<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Ayşe Beyaz on Medium]]></title>
        <description><![CDATA[Stories by Ayşe Beyaz on Medium]]></description>
        <link>https://medium.com/@beyaz.ayse81?source=rss-2121d8552b37------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*evU2XJDX_S6ausnZ</url>
            <title>Stories by Ayşe Beyaz on Medium</title>
            <link>https://medium.com/@beyaz.ayse81?source=rss-2121d8552b37------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Wed, 18 Nov 2026 13:28:32 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@beyaz.ayse81/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Güvenlik bir araç seçimi değil, bir döngü: tara, yorumla, güncel tut]]></title>
            <link>https://medium.com/@beyaz.ayse81/g%C3%BCvenlik-bir-ara%C3%A7-se%C3%A7imi-de%C4%9Fil-bir-d%C3%B6ng%C3%BC-tara-yorumla-g%C3%BCncel-tut-3ce50cd80b37?source=rss-2121d8552b37------2</link>
            <guid isPermaLink="false">https://medium.com/p/3ce50cd80b37</guid>
            <category><![CDATA[alpine]]></category>
            <category><![CDATA[wolfi]]></category>
            <category><![CDATA[chainguard]]></category>
            <category><![CDATA[trivy]]></category>
            <dc:creator><![CDATA[Ayşe Beyaz]]></dc:creator>
            <pubDate>Mon, 12 Oct 2026 17:41:09 GMT</pubDate>
            <atom:updated>2026-10-12T17:41:09.008Z</atom:updated>
            <content:encoded><![CDATA[<p>Geçtiğimiz günlerde Thyris.AI projesine 4 farklı katmanda çalışan bir güvenlik tarama job’ı oluşturup PR’ını açtım. Bu job sayesinde zafiyetler periyodik olarak taranıyor, uygulama ve container gibi katmanlarda bulgular tespit edilebiliyordu. Geliştirmelerin hızlandığı bir çağda, bu kontrolleri job’larla periyodik olarak çalıştırmak oldukça etkili bir yöntem.</p><p>Daha güvenli bir ortam için geliştirilen yaklaşımları araştırırken Chainguard’ın geliştirdiği Wolfi’yi gördüm. Yaklaşımı şu image’ın içinde yalnızca uygulamanın çalışması için gereken bileşenler bulunsun. Zafiyetler çoğunlukla image’daki paketlerden gelir ve her ek paket saldırı yüzeyini büyütür. Wolfi bu yüzeyi baştan küçük tutmayı hedefliyor. Bu da aslında acaba zafiyetlerin hiç çıkmamasını sağlayabilir miyiz sorusunun cevabını aramama sebep verdi.</p><p>Soru netti: Thyris.AI’ın base image’ı Wolfi’ye geçerse ne değişir? Karşılaştırma için Chainguard’ın cgr.dev/chainguard/static:latest image’ını, projenin kullandığı alpine:3.24.1 ile Trivy bulguları üzerinden kıyasladım. Hipotezim, dört tarama katmanından (govulncheck, gosec, OWASP Dependency-Check, Trivy) yalnızca Trivy’nin image taramasının base image’a bağlı olduğuydu. Yapmış olduğum testleri de chainguardın latest tagının stabil kalmayabileceğini o anki sonuçların çalıştırmada görüneceğini bilerek gerçekleştirdim.</p><p><strong>Kurulum</strong></p><p>Yerelde docker-compose.wolfi.yml ve Dockerfile.wolfi dosyalarını oluşturdum. Dockerfile.wolfi’de build aşamasında cgr.dev/chainguard/go:latest, çalışma aşamasında static:latest kullandım. Mevcut Dockerfile’daki root olmayan kullanıcı yaklaşımını korumak için container’ı 65532:65532 UID/GID ile çalıştırdım. Alpine tarafında kullanıcı tsz kullanıyorduk, yani ikisi de root değil. Bu ufak güncellemelerle iki yapılandırma dosyasında da benzer yaklaşımlar oluşturduk.</p><p>Sonra security.yml içindeki Trivy taramasını matrix yapısına çevirdim. Böylece Alpine ve Wolfi tabanlı image’lar aynı anda taranıyor. Tüm bulguları görmek için severity filtresine UNKNOWN’dan CRITICAL’a kadar hepsini ekledim. Bu şekilde gözlemleyebileceğimiz daha derin bir zafiyet raporu oluşacaktı.</p><p><strong>- name: Run Trivy vulnerability scanner<br> uses: aquasecurity/trivy-action@ed142fd0673e97e23eac54620cfb913e5ce36c25 # v0.36.0<br> with:<br> image-ref: thyris-sz:scan-${{ matrix.variant }}<br> version: v0.75.0<br> severity: UNKNOWN,LOW,MEDIUM,HIGH,CRITICAL</strong></p><p>Testlerimi de iki farklı şekilde gerçekleştirdim. Bunlardan birincisi Dockerfile’da alpine:3.24.1 kullanmakttı. Bu Thyris.AI projesinin mevcutta kullandığı tag olduğu için güncel zafiyetlerle karşılaştırma şansı verecekti. Diğer testimi ise alpine:3.24.2 ile yani daha güncel bir tag ile gerçekleştirdim. Burda da güncel taglar kullanıldığında zafiyetlerin nasıl değiştiğini gözlemlememizi sağlayacaktı. Bu testlerin sonuçları ise aşağıdaki gibi bulundu.</p><p><strong>Sonuçlar</strong><br><strong>Image OS katmanı Go katmanı Toplam<br>alpine:3.24.1 (projenin etiketi) 21 (20 OpenSSL + 1 zlib) 10 31<br>alpine:3.24.2 (güncel) 1 (zlib) 10 11<br>Wolfi static:latest 0 10 10</strong></p><p>Bu tablodan üç şey çıkıyor.</p><p>1. OS bulgularının çoğu uygulamanın ihtiyacı olmayan bileşenlerden geliyor. libcrypto3, libssl3 ve zlib normalde dinamik bağlanan programların TLS, kriptografi ve sıkıştırma için kullandığı kütüphaneler. Thyris.AI’da binary’ler CGO_ENABLED=0 ile derleniyor. Bu durumda Go bu işleri kendi standart kütüphanesiyle yapıyor ve uygulama bu kütüphanelere ihtiyaç duymuyor. Buna rağmen kütüphaneler base image’ın içinde duruyor ve Trivy raporluyor. Alpine’deki OpenSSL bulguları, base image’ın kendi araçlarının (apk-tools, ssl_client) zincirinden geliyordu.</p><p>2. Fark Wolfi’den çok etiketin yaşından geliyor. Projenin Alpine etiketi 4 aylıktı. Güncel 3.24.2&#39;ye geçince 31 bulgu 11&#39;e düştü, 20 OpenSSL bulgusu kalktı. Güncel Alpine ile Wolfi arasındaki fark yalnızca 1 bulgu (zlib). Yani en ucuz iyileştirme, base image’ı güncel tutmak. Minimal image buna ek bir katman, yerine geçen bir şey değil.</p><p>3. Bulguların en önemli kısmı hiç değişmedi. Go katmanındaki 10 bulgu iki tarafta birebir aynı, çünkü uygulamanın bağımlılıklarından geliyor. Base image’ı değiştirmek bunlara dokunmuyor.</p><p>Wolfi’ye geçmek uygulamayı bozuyor mu?</p><p>Güvenlik kısmında projenin mevcut imageı ile karşılaştırıldığında wolfinin daha avantajlı olabileceini gördük. Ancak projenin güvenli sınırlar içerisinde olması kadar önemli bir alan daha bulunuyordu. Bu da kod kısmındaki işlevlerin bozulup bozulmadığıydı. Bunun için iki imageı da sırası ile ayağa kaldırdım ve url erişim testlerini, yapılandırma testlerini ve dökümanda belirtilen geçmesi gereken testleri yaparak image değişikliğinin işlev bozukluğuna sebep vermeyeceğine emin oldum.</p><p>Kontrol Alpine 3.24.1 Wolfi<br>Unit testler (host) geçti base’e bağlı değil, tekrar yok<br>Integration testler geçti geçti<br>E2E testler geçti geçti<br>go build geçti (host) geçti (host)<br>Elle /detect isteği 2 tespit, aynı konumlar</p><p>Container seviyesinde gerçek fark şu: Wolfi image’ında sh ve id yok. docker exec … sh çalışmıyor, yani hata ayıklama yöntemin değişmek zorunda. Production açısından bunu bir kazanç sayıyorum, çünkü sızan bir saldırgan da aynı araçlardan yoksun kalıyor. Ama bedeli var: ayrı bir debug container ya da başka bir yöntem planlamak gerekiyor.</p><p>Çıkardığım sonuç<br>Tarama bir sayı üretir, risk üretmez. Bulgunun uygulamanın çalışması için gerekli bir bileşenden mi, yoksa unutulmuş bir paketten mi geldiğini ayırmak gerekir.<br>En ucuz iyileştirme base image’ı güncel tutmak. Bu projede 4 aylık etiket bulguların büyük kısmını açıklıyor.<br>Minimal image saldırı yüzeyini küçültüyor ve taramayı sadeleştiriyor, ama hata ayıklama alışkanlıklarını ve etiket yönetimini değiştiriyor. Bedelsiz değil.</p><p>Dependabot yapılandırması da bu deneyle anlam kazandı. Kendi fork’umda yaptığım denemede alpine:3.24.1 etiketi için alpine:3.24.2 güncelleme PR’ı açmıştı. Trivy ile taradığımda bu tek etiket değişikliği bulgu sayısını 31&#39;den 11&#39;e indirdi. Yani “güncel tut” adımı için gereken otomasyon zaten elimizdeydi: tarama neyin eski kaldığını gösteriyor, Dependabot da güncellemeyi öneriyor.</p><p><strong>Repolar</strong><br><strong>Thyris AI Safe-Zone:</strong> <a href="https://github.com/thyrisAI/safe-zone">https://github.com/thyrisAI/safe-zone</a><br><strong>Fork’um:</strong> <a href="https://github.com/b-beyaz/safe-zone">https://github.com/b-beyaz/safe-zone</a><br>Testlerimi yapmış olduğum branch fork repomda <strong>experiment/wolfi</strong> branchında bulunmakta</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=3ce50cd80b37" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Güvenlik Açıklarını Kim Kontrol Eder? Bir Güvenlik Projesinin Kendi Pipeline’ını Kurmak]]></title>
            <link>https://medium.com/@beyaz.ayse81/g%C3%BCvenlik-a%C3%A7%C4%B1klar%C4%B1n%C4%B1-kim-kontrol-eder-bir-g%C3%BCvenlik-projesinin-kendi-pipeline%C4%B1n%C4%B1-kurmak-931934e8566f?source=rss-2121d8552b37------2</link>
            <guid isPermaLink="false">https://medium.com/p/931934e8566f</guid>
            <category><![CDATA[vulnerability]]></category>
            <category><![CDATA[dependabot]]></category>
            <category><![CDATA[security-scanning]]></category>
            <category><![CDATA[trivy]]></category>
            <category><![CDATA[owasp]]></category>
            <dc:creator><![CDATA[Ayşe Beyaz]]></dc:creator>
            <pubDate>Sat, 03 Oct 2026 07:52:34 GMT</pubDate>
            <atom:updated>2026-10-03T07:52:34.204Z</atom:updated>
            <content:encoded><![CDATA[<p>Bir güvenlik projesinin kendi bağımlılıklarındaki açıkları kimin, ne zaman, nasıl kontrol edeceği sorusu çoğu zaman cevapsız kalır. Bir süredir katkıda bulunduğum Thyris AI Safe-Zone projesinde bu cevabın eksik olduğunu SECURITY_ROADMAP.md içindeki geliştirme planında gördüm ve bu işi üstlenmem gerektiğini hissettim. Araştırmamı yaptım, çözümü kendi ortamımda test ettim ve sonunda PR açtım. Ortaya iki dosyada toplanan bir pipeline çıktı: güvenlik taramalarını yöneten security.yml ve bağımlılık güncellemelerini düzenli takip eden dependabot.yml.</p><p>Bu PR’ın beni heyecanlandırmasının asıl sebebi, önceki iş deneyimlerimde güvenlik açıklarını çoğunlukla manuel kontrol edip elle aksiyon almak zorunda kalmamdı. Safe-Zone için kurduğumuz yapı bana şunu gösterdi: bu süreç sadece otomatikleştirilebilir değil, otomatikleştirilmesi gereken bir süreç.</p><h3>Plan: dört katman, dört soru</h3><p>Geliştirmeye başlamadan önce SECURITY_ROADMAP.md dosyasını inceledim. Güvenlik bölümünde dört katmanda tarama planlanmıştı ve her katman farklı bir soruya cevap arıyordu:</p><ul><li>Go paketlerinde bilinen bir açık var mı? (govulncheck)</li><li>Bağımlılıklarımda bilinen bir CVE var mı? (OWASP Dependency-Check)</li><li>Yazdığımız Go kodunda riskli bir yapı var mı? (gosec)</li><li>Docker image’ında güvenlik açığı var mı? (Trivy)</li></ul><p>Bu katmanları periyodik olarak taradığımızda riskleri erkenden görüp aksiyon almak mümkün olacaktı.</p><h3>Önce lab: go-security-test</h3><p>Araçları doğrudan Safe-Zone üzerinde denemek yerine önce küçük bir lab ortamı kurdum. Bu, basit bir Go projesi ve bir Dockerfile içeren bir GitHub reposuydu. Değişkenleri ben tanımlayabiliyor, bozabiliyor ve gözlemleyebiliyordum. Böylece her aracın nasıl çalıştığını, ne tür bulgular ürettiğini ve nasıl yapılandırıldığını ana projeyi riske atmadan öğrendim.</p><h3>OWASP Dependency-Check: yavaş, kararsız ve tekrarlanamaz</h3><p>Dört katman içinde bana en çok zaman kaybettiren OWASP Dependency-Check oldu. Her çalışmada güvenlik açığı veritabanı (NVD) baştan indiriliyordu. Bu adımda sık sık timeout alıyordum, tarama tamamlandığında bile süre 30–40 dakikayı buluyordu.</p><p>Sorun sadece süre değildi. Bir tarama bazen geçiyor, bazen aynı kodla timeout’a düşüyordu. Sonucu ağın o günkü durumuna bağlı olan, kararsız ve tekrarlanamaz bir süreç DevOps pratiklerinin tam tersiydi. Güvenilir bir pipeline aynı girdiyle aynı sonucu vermeli. Bu yüzden iki hedef belirledim: <strong>hız</strong> ve <strong>tekrarlanabilirlik</strong>.</p><p><strong>API key: rate limit’i aşmak.</strong> NVD, anahtarsız isteklere sıkı bir rate limit uyguluyor. API key kullandığımızda limit yükseliyor, indirme hızlanıyor ve timeout ihtimali azalıyor. Key’i koda gömmek yerine GitHub Secrets’ta tuttum.</p><p><strong>Cache: aynı veriyi tekrar tekrar indirmemek.</strong> Main’e sık PR açıldığı için veritabanını her seferinde indirmek hem zaman hem kaynak israfıydı. Veritabanını cache’ledik, böylece sonraki çalışmalar indirme adımını atlayıp doğrudan taramaya geçebiliyor.</p><p><strong>Cache’in bedeli: bayat veri.</strong> Cache bir risk getiriyor: veritabanı eskiyebilir ve yeni yayınlanan CVE’leri kaçırabiliriz. Bunu iki mekanizmayla çözdük. Cache key’ine hafta bilgisi ekledik, yani her hafta yeni bir cache oluşuyor. Ayrıca her Pazartesi sabahı zamanlanmış bir çalışma tetikleniyor. Güncelleme kararını da çalışmanın türüne bağladık: main’e push ve haftalık çalışmalar veritabanını tazeliyor, PR’lar ise sıcak cache’i olduğu gibi kullanıyor. Cache boş ya da çok küçük gelirse PR’larda da güncelleme zorlanıyor, böylece tarama hiçbir zaman boş bir veriyle çalışmıyor. Sonuç: PR’lar hızlı, main taze.</p><p><strong>Küçük projede çalışan, gerçek projede çalışmayan: paralel çalışmalar.</strong> go-security-test küçük bir projeydi ve burada her şey sorunsuz çalışıyordu. Pipeline&#39;ı forkladığım Safe-Zone reposuna taşıdığımda tablo değişti: aynı anda tetiklenen joblar yine timeout&#39;a takılıyordu.</p><p>Sebep netti. Lab’da aynı anda en fazla bir tarama çalışıyordu. Safe-Zone’da ise birden fazla PR (özellikle Dependabot’un [merge sonrası açtığı PR’lar]) aynı anda security.yml&#39;i tetikliyordu. Her OWASP job&#39;ı NVD API&#39;sine aynı anda istek atınca, API key&#39;e rağmen rate limit&#39;e takılıyorduk. Sorun aracın kendisi değil, eşzamanlılık ve paylaşılan bir dış kaynaktı. Küçük bir lab bunu asla ortaya çıkarmazdı.</p><p>Çözüm olarak OWASP job’ının concurrency group’unu sabit bir değere çektik:</p><pre>concurrency:<br>  group: owasp-dependency-check-nvd<br>  cancel-in-progress: false</pre><p>Daha önce group, branch’e göre değişiyordu, yani her PR kendi grubunda paralel çalışabiliyordu. Sabit bir değer kullanınca tüm OWASP job’ları tek bir grupta toplandı, çalışan job iptal edilmeden yenileri sıraya girdi ve NVD’ye giden istekler seri hale geldi. Paralel hızdan biraz vazgeçtik, karşılığında taramalar kararlı ve tekrarlanabilir oldu.</p><h3>Güvenlik tarayıcısının kendisi de bir saldırı yüzeyi</h3><p>Trivy action’ını eklemeden önce araştırma yaparken, Mart 2026&#39;da Trivy’nin GitHub Action’larına yönelik bir tedarik zinciri saldırısı yaşandığını öğrendim. Saldırgan, sürüm etiketlerinin neredeyse tamamını zararlı commit’lere yönlendirmişti. Yani uses: aquasecurity/trivy-action@&lt;tag&gt; yazan her pipeline, bir gün sessizce bir credential stealer çalıştırmış olabilirdi, üstelik tarama normal görünürken.</p><p>Bu, projenin amacıyla birebir örtüşen bir ders: güvenlik açıklarını kontrol etmek için kurduğum aracın kendisi bir risk olabilir. Bu yüzden etiket yerine, temiz olduğunu doğruladığım sürümün (v0.36.0) commit SHA’sına sabitledim:</p><pre>uses: aquasecurity/trivy-action@ed142fd0673e97e23eac54620cfb913e5ce36c25 # v0.36.0</pre><p>Karşılığında hem tekrarlanabilir çalışmalar elde ettim hem de saldırının hedef aldığı mekanizmadan kaçındım. Bedeli ise güncellemeleri bilinçli yapmak: Dependabot yeni sürümler için PR açıyor, ben de değişiklikleri inceleyip onaylıyorum.</p><h3>govulncheck ve gosec: sorunsuz kısım</h3><p>Dört tarama içinde govulncheck ve gosec en sorunsuz çalışanlardı. İkisi de Go ekosisteminin araçları olduğu için büyük bir veritabanı indirmesi, rate limit ya da cache yönetimi gerektirmedi. Sürümlerini sabitleyip workflow’a eklemek yetti.</p><p>Önem verdiğim nokta, taramanın sonucunu kaybetmemekti. Bir tarama kırmızı bittiğinde “neden?” sorusunun cevabı log’un içinde kaybolmamalı. Bu yüzden taramaların hepsinde, job’ın sonunda raporları dosya olarak Actions’a yükledim. Bu adımlar if: always() ile çalışıyor. Tarama bulgu yakalayıp job&#39;ı kırsa bile rapor kaybolmuyor, her çalışmanın sayfasından indirilip incelenebiliyor. Raporlar 30 gün saklanıyor.</p><p>Kurulumu kolay olan govulncheck, ilk çalıştırmada gerçek bir bulgu da yakaladı: Go 1.26.5&#39;in standart kütüphanesinde, 1.26.6&#39;da düzeltilen iki açık. Sembol seviyesinde analiz yaptığı için kodumdan zafiyetli fonksiyonlara giden çağrı yollarını da gösterdi. Böylece “gerçekten etkileniyor muyum?” sorusuna cevap verebildim.</p><h3>dependabot.yml: güncellemeleri kim takip edecek?</h3><p>Taramalar mevcut açıkları buluyor, ama açık çıkmadan önce bağımlılıkları güncel tutmak da pipeline’ın işi. Bunun için dependabot.yml&#39;i kurdum. Dosyayı yazarken iki soru belirleyici oldu: <strong>neyi izlemeliyiz</strong> ve <strong>PR sayısı ekibi boğmadan nasıl yönetilebilir kalır?</strong></p><p><strong>Neyi izliyoruz?</strong> Safe-Zone tek bir ekosistemden oluşmuyor, bu yüzden Go modüllerini, Python paketlerini, npm (web arayüzü), GitHub Actions ve Docker taban imajlarını kapsadım. En önemli ekleme npm oldu. Web arayüzü izlenmiyordu, oysa OWASP Dependency-Check çalışmalarında react-router ve nanoid bulgularının geldiği yer tam orasıydı. Tarama bir açığı gösteriyordu, ama o açığı kapatacak güncellemeyi otomatik getiren bir mekanizma yoktu.</p><p><strong>PR’ları gruplamak.</strong> Gruplama olmadan Dependabot her bağımlılık ve her dizin için ayrı PR açar. Bunu iki şekilde sınırladım:</p><ul><li>Aynı ekosistemin birden fazla dizinini tek girdide birleştirdim. Örneğin kök Go uygulaması, CLI ve SDK örneği tek gomod girdisinde; kök ve red-team örneği tek pip girdisinde.</li><li>Minor ve patch güncellemelerini tek PR’da grupladım. Major güncellemeler gruba girmiyor, ayrı PR olarak geliyor. Bu bilinçli bir tercih: uyumlu güncellemeleri tek seferde gözden geçirmek kolay, ama kırıcı değişiklik riski taşıyan major sürümler kendi başlarına dikkat çekmeli.</li></ul><p><strong>Bilinçli ayrım: SDK’yı iç modüllerden ayırmak.</strong> pkg/tszclient-go dış tüketicilere açık, yayımlanan bir SDK. Onu iç Go modüllerinin grubuna katmadım, kendi girdisinde bıraktım. Böylece SDK&#39;nın sürüm güncellemeleri bağımsız olarak izlenebiliyor ve iç uygulama değişikliklerinin arasına karışmıyor. Gruplama kolaylık sağlıyor, ama bağımsız yayımlanan bir bileşenin geçmişini karıştırmamalı.</p><p><strong>GitHub Actions ve Docker.</strong> Bu iki ekosistem yazının önceki bölümleriyle doğrudan bağlantılı. github-actions girdisi sayesinde SHA&#39;ya sabitlenmiş action&#39;lar için de güncelleme PR&#39;ı geliyor: sabitlemenin tekrarlanabilirliğini koruyup güncelliği otomatikleştirdim. docker girdisi ise Dockerfile&#39;daki taban imajı izliyor, yani Trivy&#39;nin bulabileceği tabandaki açıkların kaynağı olan katman da takipte.</p><p><strong>Haftalık ritim.</strong> Tüm ekosistemler haftalık çalışıyor. Bu, OWASP’ın haftalık veritabanı yenilemesiyle aynı mantık: sık ama yönetilebilir bir tempo. Ancak Dependabot’un açtığı PR’lar security.yml&#39;i tetikliyor. Yukarıda anlattığım NVD rate limit sorunu işte bu yüzden doğrudan Dependabot ile ilişkiliydi: merge sonrası çok sayıda PR açıldı ve hepsi aynı anda tarama başlattı.</p><h3>Neler öğrendim?</h3><ul><li><strong>Güvenlik taraması da bir yazılım bileşenidir.</strong> Hız, kararlılık ve tekrarlanabilirlik gerektirir. Yavaş ve kararsız bir tarama, ekibin onu devre dışı bırakmasına yol açar.</li><li><strong>Küçük bir lab çok şey öğretir, ama her şeyi değil.</strong> Araçları ana projeyi riske atmadan denemek çok işe yaradı. Yine de eşzamanlılık gibi sorunlar ancak gerçek projede ortaya çıktı.</li><li><strong>Güvenlik aracı da bir saldırı yüzeyidir.</strong> Trivy olayı, taramayı yapan aracın bile tedarik zincirinin bir parçası olduğunu gösterdi. Sürüm etiketlerine değil, commit SHA’larına güvenmek bunun için basit ve etkili bir önlem.</li><li><strong>Kırmızı her zaman hata değildir.</strong> Bir job’ın bulgu yüzünden kırılması, pipeline’ın çalıştığının kanıtıdır. Önemli olan, o kırmızının nedenini rapordan hızlıca okuyabilmek.</li><li><strong>Taramayı bulmak yetmez, düzeltmeyi de getirmek gerekir.</strong> Tarama açığı gösteriyor, Dependabot düzeltmeyi getiriyor. İki dosya birbirini tamamlıyor.</li></ul><h3>Sonuç: Soruya geri dönelim</h3><p>Başta şunu sormuştum: bir güvenlik projesinin kendi bağımlılıklarındaki açıkları kim, ne zaman, nasıl kontrol edecek?</p><p>Safe-Zone için cevabım artık somut. <strong>Kim:</strong> insanın hatırlamasına bırakılmayan bir pipeline. <strong>Ne zaman:</strong> her PR’da, her main push’unda ve her Pazartesi sabahı. <strong>Nasıl:</strong> dört katmanlı bir tarama ve bunların bulduklarını güncel tutan bir Dependabot yapılandırması.</p><p>Bu işin bana en çok öğrettiği şey, otomasyonun kendisinin de tasarlanması, test edilmesi ve korunması gereken bir sistem olduğuydu. Bir güvenlik pipeline’ı kurmak, açıkları bulmaktan çok, o açıkları güvenilir ve tekrarlanabilir biçimde bulmayı sağlamak demek.</p><p>PR şu anda review aşamasında. Geri bildirimlere açığım; benzer bir pipeline kuruyorsanız ya da farklı bir yaklaşım denediyseniz duymak isterim.</p><h3>Repolar</h3><ul><li>Thyris AI Safe-Zone: <a href="https://github.com/thyrisAI/safe-zone">https://github.com/thyrisAI/safe-zone</a></li><li>Safe-Zone için açtığım PR: <a href="https://github.com/thyrisAI/safe-zone/pull/52">https://github.com/thyrisAI/safe-zone/pull/52</a></li><li>Fork’um: https://github.com/b-beyaz/safe-zone</li><li>Lab reposu: https://github.com/b-beyaz/go-security-test</li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=931934e8566f" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Geleneksel DevOps’tan Kubernetes’e: Bir Geçişin Gözlemleri]]></title>
            <link>https://medium.com/@beyaz.ayse81/junior-bir-devops-engineer%C4%B1n-g%C3%B6z%C3%BCnden-geleneksel-ve-modern-devops-a7d94663aaf8?source=rss-2121d8552b37------2</link>
            <guid isPermaLink="false">https://medium.com/p/a7d94663aaf8</guid>
            <category><![CDATA[traditional-devops]]></category>
            <category><![CDATA[cicd-tools]]></category>
            <category><![CDATA[devops]]></category>
            <category><![CDATA[modern-devops]]></category>
            <category><![CDATA[monitoring]]></category>
            <dc:creator><![CDATA[Ayşe Beyaz]]></dc:creator>
            <pubDate>Fri, 03 Jul 2026 19:10:59 GMT</pubDate>
            <atom:updated>2026-07-03T19:16:45.513Z</atom:updated>
            <content:encoded><![CDATA[<p>Yaklaşık 1,5 yıl boyunca danışmanlık hizmeti veren bir e-ticaret firmasında DevOps Engineer olarak çalıştım. Bu süreçte farklı müşterilere ait birden fazla projede görev aldım. İlk çalıştığım projeler geleneksel DevOps yaklaşımıyla kurulmuş sistemlerdi. Daha sonra Kubernetes tabanlı, orkestrasyonun aktif kullanıldığı daha modern bir projeye dahil oldum.</p><p>Bu yazıda akademik bir tanım yapmayacağım. Bunun yerine iki yaklaşım arasındaki farkı bir junior’ın günlük iş akışında nasıl deneyimlediğini anlatacağım nerede zorlandığımı, neye şaşırdığımı ve neyi yanlış anladığımı da dahil.</p><h3>Geleneksel DevOps: Otomasyon Var, Ama Kontrol Ekipte</h3><p>Geleneksel DevOps denince akla tamamen manuel süreçler gelmemeli. Otomasyon burada da vardı; ama genellikle belirli scriptler, CI/CD job’ları ve sistem yöneticilerinin kontrolünde çalışan süreçler üzerine kuruluydu.</p><p>Çalıştığım projelerde deployment süreci Jenkins üzerinden yönetiliyordu. Yeni bir sürüm production’a alınacağı zaman ilgili deployment job’ı manuel olarak tetikleniyor, ardından trafiğin yeni ortama yönlendirilmesi için ayrı job’lar çalıştırılıyordu. Blue-Green veya Canary deployment gibi yöntemler kullanılsa da bu süreçlerin önemli bir kısmı ekip tarafından adım adım kontrol edilerek ilerliyordu.</p><p>Sunucu yönetimi de aynı şekilde “elle” ilerliyordu: gerektiğinde SSH ile bağlanılıyor, loglar inceleniyor, servisler yeniden başlatılıyor ya da konfigürasyon değişiklikleri doğrudan sunucu üzerinde yapılıyordu.</p><p>İlk defa bir projede production ortamında deployment yapacağım zaman, deployment job’ında iki makine için deployment’ın belirli bir tag ile başlatılabildiğini görmüştüm. Örneğin ilk parametre olarak prod-makine-1 veya prod-makine-2 job&#39;larından biri seçiliyordu; ikinci parametre ise hangi tag ile deploy yapılacağıydı. Blue-Green deployment stratejisi kullanıldığı için, o an müşterilere gösterilen makine için deployment başlatmak, o ortamın anlık olarak down olacağı anlamına geliyordu. Bu yüzden job&#39;ı tetiklemeden önce hangi makinenin &quot;canlı&quot; olduğunu iki kez, bazen üç kez kontrol ederdim yanlış makineyi seçmek, o an hizmet alan müşteriyi doğrudan etkilemek demekti. Geleneksel DevOps&#39;ta en sevmediğim yan buydu. Modern DevOps&#39;a geçtiğimde Kubernetes&#39;in RollingUpdate stratejisini görmek, bu &quot;hangi makine canlı, yanlış seçersem ne olur&quot; kaygısını ortadan kaldırdığı için beni gerçekten rahatlatmıştı.</p><p>Bu yaklaşım hâlâ birçok kurumda başarıyla kullanılıyor. Özellikle uzun yıllardır çalışan sistemlerde veya büyük kurumsal yapılarda modern mimariye tam geçiş hem maliyetli hem riskli olabiliyor. High availability’nin kritik olmadığı sistemlerde de Kubernetes kullanmak genellikle gereksiz bir karmaşıklık (over-engineering) yaratıyor ve bu yüzden tercih edilmiyor.</p><h3>Modern DevOps: Kubernetes ile Tanışma</h3><p>Modern DevOps’ta ilk karşılaştığım araç Kubernetes oldu. En çok sevdiğim özelliği, bir uygulamanın aynı anda birden fazla pod’da çalışabilmesiydi — bu sayede high availability, tek bir makineye bağımlı kalmadan sağlanabiliyordu.</p><p>Deployment tarafında RollingUpdate stratejisiyle, uygulamada kesinti yaşamadan tek komutla deploy yapılabildiğini öğrendiğimde gerçekten şaşırmıştım. Daha derine indiğimde, deployment.yaml içinde bu stratejinin nasıl özelleştirilebildiğini gördüm örneğin aynı anda kaç pod&#39;un &quot;down&quot; olabileceği, kaçının ekstra ayakta kalabileceği gibi:</p><pre>spec:<br>  replicas: 8<br>  strategy:<br>    type: RollingUpdate<br>    rollingUpdate:<br>      maxUnavailable: 2   # Aynı anda en fazla 2 pod down olabilir<br>      maxSurge: 2         # Güncelleme sırasında en fazla 2 fazladan pod ayağa kalkabilir</pre><p>Bir deployment’ın en iyi senaryosu, hiçbir problem yaşanmadan tamamlanmasıdır. En kötü senaryosu ise deploy sırasında pod’un down olması ve çeşitli hatalarla deployment’ın başarısız olmasıdır. Kubernetes bu ikinci senaryoya karşı da bir güvence sağlıyor: yukarıdaki örnekte 8 replikamız ve maxUnavailable: 2 değerimiz var. Deployment sırasında bir sorun çıkıp yeni versiyon başarısız olsa bile, aynı anda en fazla 2 pod etkilenir — geri kalan 6 pod hâlâ eski (çalışan) tag ile ayakta kalıp müşterilere hizmet vermeye devam eder. Bu da &quot;hata olursa tüm sistem mi çöker?&quot; endişesini büyük ölçüde ortadan kaldırıyor.</p><h3>CI/CD: Jenkins Job’larından GitOps’a</h3><p>Geleneksel DevOps’ta CI/CD süreçlerinde amaç, tekrar eden işleri (deployment, artifact temizliği gibi) pipeline’lar ve scriptlerle otomatikleştirmekti. Ama bu pipeline’ların büyük kısmı ya manuel tetikleniyor ya da belirli aralıklarla (örneğin cron ile) çalışacak şekilde ayarlanıyordu.</p><p>Örneğin bir projede ArgoCD olmadığı için, test ortamına deployment yapılabilmesi amacıyla 5 dakikada bir çalışan ve şunları yapan bir pipeline kurmuştuk:</p><ol><li>Belirlenen repo’yu kontrol et</li><li>Commit farkı varsa: tag oluştur → build al → deploy et</li></ol><p>ArgoCD ile tanıştığımda asıl fark ettiğim şey, sadece “Jenkins’teki gibi bir job’a ihtiyaç kalmaması” değildi — GitOps mantığıydı: Git repo’daki manifest dosyaları “tek doğruluk kaynağı” haline geliyor, ArgoCD sürekli olarak cluster’ın gerçek durumunu bu repo ile karşılaştırıyor ve fark varsa otomatik olarak senkronize ediyor. Yani biz repo’yu kontrol eden bir job yazmak yerine, ArgoCD’nin bunu sürekli ve deklaratif şekilde yapmasını izliyorduk.</p><p>Bunun projeden bağımsız, her projede uygulanabilir bir yaklaşım olduğunu fark ettiğimde işin özünü anlamış hissettim.</p><p>Beni asıl şaşırtan üç şey oldu. Birincisi, GitHub’da bir commit farkı oluştuğunda deployment’ın otomatik tetiklenmesiydi — teoride basit dursa da pratikte gördüğümde etkileyiciydi. İkincisi, ArgoCD’nin GUI’siydi: pod, service gibi Kubernetes kaynaklarının o an hangi durumda olduğunu eş zamanlı olarak, görsel bir harita üzerinden takip edebiliyordum. Üçüncüsü ise sync davranışının özelleştirilebilir (customizable) olmasıydı — otomatik senkronizasyonu açıp kapatabiliyor, hangi kaynakların ne zaman senkronize edileceğini kontrol edebiliyorduk. Sistemin anlık durumunu bu şekilde bir haritadan görebilmek, günlük işimi ciddi şekilde kolaylaştıran bir anlayıştı.</p><h3>Monitoring: “Ayakta mı?”dan “Neden Yavaş?”a</h3><p>Geleneksel DevOps’ta monitoring’in cevap aradığı sorular genelde şunlardı: Makine ayakta mı? CPU/RAM kullanımı arttı mı?</p><p>Modern DevOps’ta bu sorulara ek olarak çok daha ince taneli (granular) sorulara da cevap bulabiliyoruz: İstekler arası geçen süre ne kadar? Hangi pod’da yük ne durumda? Bir servisten anlık olarak alert geliyor mu? Bu bilgilerin çoğuna tek bir tool üzerinden, gerçek zamanlı ulaşabiliyoruz.</p><p>Geleneksel DevOps’ta müşteri “sistem yavaş” dediğinde Grafana’dan zaman bazlı olarak makine kullanımlarını inceler, çeşitli erişim komutlarıyla cevap dönüş sürelerini kontrol eder ve bu gözlemler ışığında bir sonuca varmaya çalışırdım. Modern DevOps’ta ise biz daha “sistem yavaş” demeden, önceden tanımlanmış alert’ler sorunlu olan servisi veya isteği doğrudan bize gösteriyor bu da işimizi ciddi şekilde kolaylaştırıyor.</p><h3>Sonuç: İki Yaklaşımın Felsefesi Farklı</h3><p>İki yaklaşımı da deneyimledikten sonra şunu fark ettim: Geleneksel DevOps araçları temelde sistemi ayakta tutma ve tekrar eden işleri otomatikleştirme fikri üzerine kurulu. Modern DevOps yaklaşımında ise asıl amaç, sistemi sorun çıktığında kendi kendine toparlanabilecek şekilde tasarlamak ve sorun çıktığında da Dynatrace gibi bir observability tool’u yardımıyla kök nedeni hızlıca görebilmek.</p><p>Junior bir mühendis olarak benim için en büyük fark şuydu: Geleneksel yaklaşımda “ben ne yaptım” sorusuna cevap arıyordum; modern yaklaşımda ise “sistem neden böyle davrandı” sorusuna. Bu, hem çalışma şeklimi hem de bir sorunu debug ederken kurduğum zihniyeti kökten değiştirdi.</p><p><em>Bu yazı, danışmanlık projelerinde edindiğim kişisel gözlemlere dayanmaktadır ve akademik bir kaynak niteliği taşımamaktadır.</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a7d94663aaf8" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>