AWS CloudWatch alarm y\u0131\u011f\u0131nlar\u0131n\u0131zla bo\u011fu\u015fmaktan s\u0131k\u0131ld\u0131n\u0131z m\u0131? Bu makale, yapay zeka destekli bir Terraform mod\u00fcl\u00fc ile alarmlar\u0131n\u0131z\u0131 otomatik olarak \u00f6nceliklendirerek operasyonel y\u00fck\u00fcn\u00fcz\u00fc nas\u0131l azaltabilece\u011finizi ad\u0131m ad\u0131m a\u00e7\u0131kl\u0131yor.<\/p>\n
G\u00fcn\u00fcm\u00fcz\u00fcn h\u0131zla de\u011fi\u015fen dijital d\u00fcnyas\u0131nda, i\u015fletmelerin teknolojik altyap\u0131lar\u0131 her ge\u00e7en g\u00fcn daha karma\u015f\u0131k hale geliyor. \u00d6zellikle bulut tabanl\u0131 sistemler, mikroservis mimarileri ve kapsay\u0131c\u0131 teknolojilerin yayg\u0131nla\u015fmas\u0131yla birlikte, sistem izleme ve uyar\u0131 mekanizmalar\u0131 kritik bir rol oynamaya ba\u015flad\u0131. AWS CloudWatch, bu karma\u015f\u0131k ortamda metrik toplama, log analizi ve alarm olu\u015fturma konusunda vazge\u00e7ilmez bir ara\u00e7t\u0131r. Ancak, sistemin boyutu ve karma\u015f\u0131kl\u0131\u011f\u0131 artt\u0131k\u00e7a, CloudWatch’\u0131n \u00fcretti\u011fi alarm say\u0131s\u0131 da katlanarak artabilir. Bu durum, “alarm yorgunlu\u011fu” olarak bilinen yayg\u0131n bir soruna yol a\u00e7ar. Operasyon ekipleri, s\u00fcrekli \u00e7alan ve \u00e7o\u011fu zaman d\u00fc\u015f\u00fck \u00f6ncelikli veya yanl\u0131\u015f pozitif olan alarmlar aras\u0131nda bo\u011fu\u015fmak zorunda kal\u0131r. Bu bitmek bilmeyen alarm ak\u0131\u015f\u0131, ger\u00e7ek ve kritik sorunlar\u0131n g\u00f6zden ka\u00e7mas\u0131na, olaylara m\u00fcdahale s\u00fcresinin (MTTR) uzamas\u0131na ve en \u00f6nemlisi ekip moralinin d\u00fc\u015fmesine neden olabilir. \u00c7\u00fcnk\u00fc her alarm\u0131 manuel olarak incelemek, ba\u011flam\u0131n\u0131 anlamaya \u00e7al\u0131\u015fmak ve do\u011fru ekiplere iletmek, hem zaman al\u0131c\u0131 hem de hata yapmaya a\u00e7\u0131k bir s\u00fcre\u00e7tir. Ayr\u0131ca, yeni bir \u00f6zellik da\u011f\u0131t\u0131ld\u0131\u011f\u0131nda veya bir servis g\u00fcncellendi\u011finde, eski alarmlar\u0131n art\u0131k ge\u00e7erli olup olmad\u0131\u011f\u0131n\u0131 anlamak ve buna g\u00f6re g\u00fcncelleme yapmak da b\u00fcy\u00fck bir ek y\u00fck getirebilir.<\/p>\n
Bu karma\u015fay\u0131 daha iyi anlamak i\u00e7in bir senaryo d\u00fc\u015f\u00fcnelim: Bir e-ticaret platformunun AWS \u00fczerinde y\u00fczlerce Lambda fonksiyonu, RDS veritaban\u0131, EC2 instance’\u0131 ve S3 bucket’\u0131 oldu\u011funu varsayal\u0131m. Her bir servisin farkl\u0131 kritiklik seviyelerine sahip onlarca CloudWatch alarm\u0131 bulunabilir. Bir gecede y\u00fczlerce farkl\u0131 alarm tetiklendi\u011finde, hangi alarm\u0131n ger\u00e7ekten bir sorunu i\u015faret etti\u011fini, hangisinin ge\u00e7ici bir dalgalanma oldu\u011funu veya hangisinin birbirini tetikleyen alarmlar zincirinin bir par\u00e7as\u0131 oldu\u011funu anlamak adeta i\u011fne aramaya benzer. Geleneksel alarm y\u00f6netiminde, bu durumda genellikle bir veya birden fazla operasyon m\u00fchendisi, gelen t\u00fcm bildirimleri tek tek inceler, loglara bakar, metrik grafiklerini analiz eder ve sorunun k\u00f6k nedenini bulmaya \u00e7al\u0131\u015f\u0131r. Bu manuel s\u00fcre\u00e7, \u00f6zellikle i\u015f yo\u011funlu\u011funun y\u00fcksek oldu\u011fu veya mesai saatleri d\u0131\u015f\u0131nda meydana gelen olaylarda felaketle sonu\u00e7lanabilir. \u0130\u015fletmeler, bu operasyonel y\u00fck\u00fc azaltmak ve ekiplerini daha de\u011ferli g\u00f6revlere odaklamak i\u00e7in yeni yollar aray\u0131\u015f\u0131ndad\u0131r. \u0130\u015fte tam da bu noktada, yapay zeka destekli alarm triage mekanizmalar\u0131 devreye giriyor. Bu sistemler, yaln\u0131zca alarm\u0131n tetiklendi\u011fini bildirmekle kalmaz, ayn\u0131 zamanda alarm\u0131n potansiyel \u00f6nemini, olas\u0131 k\u00f6k nedenlerini ve hatta \u00e7\u00f6z\u00fcm \u00f6nerilerini sunarak operasyonel s\u00fcre\u00e7leri k\u00f6kten d\u00f6n\u00fc\u015ft\u00fcrme potansiyeli ta\u015f\u0131r. B\u00f6ylece, ekipler sadece ger\u00e7ekten kritik olan sorunlara odaklanabilir ve daha proaktif bir yakla\u015f\u0131m sergileyebilir.<\/p>\n
Yapay zeka (YZ) destekli alarm triage, geleneksel alarm y\u00f6netiminin kar\u015f\u0131la\u015ft\u0131\u011f\u0131 zorluklara ak\u0131ll\u0131 ve otomatik bir \u00e7\u00f6z\u00fcm sunar. Temel olarak, bu yakla\u015f\u0131m, CloudWatch’tan gelen t\u00fcm alarm verilerini \u2013 yani metrikleri, loglar\u0131, olaylar\u0131 ve alarm tan\u0131m\u0131n\u0131n kendisini \u2013 bir YZ\/makine \u00f6\u011frenimi (ML) modeli arac\u0131l\u0131\u011f\u0131yla analiz ederek, alarm\u0131n \u00f6nemini, olas\u0131 k\u00f6k nedenlerini ve hatta \u00f6nerilen eylemleri otomatik olarak belirleme s\u00fcrecidir. Peki, bu mekanizma nas\u0131l \u00e7al\u0131\u015f\u0131r? S\u00fcre\u00e7 genellikle \u015fu ad\u0131mlar\u0131 i\u00e7erir: \u0130lk olarak, CloudWatch alarm\u0131 tetiklendi\u011finde, bu olay bir AWS SNS (Simple Notification Service) konusu arac\u0131l\u0131\u011f\u0131yla veya do\u011frudan bir AWS Lambda fonksiyonuna iletilir. Lambda fonksiyonu, alarm\u0131n detaylar\u0131n\u0131, ilgili metrikleri ve varsa log gruplar\u0131ndaki son olaylar\u0131 toplar. Toplanan bu veriler, \u00f6nceden e\u011fitilmi\u015f bir ML modeline girdi olarak sunulur. Bu ML modeli, ge\u00e7mi\u015f alarm verilerini (hangi alarmlar\u0131n kritik oldu\u011fu, hangi alarmlar\u0131n false positive oldu\u011fu, hangi alarmlar\u0131n belirli bir k\u00f6k nedenine i\u015faret etti\u011fi gibi) \u00f6\u011frenerek e\u011fitilmi\u015ftir. Model, gelen alarm\u0131n ge\u00e7mi\u015f kal\u0131plara ne kadar benzedi\u011fini, anormal bir durum olup olmad\u0131\u011f\u0131n\u0131 veya mevcut operasyonel ba\u011flamda ne kadar \u00f6nemli oldu\u011funu de\u011ferlendirir.<\/p>\n
ML modeli, anomali tespiti, kal\u0131p tan\u0131ma ve s\u0131n\u0131fland\u0131rma algoritmalar\u0131n\u0131 kullanarak \u00e7al\u0131\u015f\u0131r. \u00d6rne\u011fin, bir Yapay zeka destekli CloudWatch alarm triage sistemini kurman\u0131n en etkili yollar\u0131ndan biri, altyap\u0131y\u0131 kod olarak (Infrastructure as Code – IaC) y\u00f6netmek ve otomatikle\u015ftirmek i\u00e7in Terraform kullanmakt\u0131r. Terraform, AWS kaynaklar\u0131n\u0131 deklaratif bir \u015fekilde tan\u0131mlaman\u0131za ve da\u011f\u0131tman\u0131za olanak tan\u0131r, b\u00f6ylece altyap\u0131n\u0131z\u0131n tutarl\u0131, tekrarlanabilir ve versiyon kontrol\u00fc alt\u0131nda olmas\u0131n\u0131 sa\u011flar. Bu mod\u00fcl\u00fcn kalbinde bir AWS Lambda fonksiyonu, SNS ve\/veya SQS kuyruklar\u0131 bulunur. CloudWatch alarm\u0131 tetiklendi\u011finde, olay bir SNS konusuna g\u00f6nderilir; bu konu da Lambda fonksiyonunu tetikler. Lambda, alarm verilerini i\u015fler, ML modeline g\u00f6nderir ve triaj sonu\u00e7lar\u0131na g\u00f6re uygun aksiyonlar\u0131 al\u0131r. \u0130lk ad\u0131m olarak, bir Terraform projesi olu\u015fturman\u0131z ve gerekli AWS kimlik bilgilerini yap\u0131land\u0131rman\u0131z gerekir. <\/code><\/p>\n Bu Terraform kodu, bir SNS konusu, bu konuyu dinleyen bir Lambda fonksiyonu ve Lambda'n\u0131n \u00e7al\u0131\u015fmas\u0131 i\u00e7in gerekli IAM rollerini olu\u015fturur. AI destekli CloudWatch alarm triage mod\u00fcl\u00fcn\u00fcn ger\u00e7ek d\u00fcnya operasyonlar\u0131na nas\u0131l entegre edilebilece\u011fini ve ne t\u00fcr faydalar sa\u011flayabilece\u011fini bir vaka analizi ile daha iyi anlayabiliriz. B\u00fcy\u00fck \u00f6l\u00e7ekli bir e-ticaret platformu olan \"TrendMarket\" \u00f6rne\u011fini ele alal\u0131m. TrendMarket, y\u00fcksek trafikli d\u00f6nemlerde (Kara Cuma, Sevgililer G\u00fcn\u00fc gibi) on binlerce e\u015fzamanl\u0131 kullan\u0131c\u0131ya hizmet veren, mikroservis tabanl\u0131, AWS \u00fczerinde \u00e7al\u0131\u015fan bir yap\u0131ya sahip. Y\u00fczlerce Lambda fonksiyonu, birden fazla RDS instance'\u0131, EKS k\u00fcmeleri ve \u00e7e\u015fitli depolama servisleri bulunuyor. Geleneksel yakla\u015f\u0131mlar\u0131nda, CloudWatch, DataDog ve Prometheus gibi ara\u00e7lardan g\u00fcnde ortalama 2000'den fazla alarm tetikleniyordu. Bu alarmlar\u0131n yakla\u015f\u0131k %70'i ya yanl\u0131\u015f pozitifti ya da birbirini tetikleyen \"g\u00fcr\u00fclt\u00fc\" alarmlar\u0131yd\u0131. Sonu\u00e7 olarak, operasyonel ekipler s\u00fcrekli alarm yorgunlu\u011fu ya\u015f\u0131yor, kritik sorunlar\u0131 ka\u00e7\u0131rma riski ta\u015f\u0131yor ve olaylara m\u00fcdahale s\u00fcresi (MTTR) ortalama 45 dakika civar\u0131ndayd\u0131.<\/p>\n TrendMarket, bu operasyonel \u00e7\u0131kmazdan kurtulmak i\u00e7in AI Destekli CloudWatch Alarm Triage Terraform Mod\u00fcl\u00fc'n\u00fc entegre etmeye karar verdi. \u0130lk olarak, mevcut alarm verileri (ge\u00e7mi\u015f 6 ayl\u0131k alarmlar, bunlara yap\u0131lan m\u00fcdahaleler ve ger\u00e7ek k\u00f6k nedenleri) topland\u0131 ve bir ML modelini e\u011fitmek i\u00e7in kullan\u0131ld\u0131. Model, alarm metrikleri (CPU kullan\u0131m\u0131, bellek, a\u011f I\/O, hata oranlar\u0131), log verilerindeki anahtar kelimeler ve alarm\u0131n tetiklenme s\u0131kl\u0131\u011f\u0131 gibi \u00f6zellikler \u00fczerinde e\u011fitildi. \u00d6rne\u011fin, bir Lambda fonksiyonunun %99'un \u00fczerinde hata oran\u0131 alarm\u0131, ba\u015fka bir Lambda'n\u0131n yava\u015flamas\u0131na ve ard\u0131ndan bir RDS ba\u011flant\u0131 hatas\u0131na yol a\u00e7\u0131yorsa, model bu korelasyonu \u00f6\u011frendi. Yeni sistem devreye al\u0131nd\u0131\u011f\u0131nda, CloudWatch alarm\u0131 tetiklendi\u011finde otomatik olarak AI triaj mod\u00fcl\u00fcne y\u00f6nlendirildi. Mod\u00fcl, alarm\u0131n potansiyel \u00f6nemini belirledi, olas\u0131 k\u00f6k nedenini analiz etti ve a\u015fa\u011f\u0131daki gibi otomatik eylemler ger\u00e7ekle\u015ftirdi:<\/p>\n Bu entegrasyonun sonucunda, TrendMarket \u00f6nemli geli\u015fmeler kaydetti. \u0130lk ay i\u00e7inde, gelen alarm say\u0131s\u0131nda %60'l\u0131k bir azalma g\u00f6zlendi. Operasyonel ekiplerin manuel m\u00fcdahale ihtiyac\u0131 azald\u0131\u011f\u0131 i\u00e7in alarm yorgunlu\u011fu \u00f6nemli \u00f6l\u00e7\u00fcde d\u00fc\u015ft\u00fc. En \u00f6nemlisi, ger\u00e7ek kritik olaylara m\u00fcdahale s\u00fcresi (MTTR) 45 dakikadan ortalama 15 dakikaya indi, bu da m\u00fc\u015fteri memnuniyetini ve gelir kayb\u0131n\u0131 \u00f6nlemede kritik bir rol oynad\u0131. YZ destekli triage, TrendMarket i\u00e7in yaln\u0131zca bir otomasyon arac\u0131 olmakla kalmad\u0131, ayn\u0131 zamanda operasyonel verimlili\u011fi, sistem g\u00fcvenilirli\u011fini ve ekip motivasyonunu art\u0131ran stratejik bir d\u00f6n\u00fc\u015f\u00fcm arac\u0131 oldu.<\/p>\n Yapay zeka destekli CloudWatch alarm triage mod\u00fcl\u00fcn\u00fcz\u00fc kurduktan sonra, onu daha da ak\u0131ll\u0131, duyarl\u0131 ve dayan\u0131kl\u0131 hale getirmek i\u00e7in yapabilece\u011finiz bir\u00e7ok \u015fey var. Sisteminizi s\u00fcrekli olarak iyile\u015ftirmek, uzun vadede operasyonel verimlili\u011fi maksimize etmenin anahtar\u0131d\u0131r. \u0130lk olarak, ML modelinizi s\u00fcrekli olarak e\u011fitmek ve optimize etmek hayati \u00f6nem ta\u015f\u0131r. \u00dcretim ortamlar\u0131 dinamiktir; yeni servisler eklenir, mevcutlar\u0131n davran\u0131\u015f\u0131 de\u011fi\u015fir. Bu nedenle, modelinizin g\u00fcncel kalmas\u0131n\u0131 sa\u011flamak i\u00e7in bir geri bildirim d\u00f6ng\u00fcs\u00fc olu\u015fturmal\u0131s\u0131n\u0131z. Operasyonel ekipleriniz, AI taraf\u0131ndan triaj edilen alarmlara manuel olarak m\u00fcdahale etti\u011finde, bu m\u00fcdahalelerin sonu\u00e7lar\u0131n\u0131 (\u00f6rne\u011fin, \"Bu alarm ger\u00e7ekten kritikti\", \"Bu bir yanl\u0131\u015f pozitifti\", \"K\u00f6k neden farkl\u0131yd\u0131\") sisteme geri besleyebilmelidir. Bu geri besleme verileri, modelinizi periyodik olarak yeniden e\u011fitmek i\u00e7in kullan\u0131lmal\u0131d\u0131r. \u00d6rne\u011fin, bir AWS Step Functions i\u015f ak\u0131\u015f\u0131, her ay manuel etiketlenmi\u015f verileri toplay\u0131p, SageMaker'da yeni bir model e\u011fitimi tetikleyebilir ve ard\u0131ndan Lambda fonksiyonunu yeni model u\u00e7 noktas\u0131na y\u00f6nlendirebilir.<\/p>\n \u0130kinci olarak, mod\u00fcl\u00fcn\u00fcz\u00fcn sadece alarm \u00f6nemini belirlemesini de\u011fil, ayn\u0131 zamanda daha zengin ba\u011flam sa\u011flamas\u0131n\u0131 sa\u011flay\u0131n. Bir alarm tetiklendi\u011finde, Lambda fonksiyonunuz ilgili servislerin son da\u011f\u0131t\u0131m bilgilerini, ba\u011fl\u0131 di\u011fer servislerin sa\u011fl\u0131k durumunu veya hatta son de\u011fi\u015fiklik y\u00f6netimi (CMDB) kay\u0131tlar\u0131n\u0131 otomatik olarak toplayabilir. Bu ek ba\u011flamsal bilgiler, olas\u0131 k\u00f6k neden analizini daha do\u011fru hale getirir ve operasyon ekiplerinin sorunu daha h\u0131zl\u0131 \u00e7\u00f6zmesine yard\u0131mc\u0131 olur. \u00d6rne\u011fin, bir \"MemoryUtilization\" alarm\u0131 tetiklendi\u011finde, Lambda, ilgili EC2 instance'\u0131n son 24 saatteki da\u011f\u0131t\u0131m ge\u00e7mi\u015fini ve ayn\u0131 anda ba\u015fka hangi mikroservislerin benzer alarmlar tetikledi\u011fini bulabilir. T\u00fcm bu verileri, triaj sonucunun bir par\u00e7as\u0131 olarak bildirimle birlikte g\u00f6ndermek, ekiplerin zaman\u0131ndan b\u00fcy\u00fck \u00f6l\u00e7\u00fcde tasarruf ettirir.<\/p>\n \u00dc\u00e7\u00fcnc\u00fc olarak, mod\u00fcl\u00fcn\u00fcz\u00fc di\u011fer operasyonel ara\u00e7lar\u0131n\u0131zla derinlemesine entegre edin. Slack, Microsoft Teams, PagerDuty, Opsgenie, Jira veya servis masas\u0131 sistemleri gibi ara\u00e7larla iki y\u00f6nl\u00fc entegrasyonlar kurun. \u00d6rne\u011fin, Slack'te bir alarm bildirimi al\u0131nd\u0131\u011f\u0131nda, kullan\u0131c\u0131lar do\u011frudan bir d\u00fc\u011fmeye t\u0131klayarak alarm\u0131 \"Onayla\", \"Yoksay\" veya \"K\u00f6k Neden Analizi Ba\u015flat\" gibi eylemleri tetikleyebilir. Bu, ekiplerin farkl\u0131 platformlar aras\u0131nda ge\u00e7i\u015f yapma ihtiyac\u0131n\u0131 azalt\u0131r ve i\u015f ak\u0131\u015f\u0131n\u0131 h\u0131zland\u0131r\u0131r. Lambda fonksiyonunuzun, al\u0131nan triaj sonucuna g\u00f6re PagerDuty'de olay olu\u015fturmas\u0131n\u0131, Jira'da bilet a\u00e7mas\u0131n\u0131 veya hatta belirli durumlarda otomatik olarak bir EC2 instance'\u0131n\u0131 yeniden ba\u015flatma veya bir Auto Scaling grubuna kapasite ekleme gibi iyile\u015ftirme eylemlerini tetiklemesini sa\u011flay\u0131n. Otomatik iyile\u015ftirme, \u00f6zellikle iyi anla\u015f\u0131lm\u0131\u015f ve tekrarlayan sorunlar i\u00e7in b\u00fcy\u00fck bir zaman kazand\u0131r\u0131c\u0131d\u0131r. Son olarak, mod\u00fcl\u00fcn\u00fcz\u00fcn dayan\u0131kl\u0131l\u0131\u011f\u0131n\u0131 art\u0131rmak i\u00e7in hata i\u015fleme ve yeniden deneme mekanizmalar\u0131n\u0131 dahil edin. Lambda'n\u0131n ML modelini \u00e7a\u011f\u0131rma veya bildirim g\u00f6nderme giri\u015fimleri ba\u015far\u0131s\u0131z olursa, bir DLQ (Dead-Letter Queue) kullanarak ba\u015far\u0131s\u0131z olan olaylar\u0131 yakalay\u0131n ve manuel inceleme veya otomatik yeniden deneme i\u00e7in uygun hale getirin. Bu \u015fekilde, hi\u00e7bir kritik alarm\u0131n g\u00f6zden ka\u00e7mamas\u0131n\u0131 sa\u011flam\u0131\u015f olursunuz.<\/p>\n G\u00fcn\u00fcm\u00fcz\u00fcn h\u0131zla ilerleyen d\u00fcnyas\u0131nda, operasyonel ekipler art\u0131k sadece masalar\u0131n\u0131n ba\u015f\u0131ndan de\u011fil, mobil cihazlar\u0131ndan da sistem sa\u011fl\u0131\u011f\u0131n\u0131 izlemek ve alarmlara yan\u0131t vermek zorunda kal\u0131yor. Yapay zeka destekli CloudWatch alarm triage mod\u00fcl\u00fcn\u00fcz\u00fcn ba\u015far\u0131s\u0131, \u00fcretti\u011fi bilgilerin mobil cihazlarda ne kadar eri\u015filebilir ve kullan\u0131labilir oldu\u011funa da ba\u011fl\u0131d\u0131r. Bu nedenle, alarm bildirimlerini ve ilgili dashboardlar\u0131 mobil dostu hale getirmek kritik bir \u00f6neme sahiptir. \u0130lk olarak, bildirimlerin kendisini optimize etmeliyiz. Mobil bildirimler k\u0131sa, \u00f6z ve en \u00f6nemli bilgiyi i\u00e7ermelidir. A\u015f\u0131r\u0131 metin veya karma\u015f\u0131k yap\u0131lar, k\u00fc\u00e7\u00fck ekranlarda okunmas\u0131 zor olabilir. Triaj mod\u00fcl\u00fcn\u00fcz, alarm\u0131n \u00f6nem derecesini, olas\u0131 k\u00f6k nedenini ve do\u011frudan ilgili dashboard'a veya runbook'a y\u00f6nlendiren k\u0131sa bir URL'yi bildirim metnine eklemelidir. \u00d6rne\u011fin, bir PagerDuty veya Slack bildirimi, \"Kritik: Sepet Servisi API Hata Oran\u0131 Y\u00fcksek (%8) - Olas\u0131 K\u00f6k Neden: Yeni Da\u011f\u0131t\u0131m. Detaylar: [URL]\" \u015feklinde olabilir. Kullan\u0131c\u0131lar, bu URL'ye t\u0131klad\u0131klar\u0131nda mobil uyumlu bir aray\u00fcze y\u00f6nlendirilmelidir.<\/p>\n \u0130kinci olarak, CloudWatch dashboardlar\u0131 veya triaj sonu\u00e7lar\u0131n\u0131 g\u00f6rselle\u015ftiren \u00f6zel dashboardlar\u0131n mobil cihazlarda iyi g\u00f6r\u00fcnmesini sa\u011flamak gerekir. AWS Console'daki CloudWatch dashboardlar\u0131 genellikle mobil taray\u0131c\u0131larda da g\u00f6r\u00fcnt\u00fclenebilir olsa da, \u00f6zel olarak olu\u015fturdu\u011funuz panolar i\u00e7in responsive tasar\u0131m prensiplerini uygulamak \u00f6nemlidir. \u0130\u015fte mobil uyumlu bir rapor veya dashboard i\u00e7in kullanabilece\u011finiz temel CSS medya sorgular\u0131:<\/p>\nCPUUtilization<\/code> alarm\u0131 tetiklendi\u011finde, model sadece CPU y\u00fczdesine bakmakla kalmaz; ayn\u0131 zamanda ayn\u0131 anda tetiklenen di\u011fer alarmlar\u0131, deploy ge\u00e7mi\u015fini, a\u011f trafi\u011fini, ilgili uygulaman\u0131n loglar\u0131n\u0131 ve hatta g\u00fcn\u00fcn saatini bile dikkate alabilir. Bir e-ticaret sitesinde kampanya d\u00f6neminde y\u00fcksek CPU kullan\u0131m\u0131n\u0131n normal olabilece\u011fi, ancak gece yar\u0131s\u0131 bu durumun bir sald\u0131r\u0131ya i\u015faret edebilece\u011fi gibi ba\u011flamsal farkl\u0131l\u0131klar\u0131 alg\u0131layabilir. Mod\u00fcl, bu analizi yapt\u0131ktan sonra, alarm\u0131 belirli bir \u00f6nem seviyesine (\u00f6rne\u011fin, Kritik, Y\u00fcksek, Orta, D\u00fc\u015f\u00fck) s\u0131n\u0131fland\u0131r\u0131r, olas\u0131 k\u00f6k nedenlerini \u00f6zetler ve hatta belirli bir runbook’u veya \u00e7\u00f6z\u00fcm belgesini \u00f6nerebilir. Bu otomatik analiz ve s\u0131n\u0131fland\u0131rma, operasyon ekiplerinin alarm\u0131n \u00f6nemini h\u0131zl\u0131ca anlamas\u0131n\u0131 ve do\u011fru m\u00fcdahaleyi ba\u015flatmas\u0131n\u0131 sa\u011flar. Bunun yan\u0131 s\u0131ra, tekrarlayan ve \u00f6nemsiz alarmlar\u0131 otomatik olarak bast\u0131rabilir veya daha d\u00fc\u015f\u00fck \u00f6ncelikli bir kanala (\u00f6rne\u011fin, bir Slack kanal\u0131na uyar\u0131 g\u00f6ndermek yerine sadece bir log kayd\u0131 olu\u015fturmak) y\u00f6nlendirebilir. Bu sistemin i\u015fletmelere sa\u011flad\u0131\u011f\u0131 faydalar olduk\u00e7a fazlad\u0131r: Olaylara m\u00fcdahale s\u00fcresi (MTTR) \u00f6nemli \u00f6l\u00e7\u00fcde k\u0131sal\u0131r, \u00e7\u00fcnk\u00fc ekipler art\u0131k alarm\u0131n ne anlama geldi\u011fini veya kime iletilece\u011fini d\u00fc\u015f\u00fcnmek zorunda kalmaz. Alarm yorgunlu\u011fu azal\u0131r ve ekipler daha \u00f6nemli, proaktif \u00e7al\u0131\u015fmalara odaklanabilir. Operasyonel maliyetler d\u00fc\u015fer, zira daha az manuel m\u00fcdahale ve daha verimli kaynak kullan\u0131m\u0131 sa\u011flan\u0131r. Sonu\u00e7 olarak, YZ destekli triage, yaln\u0131zca bir otomasyon arac\u0131 de\u011fil, ayn\u0131 zamanda operasyonel m\u00fckemmelli\u011fi ve sistem g\u00fcvenilirli\u011fini art\u0131ran stratejik bir yat\u0131r\u0131md\u0131r.<\/p>\nTerraform ile AI Destekli Triage Mod\u00fcl\u00fc Nas\u0131l Kurulur ve Yap\u0131land\u0131r\u0131l\u0131r?<\/h3>\n
main.tf<\/code> dosyan\u0131zda, mod\u00fcl\u00fcn\u00fcz\u00fcn ana kaynaklar\u0131n\u0131 tan\u0131mlayaca\u011f\u0131z.<\/p>\n\nresource \"aws_sns_topic\" \"alarm_notification_topic\" {\n name = \"cloudwatch-alarm-triage-topic\"\n}\n\nresource \"aws_lambda_function\" \"ai_triage_lambda\" {\n filename = \"lambda_function_payload.zip\" # Python kodu bu zip i\u00e7inde\n function_name = \"AICloudWatchAlarmTriage\"\n role = aws_iam_role.lambda_exec_role.arn\n handler = \"main.lambda_handler\"\n runtime = \"python3.9\"\n timeout = 300 # Alarm i\u015fleme i\u00e7in yeterli s\u00fcre\n\n environment {\n variables = {\n ML_MODEL_ENDPOINT = \"arn:aws:sagemaker:REGION:ACCOUNT_ID:endpoint\/your-ml-model-endpoint\" # \u0130ste\u011fe ba\u011fl\u0131\n NOTIFICATION_SNS_TOPIC = aws_sns_topic.alarm_notification_topic.arn\n SLACK_WEBHOOK_URL = var.slack_webhook_url\n }\n }\n}\n\nresource \"aws_iam_role\" \"lambda_exec_role\" {\n name = \"lambda-exec-role-for-ai-triage\"\n assume_role_policy = jsonencode({\n Version = \"2012-10-17\",\n Statement = [\n {\n Action = \"sts:AssumeRole\",\n Effect = \"Allow\",\n Principal = {\n Service = \"lambda.amazonaws.com\"\n }\n }\n ]\n })\n}\n\nresource \"aws_iam_role_policy_attachment\" \"lambda_policy\" {\n role = aws_iam_role.lambda_exec_role.name\n policy_arn = \"arn:aws:iam::aws:policy\/service-role\/AWSLambdaBasicExecutionRole\"\n}\n\nresource \"aws_iam_role_policy\" \"lambda_sagemaker_access\" {\n count = var.use_sagemaker ? 1 : 0\n name = \"lambda-sagemaker-access-policy\"\n role = aws_iam_role.lambda_exec_role.id\n policy = jsonencode({\n Version = \"2012-10-17\",\n Statement = [\n {\n Effect = \"Allow\",\n Action = [\n \"sagemaker:InvokeEndpoint\"\n ],\n Resource = \"*\" # En az ayr\u0131cal\u0131k ilkesi gere\u011fi daha spesifik hale getirilebilir\n }\n ]\n })\n}\n\nresource \"aws_sns_topic_subscription\" \"lambda_subscription\" {\n topic_arn = aws_sns_topic.alarm_notification_topic.arn\n protocol = \"lambda\"\n endpoint = aws_lambda_function.ai_triage_lambda.arn\n}\n\nresource \"aws_lambda_permission\" \"allow_sns\" {\n statement_id = \"AllowExecutionFromSNS\"\n action = \"lambda:InvokeFunction\"\n function_name = aws_lambda_function.ai_triage_lambda.function_name\n principal = \"sns.amazonaws.com\"\n source_arn = aws_sns_topic.alarm_notification_topic.arn\n}\n<\/pre>\nlambda_function_payload.zip<\/code> i\u00e7inde Python ile yaz\u0131lm\u0131\u015f YZ triaj mant\u0131\u011f\u0131n\u0131z yer alacakt\u0131r. Bu Python kodu, gelen CloudWatch alarm JSON'unu ayr\u0131\u015ft\u0131racak, bir ML modeline (\u00f6rne\u011fin, scikit-learn tabanl\u0131 yerel bir model veya bir SageMaker u\u00e7 noktas\u0131na API \u00e7a\u011fr\u0131s\u0131 yaparak) g\u00f6nderecek ve d\u00f6nd\u00fcr\u00fclen triaj sonucuna g\u00f6re uygun bildirimleri (Slack, PagerDuty, E-posta vb.) g\u00f6nderecektir. variables.tf<\/code> dosyas\u0131nda Slack webhook URL'si gibi de\u011fi\u015fkenleri tan\u0131mlayabilirsiniz. Lambda'n\u0131n ML modelini bar\u0131nd\u0131rmak i\u00e7in SageMaker kullan\u0131l\u0131yorsa, Lambda'n\u0131n SageMaker'\u0131 \u00e7a\u011f\u0131rmas\u0131na izin veren ek bir IAM politikas\u0131 eklenmelidir. Bu yap\u0131, CloudWatch alarmlar\u0131n\u0131z\u0131 otomatik olarak ak\u0131ll\u0131 bir \u015fekilde triaj etmenenin temelini olu\u015fturur. Terraform sayesinde bu altyap\u0131y\u0131 birka\u00e7 komutla da\u011f\u0131tabilir, g\u00fcncelleyebilir ve silebilirsiniz.<\/p>\nBir E-ticaret Senaryosunda AI Triage Mod\u00fcl\u00fcn\u00fcn Etkisi: Vaka Analizi<\/h3>\n
\n
AI Mod\u00fcl\u00fcn\u00fcz\u00fc Daha Ak\u0131ll\u0131 ve Dayan\u0131kl\u0131 Hale Getirmek \u0130\u00e7in \u0130pu\u00e7lar\u0131 Nelerdir?<\/h2>\n
Mobil Cihazlarda Alarm Bildirimleri ve Dashboardlar \u0130\u00e7in En \u0130yi Uygulamalar<\/h3>\n
\n