuite hakk\u0131nda s\u0131k\u00e7a sorulan baz\u0131 sorular ve cevaplar\u0131 a\u015fa\u011f\u0131dad\u0131r:<\/p>\n<dl>\n<dt><strong>LoongSuite neden \"d\u00fc\u015f\u00fck maliyetli\" olarak adland\u0131r\u0131l\u0131yor?<\/strong><\/dt>\n<dd>LoongSuite, geli\u015fmi\u015f veri s\u0131k\u0131\u015ft\u0131rma algoritmalar\u0131, ak\u0131ll\u0131 veri ya\u015fam d\u00f6ng\u00fcs\u00fc y\u00f6netimi (eski verilerin daha ucuz depolama alanlar\u0131na ta\u015f\u0131nmas\u0131) ve donan\u0131m kaynaklar\u0131n\u0131 verimli kullanan i\u015fleme motorlar\u0131 sayesinde depolama ve i\u015fleme maliyetlerini \u00f6nemli \u00f6l\u00e7\u00fcde azalt\u0131r. \u00d6zellikle y\u00fcksek hacimli telemetri verisi i\u00e7in, geleneksel \u00e7\u00f6z\u00fcmlere g\u00f6re \u00e7ok daha ekonomik bir yakla\u015f\u0131m sunar.<\/dd>\n<dt><strong>LoongSuite hangi g\u00f6zlemlenebilirlik sinyallerini destekliyor?<\/strong><\/dt>\n<dd>LoongSuite, g\u00f6zlemlenebilirli\u011fin \u00fc\u00e7 temel s\u00fctunu olan metrikleri (metrics), loglar\u0131 (logs) ve trace'leri (traces) destekler. OpenTelemetry uyumlu olmas\u0131 sayesinde, bu \u00fc\u00e7 sinyal t\u00fcr\u00fcn\u00fc tek bir \u00e7at\u0131 alt\u0131nda toplama ve i\u015fleme yetene\u011fine sahiptir.<\/dd>\n<dt><strong>LoongSuite'u mevcut izleme (monitoring) ara\u00e7lar\u0131mla entegre edebilir miyim?<\/strong><\/dt>\n<dd>Evet, LoongSuite OpenTelemetry standartlar\u0131n\u0131 destekledi\u011fi i\u00e7in Prometheus, Grafana, Jaeger gibi pop\u00fcler izleme ve g\u00f6rselle\u015ftirme ara\u00e7lar\u0131yla kolayca entegre edilebilir. LoongSuite, veri toplama ve depolama altyap\u0131s\u0131 olarak hizmet verirken, mevcut ara\u00e7lar\u0131n\u0131z\u0131 g\u00f6rselle\u015ftirme ve uyar\u0131 katman\u0131 olarak kullanmaya devam edebilirsiniz.<\/dd>\n<dt><strong>LoongSuite sadece Alibaba Cloud \u00fczerinde mi \u00e7al\u0131\u015f\u0131yor?<\/strong><\/dt>\n<dd>Hay\u0131r, LoongSuite a\u00e7\u0131k kaynak bir projedir ve vendor ba\u011f\u0131ms\u0131zd\u0131r. Kendi sunucular\u0131n\u0131zda (on-premise), di\u011fer bulut sa\u011flay\u0131c\u0131lar\u0131nda veya Kubernetes k\u00fcmelerinde Docker veya Helm arac\u0131l\u0131\u011f\u0131yla da\u011f\u0131t\u0131labilir. Alibaba Cloud, projenin yarat\u0131c\u0131s\u0131 olsa da, kullan\u0131m alan\u0131 bulut ortam\u0131yla s\u0131n\u0131rl\u0131 de\u011fildir.<\/dd>\n<dt><strong>Yapay zeka modellerini LoongSuite ile nas\u0131l izleyebilirim?<\/strong><\/dt>\n<dd>LoongSuite, AI modellerinin \u00f6zel metriklerini (tahmin do\u011frulu\u011fu, model sapmas\u0131, veri sapmas\u0131), model \u00e7\u0131kar\u0131m loglar\u0131n\u0131 ve i\u015flem trace'lerini OpenTelemetry SDK'lar\u0131 arac\u0131l\u0131\u011f\u0131yla toplayabilir. Bu verileri kullanarak model performans\u0131n\u0131, davran\u0131\u015f\u0131n\u0131 ve potansiyel sorunlar\u0131 daha derinlemesine izleyebilir ve anlayabilirsiniz. \u00d6zel enstr\u00fcmantasyonlar ve veri zenginle\u015ftirme teknikleri ile AI modellerine \u00f6zel g\u00f6zlemlenebilirlik elde edilebilir.<\/dd>\n<\/dl>\n","protected":false},"excerpt":{"rendered":"Yapay zeka \u00e7a\u011f\u0131n\u0131n karma\u015f\u0131k sistemlerinde performans ve maliyet dengesini kurmak zorlu bir g\u00f6revdir. Alibaba Cloud&#8217;un a\u00e7\u0131k kaynak LoongSuite&#8217;u,&hellip;","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"csco_page_header_type":"","csco_page_load_nextpost":"","csco_page_subscribe_form":"","csco_page_contact_form":"","footnotes":""},"categories":[1341],"tags":[],"class_list":{"0":"post-32057","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-cloud","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"<!-- This site is optimized with the Yoast SEO Premium plugin v20.5 (Yoast SEO v25.3.1) - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Alibaba Cloud LoongSuite: AI \u00c7a\u011f\u0131nda G\u00f6zlemlenebilir Veri Toplama<\/title>\n<meta name=\"description\" content=\"Yapay zeka \u00e7a\u011f\u0131n\u0131n karma\u015f\u0131k sistemlerinde performans ve maliyet dengesini kurmak zorlu bir g\u00f6revdir. Alibaba Cloud&#039;un a\u00e7\u0131k kaynak LoongSuite&#039;u, y\u00fcksek performansl\u0131 ve d\u00fc\u015f\u00fck maliyetli g\u00f6zlemlenebilir veri toplamay\u0131 kolayla\u015ft\u0131rarak bu zorlu\u011fun \u00fcstesinden gelmeye yard\u0131mc\u0131 oluyor.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/fatihsoysal.com\/blog\/alibaba-cloud-loongsuite-ai-caginda-gozlemlenebilir-veri-toplama\/\" \/>\n<meta property=\"og:locale\" content=\"tr_TR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Alibaba Cloud LoongSuite: AI \u00c7a\u011f\u0131nda G\u00f6zlemlenebilir Veri Toplama\" \/>\n<meta property=\"og:description\" content=\"Yapay zeka \u00e7a\u011f\u0131n\u0131n karma\u015f\u0131k sistemlerinde performans ve maliyet dengesini kurmak zorlu bir g\u00f6revdir. Alibaba Cloud&#039;un a\u00e7\u0131k kaynak LoongSuite&#039;u, y\u00fcksek performansl\u0131 ve d\u00fc\u015f\u00fck maliyetli g\u00f6zlemlenebilir veri toplamay\u0131 kolayla\u015ft\u0131rarak bu zorlu\u011fun \u00fcstesinden gelmeye yard\u0131mc\u0131 oluyor.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/fatihsoysal.com\/blog\/alibaba-cloud-loongsuite-ai-caginda-gozlemlenebilir-veri-toplama\/\" \/>\n<meta property=\"og:site_name\" content=\"Kodlar\u0131n Gizemli D\u00fcnyas\u0131\" \/>\n<meta property=\"article:published_time\" content=\"2025-10-17T03:31:26+00:00\" \/>\n<meta name=\"author\" content=\"Fatih Soysal\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Yazan:\" \/>\n\t<meta name=\"twitter:data1\" content=\"Fatih Soysal\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tahmini okuma s\u00fcresi\" \/>\n\t<meta name=\"twitter:data2\" content=\"28 dakika\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/alibaba-cloud-loongsuite-ai-caginda-gozlemlenebilir-veri-toplama\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/alibaba-cloud-loongsuite-ai-caginda-gozlemlenebilir-veri-toplama\/\"},\"author\":{\"name\":\"Fatih Soysal\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\"},\"headline\":\"Alibaba Cloud LoongSuite: AI \u00c7a\u011f\u0131nda G\u00f6zlemlenebilir Veri Toplama\",\"datePublished\":\"2025-10-17T03:31:26+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/alibaba-cloud-loongsuite-ai-caginda-gozlemlenebilir-veri-toplama\/\"},\"wordCount\":4998,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\"},\"articleSection\":[\"Cloud\"],\"inLanguage\":\"tr\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\/\/fatihsoysal.com\/blog\/alibaba-cloud-loongsuite-ai-caginda-gozlemlenebilir-veri-toplama\/#respond\"]}],\"copyrightYear\":\"2025\",\"copyrightHolder\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#organization\"}},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/alibaba-cloud-loongsuite-ai-caginda-gozlemlenebilir-veri-toplama\/\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/alibaba-cloud-loongsuite-ai-caginda-gozlemlenebilir-veri-toplama\/\",\"name\":\"Alibaba Cloud LoongSuite: AI \u00c7a\u011f\u0131nda G\u00f6zlemlenebilir Veri Toplama\",\"isPartOf\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#website\"},\"datePublished\":\"2025-10-17T03:31:26+00:00\",\"description\":\"Yapay zeka \u00e7a\u011f\u0131n\u0131n karma\u015f\u0131k sistemlerinde performans ve maliyet dengesini kurmak zorlu bir g\u00f6revdir. Alibaba Cloud'un a\u00e7\u0131k kaynak LoongSuite'u, y\u00fcksek performansl\u0131 ve d\u00fc\u015f\u00fck maliyetli g\u00f6zlemlenebilir veri toplamay\u0131 kolayla\u015ft\u0131rarak bu zorlu\u011fun \u00fcstesinden gelmeye yard\u0131mc\u0131 oluyor.\",\"breadcrumb\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/alibaba-cloud-loongsuite-ai-caginda-gozlemlenebilir-veri-toplama\/#breadcrumb\"},\"inLanguage\":\"tr\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/fatihsoysal.com\/blog\/alibaba-cloud-loongsuite-ai-caginda-gozlemlenebilir-veri-toplama\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/alibaba-cloud-loongsuite-ai-caginda-gozlemlenebilir-veri-toplama\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Anasayfa\",\"item\":\"https:\/\/fatihsoysal.com\/blog\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Alibaba Cloud LoongSuite: AI \u00c7a\u011f\u0131nda G\u00f6zlemlenebilir Veri Toplama\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#website\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/\",\"name\":\"Fatihsoysal.com\",\"description\":\"Blog - Yaz\u0131l\u0131m D\u00fcnyas\u0131 Tecr\u00fcbelerim\",\"publisher\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/fatihsoysal.com\/blog\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"tr\"},{\"@type\":[\"Person\",\"Organization\"],\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\",\"name\":\"Fatih Soysal\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"tr\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/wp-content\/uploads\/2024\/04\/cropped-replicate-prediction-3kgg1hgjn5rgp0cf0p5tr0jw7w-1.png\",\"contentUrl\":\"https:\/\/fatihsoysal.com\/blog\/wp-content\/uploads\/2024\/04\/cropped-replicate-prediction-3kgg1hgjn5rgp0cf0p5tr0jw7w-1.png\",\"width\":512,\"height\":512,\"caption\":\"Fatih Soysal\"},\"logo\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/image\/\"},\"description\":\"Kullan\u0131m ve kodlama m\u00fckemmeliyetini odak alan uygulamalar olu\u015fturma deneyimine sahip, profesyonel olarak 15+ y\u0131l \u00fczeri deneyime sahip bir yaz\u0131l\u0131m m\u00fchendisi.\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/author\/fatihsoysal\/\"}]}<\/script>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"Alibaba Cloud LoongSuite: AI \u00c7a\u011f\u0131nda G\u00f6zlemlenebilir Veri Toplama","description":"Yapay zeka \u00e7a\u011f\u0131n\u0131n karma\u015f\u0131k sistemlerinde performans ve maliyet dengesini kurmak zorlu bir g\u00f6revdir. Alibaba Cloud'un a\u00e7\u0131k kaynak LoongSuite'u, y\u00fcksek performansl\u0131 ve d\u00fc\u015f\u00fck maliyetli g\u00f6zlemlenebilir veri toplamay\u0131 kolayla\u015ft\u0131rarak bu zorlu\u011fun \u00fcstesinden gelmeye yard\u0131mc\u0131 oluyor.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/fatihsoysal.com\/blog\/alibaba-cloud-loongsuite-ai-caginda-gozlemlenebilir-veri-toplama\/","og_locale":"tr_TR","og_type":"article","og_title":"Alibaba Cloud LoongSuite: AI \u00c7a\u011f\u0131nda G\u00f6zlemlenebilir Veri Toplama","og_description":"Yapay zeka \u00e7a\u011f\u0131n\u0131n karma\u015f\u0131k sistemlerinde performans ve maliyet dengesini kurmak zorlu bir g\u00f6revdir. Alibaba Cloud'un a\u00e7\u0131k kaynak LoongSuite'u, y\u00fcksek performansl\u0131 ve d\u00fc\u015f\u00fck maliyetli g\u00f6zlemlenebilir veri toplamay\u0131 kolayla\u015ft\u0131rarak bu zorlu\u011fun \u00fcstesinden gelmeye yard\u0131mc\u0131 oluyor.","og_url":"https:\/\/fatihsoysal.com\/blog\/alibaba-cloud-loongsuite-ai-caginda-gozlemlenebilir-veri-toplama\/","og_site_name":"Kodlar\u0131n Gizemli D\u00fcnyas\u0131","article_published_time":"2025-10-17T03:31:26+00:00","author":"Fatih Soysal","twitter_card":"summary_large_image","twitter_misc":{"Yazan:":"Fatih Soysal","Tahmini okuma s\u00fcresi":"28 dakika"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/fatihsoysal.com\/blog\/alibaba-cloud-loongsuite-ai-caginda-gozlemlenebilir-veri-toplama\/#article","isPartOf":{"@id":"https:\/\/fatihsoysal.com\/blog\/alibaba-cloud-loongsuite-ai-caginda-gozlemlenebilir-veri-toplama\/"},"author":{"name":"Fatih Soysal","@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1"},"headline":"Alibaba Cloud LoongSuite: AI \u00c7a\u011f\u0131nda G\u00f6zlemlenebilir Veri Toplama","datePublished":"2025-10-17T03:31:26+00:00","mainEntityOfPage":{"@id":"https:\/\/fatihsoysal.com\/blog\/alibaba-cloud-loongsuite-ai-caginda-gozlemlenebilir-veri-toplama\/"},"wordCount":4998,"commentCount":0,"publisher":{"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1"},"articleSection":["Cloud"],"inLanguage":"tr","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/fatihsoysal.com\/blog\/alibaba-cloud-loongsuite-ai-caginda-gozlemlenebilir-veri-toplama\/#respond"]}],"copyrightYear":"2025","copyrightHolder":{"@id":"https:\/\/fatihsoysal.com\/blog\/#organization"}},{"@type":"WebPage","@id":"https:\/\/fatihsoysal.com\/blog\/alibaba-cloud-loongsuite-ai-caginda-gozlemlenebilir-veri-toplama\/","url":"https:\/\/fatihsoysal.com\/blog\/alibaba-cloud-loongsuite-ai-caginda-gozlemlenebilir-veri-toplama\/","name":"Alibaba Cloud LoongSuite: AI \u00c7a\u011f\u0131nda G\u00f6zlemlenebilir Veri Toplama","isPartOf":{"@id":"https:\/\/fatihsoysal.com\/blog\/#website"},"datePublished":"2025-10-17T03:31:26+00:00","description":"Yapay zeka \u00e7a\u011f\u0131n\u0131n karma\u015f\u0131k sistemlerinde performans ve maliyet dengesini kurmak zorlu bir g\u00f6revdir. Alibaba Cloud'un a\u00e7\u0131k kaynak LoongSuite'u, y\u00fcksek performansl\u0131 ve d\u00fc\u015f\u00fck maliyetli g\u00f6zlemlenebilir veri toplamay\u0131 kolayla\u015ft\u0131rarak bu zorlu\u011fun \u00fcstesinden gelmeye yard\u0131mc\u0131 oluyor.","breadcrumb":{"@id":"https:\/\/fatihsoysal.com\/blog\/alibaba-cloud-loongsuite-ai-caginda-gozlemlenebilir-veri-toplama\/#breadcrumb"},"inLanguage":"tr","potentialAction":[{"@type":"ReadAction","target":["https:\/\/fatihsoysal.com\/blog\/alibaba-cloud-loongsuite-ai-caginda-gozlemlenebilir-veri-toplama\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/fatihsoysal.com\/blog\/alibaba-cloud-loongsuite-ai-caginda-gozlemlenebilir-veri-toplama\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Anasayfa","item":"https:\/\/fatihsoysal.com\/blog\/"},{"@type":"ListItem","position":2,"name":"Alibaba Cloud LoongSuite: AI \u00c7a\u011f\u0131nda G\u00f6zlemlenebilir Veri Toplama"}]},{"@type":"WebSite","@id":"https:\/\/fatihsoysal.com\/blog\/#website","url":"https:\/\/fatihsoysal.com\/blog\/","name":"Fatihsoysal.com","description":"Blog - Yaz\u0131l\u0131m D\u00fcnyas\u0131 Tecr\u00fcbelerim","publisher":{"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/fatihsoysal.com\/blog\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"tr"},{"@type":["Person","Organization"],"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1","name":"Fatih Soysal","image":{"@type":"ImageObject","inLanguage":"tr","@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/image\/","url":"https:\/\/fatihsoysal.com\/blog\/wp-content\/uploads\/2024\/04\/cropped-replicate-prediction-3kgg1hgjn5rgp0cf0p5tr0jw7w-1.png","contentUrl":"https:\/\/fatihsoysal.com\/blog\/wp-content\/uploads\/2024\/04\/cropped-replicate-prediction-3kgg1hgjn5rgp0cf0p5tr0jw7w-1.png","width":512,"height":512,"caption":"Fatih Soysal"},"logo":{"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/image\/"},"description":"Kullan\u0131m ve kodlama m\u00fckemmeliyetini odak alan uygulamalar olu\u015fturma deneyimine sahip, profesyonel olarak 15+ y\u0131l \u00fczeri deneyime sahip bir yaz\u0131l\u0131m m\u00fchendisi.","url":"https:\/\/fatihsoysal.com\/blog\/author\/fatihsoysal\/"}]}},"yoast_meta":{"yoast_wpseo_title":"","yoast_wpseo_metadesc":"","yoast_wpseo_canonical":""},"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/posts\/32057","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/comments?post=32057"}],"version-history":[{"count":0,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/posts\/32057\/revisions"}],"wp:attachment":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/media?parent=32057"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/categories?post=32057"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/tags?post=32057"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}