<?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 Bilalkose on Medium]]></title>
        <description><![CDATA[Stories by Bilalkose on Medium]]></description>
        <link>https://medium.com/@bilalkose1is?source=rss-ad289a26c4da------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*qnzpqKgD279jfSvE</url>
            <title>Stories by Bilalkose on Medium</title>
            <link>https://medium.com/@bilalkose1is?source=rss-ad289a26c4da------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Tue, 17 Nov 2026 07:41:27 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@bilalkose1is/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[Sessizlik Kanıt Değildir: Loglar, Çökmeler ve Bir Dil Modelinin 63 Cümlesi]]></title>
            <link>https://medium.com/@bilalkose1is/sessizlik-kan%C4%B1t-de%C4%9Fildir-loglar-%C3%A7%C3%B6kmeler-ve-bir-dil-modelinin-63-c%C3%BCmlesi-b53388c7e8d2?source=rss-ad289a26c4da------2</link>
            <guid isPermaLink="false">https://medium.com/p/b53388c7e8d2</guid>
            <category><![CDATA[observability]]></category>
            <category><![CDATA[aiops]]></category>
            <category><![CDATA[kubernetes]]></category>
            <category><![CDATA[yapay-zeka]]></category>
            <category><![CDATA[sre]]></category>
            <dc:creator><![CDATA[Bilalkose]]></dc:creator>
            <pubDate>Wed, 30 Sep 2026 06:20:47 GMT</pubDate>
            <atom:updated>2026-09-30T06:20:47.456Z</atom:updated>
            <content:encoded><![CDATA[<p><em>Bir olay motoru logları, sağlık uçlarını ve çökme raporlarını okuyor; bir dil modeli de motorun kaydını nöbetçiye anlatıyor. İkisinin de işe yaraması, her sinyalin neyi kanıtlayıp neyi kanıtlamadığını yazıya ve teste dökmeye bağlı.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*fGCGJK5rfmM8JD9xgZap9w.png" /></figure><h3>1. 354.519 log, 1 hata</h3><p>Kişisel sitemin log sunucusunda son otuz günün seviye dağılımını çıkardığımda tablo neredeyse tek satırdı: 354.427 Information, 91 Warning, 1 Error. Serinin ilk yazısındaki beş olayın hepsi bu otuz günün içindeydi; yine de “hata oranı” diye çizilebilecek bir eğri yoktu.</p><p>O tek Error’ın zamanına baktım: 23 Eylül, 06:35 UTC. Aynı sabah, bir log düzeltmesinin canlıda çalıştığını görmek için bilerek tek bir hata satırı yazdırmıştım; iki kaydın zamanı, saat dilimi farkı hesaba katılınca aynı dakikaya düşüyor. Mesaj içeriğini okumadığım için eşleşmeyi dakika düzeyinde kuruyorum, ama otuz günün tek hatası büyük olasılıkla benim ürettiğim bir test satırıydı.</p><p>Veritabanındaki log tablosu başka bir şey söylüyordu. Siteye ait diye etiketlenmiş 13.479 satırın hepsi Information’dı; aynı tabloda etiketsiz düşen Error satırı son otuz günde 1.030&#39;du ve örnekleri sitenin kendi arka plan servislerindendi. Proje adıyla arama yapan biri, uygulamanın kendi hatalarını hiç görmüyordu.</p><p>Bu iki sayı aynı popülasyon değil. Log sunucusu ile veritabanı ayrı hedefler ve ayrı süzgeçlerle besleniyor; etiketli 13.479 satır Mayıs’ta biten tarihsel bir birikim, 1.030 ise son otuz günün sayımı. Aralarından oran çıkarmıyorum. Onları yan yana koymamın nedeni başka: iki hedeften hiçbiri bana “hata olmadı” ile “hatayı göremiyorum” arasındaki farkı söylemiyordu. Aynı uygulamanın hatasının neden birinde görünüp ötekinde görünmediğini hâlâ tam uzlaştırmış değilim.</p><p>Bu yazının konusu o boşluk: bir sinyalin neyi kanıtladığını ve neyi kanıtlamadığını yazıya ve teste dökmek. Log satırı, sağlık ucu, çökme raporu, analitik olay; her biri bir üreticiyle bir tüketici arasında yazılmamış bir anlaşma taşıyor. Yazılmayan anlaşma bozulduğunda bunu ilk fark eden, çoğu zaman kullanıcı oluyor.</p><p>Serinin ilk iki yazısında bu sinyallerin tüketicisi bir olay motoruydu. Bu sefer bir tüketici daha var: motorun kaydını okuyup nöbetçiye düz Türkçeyle anlatan bir dil modeli. İkisi de aynı soruya takılıyor: “satır yok” ne demek?</p><h3>2. Sağlıklı, hazır, erişilebilir</h3><p>Bir web uygulamasına aslında üç ayrı soru sorulur: süreç yaşıyor mu, bağımlılıkları hazır mı, kullanıcı ona ulaşabiliyor mu? Üçüncüsünü serinin ilk yazısında dış ve iç problarla anlattım. Burada ilk ikisinin sözleşmesine bakıyorum.</p><figure><img alt="Tablo: üç sağlık sorusu. Canlılık ucu hiçbir bağımlılığa bakmaz, hata olunca pod yeniden başlar; hazır olma ucu yapılandırma ve veritabanına bakar, 503 döner; dış ve iç prob kullanıcının yolunu ölçer." src="https://cdn-images-1.medium.com/max/1024/1*P6hH98x5ysubMZ-kHF1U9g.png" /><figcaption>Şekil 1 — Üç sağlık sorusu. Başlangıç sondası bir ucu yalnız ilk açılışta çağırır; bağlandığı uç aynı sözleşmeye uymak zorundadır.</figcaption></figure><p>Sitelerimden birinde bu iki soru iki ayrı uca ayrılmış durumda. Canlılık ucu koşulsuz 200 döner, hiçbir bağımlılığa bakmaz. Gerekçesi kod yorumunda yazılı: canlılık kontrolü veritabanına bakarsa, bir veritabanı kesintisi bütün pod’ları yeniden başlatır ve kesinti bir yeniden başlatma fırtınasına dönüşür. Hazır olma ucu yapılandırmayı doğrular ve veritabanına bağlanmayı dener. Bu deneme üç saniyeyle sınırlı, çünkü sondanın kendi zaman aşımı beş saniye. Başarısızlıkta 503 döner ve yalnız hangi sınıfın hazır olmadığını söyler, yapılandırma mı veritabanı mı; eksik anahtarın adı yalnız log’a gider. Kontrolün kendisi bir istisna atarsa istek hata sayfasına değil yine 503&#39;e düşer.</p><p>Bence asıl karar yerleşimde. İki uç da isteğin işlem hattının en başında yanıt veriyor; yönlendirme, dil seçimi, hız sınırlama ve ana makine süzgeci çalışmadan önce. Bir sağlık ucunun sözleşmesi yalnız ne döndürdüğü değil; kimin çağırdığı ve o çağrının yolunda neyin çalışmadığı da sözleşmenin parçası.</p><p>Bunu yazmamanın bedelini ana sitede ödedim. 23 Eylül sabahı başlangıç sondası uygulamanın ısınma ucuna bağlandı. O uç işlem hattının başında değil, trafik sınıflandırıcısının arkasındaydı. Sondanın isteği, CDN’in her ziyaretçi isteğine eklediği istemci adresi başlığını taşımıyordu; sınıflandırıcı onu “CDN’i atlayıp doğrudan gelen istek” saydı ve çağıranın adresini engel listesine yazdı. Sonraki her deneme 403 aldı, deneme hakkı doldu ve tek kopyalı dağıtımda eski pod zaten kapatılmış olduğundan site yaklaşık beş dakika tamamen kapalı kaldı.</p><p>Düzeltme, sözleşmeyi koda yazmak oldu. CDN başlığı taşımayan istekler için engel listesinden önce yalnız sağlık uçlarının öneki geçiyor; sistem yollarının tamamı değil, çünkü engelli bir adrese başka yolları da açmak olurdu. Kümenin içinden doğrudan gelen çağıran, başlıklara göre değil bağlantının gerçek adresine göre tanınıyor, çünkü başlık taklit edilebilir. Bu çağıran artık otomatik engel listesine yazılmıyor, ama engel listesi ve saldırı deseni denetimleri onun için de aynen çalışıyor. Her kural bir kabul testine bağlandı.</p><h3>3. Log sözleşmesi: “satır yok” ne demek?</h3><p>Veritabanı log hedefi bilerek yalnız Error ve Critical alıyordu; tabloyu gürültüden korumak için konmuş, doğru bir süzgeç. Sorun etiketteydi. Proje adı tek bir yerde, istek hattındaki bir ara katmanda log bağlamına basılıyordu ve o blok yalnız erişim log satırını sarıyordu; isteğin geri kalanı bloğun dışındaydı. Etiketsiz kalanlar yalnız arka plan servislerinin hataları değildi, istek sırasında oluşan hatalar da etiketsizdi. Tablodaki 13.479 etiketli satırın istisnasız Information olması bunun doğrudan kanıtıydı: etiketlenen tek şey o erişim satırıydı.</p><p>İkinci kusur daha zor görülüyordu. Uygulama logları birden çok hedefe paralel yazan bileşik bir logger’dan geçiyordu ve hedeflerden biri istisna atarsa bileşik logger onu sessizce yutuyordu. Niyet doğruydu, bir hedefin çökmesi ötekileri durdurmamalı. Ama sonuçta “bu hedefe satır gelmiyor” gözlemi iki anlama gelebiliyordu: hata olmadı ya da hedef bozuk. Dışarıdan ikisini ayırmanın yolu yoktu; nitekim bir altyapı taramasında “log veritabanına bir haftadır bu siteden yazılmıyor” endişesi kayda geçmişti.</p><p>Düzeltme üç parçaydı. Etiketi ara katmandan alıp uygulamanın tek log çıkışını saran bir dekoratöre taşıdım; artık her yazım, istek içinde ya da dışında, hangi seviyede olursa olsun etiketleniyor. Bileşik logger yuttuğu istisnayı hedef türü başına sayıyor ve ilk hatada, sonra her yüzüncüde bir satırı konteynerin standart hata çıkışına yazıyor. Log fırtınası yok, ama bozuk bir hedef artık görünür. Dört seviyenin her birinde etiketin olayda bulunduğunu ve çöken bir hedefin sayıldığını doğrulayan beş test yazıldı; dekoratör devreden çıkarılınca dört seviye testi de başarısız oldu.</p><p>Üçüncü parça canlıdaydı. Dağıtımdan sonra doğal bir Error oluşmadı; beklemek yerine bilerek bir tane ürettim. Tetiklenebilen hata yollarının çoğu yan etkiliydi, ödeme ve iletişim kayıtları gibi. Temiz olanı seçtim: geçersiz bir iletme başlığı konum aramasını patlatıyor, hata yakalanıp log’a yazılıyor, istek normal sürüyor. Bedeli log tablosunda tanınabilir tek bir çöp satırdı. O satır tablodaki ilk etiketli Error oldu ve iki soruyu birden cevapladı: etiket zinciri uçtan uca çalışıyordu; “bir haftadır yazılmıyor” endişesinin cevabı da hedefin bozulması değil, o hafta hiç hata olmamasıydı. Birinci bölümdeki tek hata satırı da büyük olasılıkla bu.</p><p>“Satır yok” gözlemini iki anlamdan birine indiren tek araç bu tür bir pozitif test. Yalnız hata bekleyen bir log hattı, bir kez de bilerek hata üretilerek sınanmadıkça sessizliği kanıt sayamaz.</p><figure><img alt="Tablo: satır yok ne demek. Önce bilerek üretilen test satırı hedefte görünüyor mu, sonra aranan seviye süzgeçten geçiyor mu, sonra etiket her yazımda basılıyor mu diye sırayla sorulur." src="https://cdn-images-1.medium.com/max/1024/1*deCmBVT-9HbF55iLtE-c2g.png" /><figcaption>Şekil 2 — “Satır yok” ne demek? Soruları yukarıdan aşağı sırayla sormak gerekiyor.</figcaption></figure><h3>4. Mobil telemetri sözleşmesi</h3><p>Mobil oyunda sözleşmeler başka bir sınırda duruyor: cihazdan çıkan her şey, çökme raporu da analitik olay da, bir kez gönderildi mi geri alınamıyor. Orada üç test üç sözleşmeyi koruyor.</p><p>Birincisi giriş hatası. Test dosyasının başına düştüğüm tarihsel nota göre mağaza incelemesi Apple ile giriş akışını iki kez reddetmişti ve ikinci retten sonra elimde hakemin gördüğü kusura dair tek bir kayıt yoktu. Hata dalları yalnız geliştirme derlemesinde görünen bir log’a yazılıyor, çökme servisi o dalda hiç çağrılmıyor, iptal dışındaki her hata tek bir genel uyarıya düşüyordu. Hakemin ret gerekçesindeki cümle bile uygulamanın kendi hata metniydi; rapor hiçbir teşhis sinyali taşımıyordu. Raporlayıcıyı eklerken ilk karar neyin gönderilmeyeceğiydi. Çökme servisine ham hata nesnesi gitmiyor: platformun hata mesajı cihaz ya da hesap bilgisi taşıyabilir, üstelik her cihaz ayrı bir kayıt olarak gruplanır. Onun yerine sabit bir tip gidiyor, aşama ve kod. Statik bir test üç şeyi koruyor: raporlayıcı çağrısı kodda duruyor, çökme servisine giden çağrı ham hata nesnesine çevrilmemiş, kimlik jetonu rapora geçmemiş. Bu test bilinen iki sızıntı desenini yakalar; genel bir sızıntı kanıtı değildir, aynı hata başka bir değişken adıyla yine yapılabilir.</p><p>İkincisi analitik parametreler. Analitik servisi olay parametresi olarak yalnız sayı ve metin kabul ediyor. Puanlama olayının her parametresinin bu iki tipten biri olduğunu bir test doğruluyor. Küçük bir sözleşme; ihlali uygulama akışında hemen görünmeyebilir ve raporda bir boşluk bırakabilir.</p><p>Üçüncüsü hesap değişimi, ve en öğretici olanı, çünkü ölçülmüş bir açıktan doğdu. 13 Eylül’de uygulamanın açılış adımlarını oturum dinleyicileriyle eşlediğimde, hesaba özel beş adımdan hiçbirinin hesap değişince yeniden yapılmadığını gördüm. En sinsi olanı telemetri kimliğiydi: analitik ve çökme kimliği yalnız açılışta bağlanıyordu, hesap değişince eski hesapta kalıyordu. Yeni hesabın verisi göç ederken bir hata olsa, rapor önceki hesabın adına yazılacaktı. Sözleşme artık testte yazılı: hesap değişimi açılışla aynı aşamaları aynı sırayla koşar, telemetri kimliği veri göçünden önce bağlanır ki göç sırasındaki hata doğru hesaba raporlansın, ve bir aşamanın hatası sonrakileri durdurmaz.</p><p>Üç testin ortak noktası, telemetriyi yalnız “gönderiliyor mu?” sorusuyla sınamamaları. Ne gönderilmediği, hangi tipte gönderildiği ve kimin adına gönderildiği de sözleşmenin parçası.</p><h3>5. Çökmeden işe: insan onaylı hat</h3><p>Telemetri sözleşmesi cihazdan çıkınca bitmiyor; raporun bir işe dönüştüğü yerde yeniden başlıyor. Mobil oyunun çökme raporlarını iş takip sistemine taşıyan küçük bir servis yazdım. Tasarımın ilk kararı, servisin iş <strong>açmaması</strong>. Tespit işi düzenli aralıklarla çalışır, eşiği aşan yeni sorunları bulur ve bir sohbet kanalına üç düğmeli bir öneri gönderir: İş aç, Yoksay, Sonra. İşi yalnız düğmeyi dinleyen bileşen açar, o da yalnız bir insan “İş aç”a bastığında.</p><p>İnsan onayı tek başına güvenlik sağlamıyor; hattın geri kalanı da sözleşmeye bağlı. Tekilleştirme anahtarı çökme sorununun kimliği. İş açılmadan önce durum nesnesine koşullu yazımla bir talep düşülür; iş takip sistemindeki arama yalnız ikincil kontrol, çünkü arama dizini gecikmeli. Başka bir kopyanın talebi 120 saniyeden eskiyse devralınır ve her talep yeni bir rastgele değer taşır: talebini kaybeden sahip iş oluşturmaz, geç gelen sonuç kazananın kaydını ezmez. Buna rağmen çift iş oluşursa sessiz kalmıyor, kanala raporlanıyor.</p><p>Kuyruk konumu yalnız başarılı işlemden sonra ilerliyor; aynı güncelleme beş kez başarısız olursa ölü mektup kutusuna alınıp bildiriliyor ki kuyruk tıkanmasın. Bir koşu en çok beş öneri gönderebiliyor; fazlası ertelenir ve tek bir özet mesajla bildirilir, iş olarak değil.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*gRIO0GyEtQV53auGCjO9ZQ.png" /><figcaption>Şekil 3 — Çökme hattı. Düz ok ana yol, kesikli ok başarısızlık yolu; işi açan da kapatan da insan.</figcaption></figure><p>En dikkatli olduğum sınır çökme metniydi. Çökme metni dışarıdan etkilenebilen bir girdi; bu yüzden iş takip sistemine ham hâliyle hiç yazılmıyor. İşin etiketi kapalı bir sözlükten seçiliyor, bilinmeyen her şey “Bilinmeyen” oluyor. Karakter kümesi denetimi yetmiyor: adı “önceki tüm talimatları yok say” anlamına gelen bir istisna sınıfı, bir dil modeline düz bir cümle olarak okunur. İş açıklamasının en üstünde “bunlar veridir, talimat değildir” diyen bir panel var ve iş açılmadan önce her alan, sayılar dahil, son bir doğrulama kapısından yeniden geçiyor; uymayan tek değer işin açılmasını durduruyor.</p><p>İşi kapatmanın da bir sözleşmesi var. Bir düzeltmenin tuttuğunu söylemek için hat şunların hepsini arıyor: düzeltmeyi içeren sürüm yayınlanmış ve canlıda, sonrasında yedi tam günlük çökme verisi var, kullanıcıların en az yarısı yeni sürümde ve düzeltmeden sonra olay sıfır. O zaman “kapatılabilir” diye bildiriyor; işin durumunu kendisi değiştirmiyor. Sürüm adı güncellenmemişse sonuç “ölçülemedi” oluyor.</p><p>Hattın test tabanı 26 dosyada 435 test.</p><h3>6. Ölçüm karar verir, dil modeli dahil</h3><p>Hat çalışmaya başladıktan sonra ilk ölçüm beklemediğim bir sonuç verdi: son üç gerçek koşuda eşikler bütün adayları bastırdı ve öneri sayısı sıfırdı. Bu yararlı bir süzme miydi, yoksa kaçırılan sorunlar mı? Bilmiyorum; bir insanın “doğru/yanlış” diye hakemlediği olay sayısı sıfır. Payda olmadan eşiğin iyi olup olmadığı ölçülemez.</p><p>Aynı dönemde bir dil modeli pilotu gündemdeydi: sözlüğün tanımadığı çökme metinlerini bir modelin sınıflandırması. Önce hacmi ölçtüm. Olayların yalnız %0,6&#39;sı “Bilinmeyen” etiketine düşüyordu; canlıdaki sürümde eşiği aşan “Bilinmeyen” sorun sayısı sıfırdı. Modelin çözeceği bir akış yoktu, sonucunu değerlendirecek hakemli örnek de yoktu. Pilot bu yüzden gerekçelenmedi ve park edildi.</p><p>Beni en çok düşündüren, park kararının kendi tetikleyicisiydi. İlk taslakta pilot, “dört haftada belirli sayıda eşik üstü öneri” görülünce yeniden açılacaktı. İnceleme bunun hacmi ölçtüğünü, oysa eksik olanın hakemli örnek olduğunu gösterdi; bugünkü süzgeçle bu koşul zaten hiç tetiklenemezdi. Tetikleyici, hakemli olay sayısı ve bilinmeyen sınıfın büyüklüğü üzerinden yeniden yazıldı. Bir sinyalin sözleşmesi, yeniden değerlendirilme koşulunu da kapsıyor.</p><p>“Buraya yapay zekâ ekleyelim” sorusuna ölçümün cevabı “önce payda” oldu. Olay motorunda dil modeline başka bir iş verdim: karar vermesini değil, motorun zaten verdiği kararı nöbetçiye anlatmasını. Tespit, karar ya da eylem yetkisi yok; varsayılan olarak kapalı. Onu da ölçtüm.</p><h3>7. Dil modeli olayı anlatınca</h3><p>Motorun olay kaydı bir insan için kolay okunmuyor: kanıt kimlikleri, kural adları, UTC zamanlar, aday sınıflarına verilmiş puanlar. Açıklama katmanı bu kaydı genel amaçlı bir dil modeline verip nöbetçi için iki ila beş cümlelik bir özet istiyor. Modelin yetkisi özetle sınırlı: olay kaydını, puanı ya da sıralamayı değiştiremiyor; katman canlı döngüye bağlı değil ve kapalıyken motor aynen çalışıyor.</p><p>Modele giden paket bir izin listesiyle kuruluyor. Olay aralığı ve önem; her kanıt için bir kimlik, düz bir açıklama, kaynak kural ve zaman; her aday için sınıf, puan, güven ve lehte ya da aleyhte kanıtların kimlikleri. Ham metrik, log satırı ve makine adı pakete girmiyor, şemaya uymayan bir kayıt da modele hiç ulaşmıyor. İstemin beş kuralı var: her cümle dayandığı kanıt kimlikleriyle bitsin, yalnız paketteki bilgi kullanılsın, kök neden kesin söylenmesin, eylem önerilmesin, bilinmeyen sağlıklı sayılmasın.</p><p>Dönen metne biçimsel bir filtre uygulanıyor. Cümle kimlikle bitiyor mu, kimlik pakette mi, rakamla yazılmış saat ve sayılar paketten mi? Anlamı denetlemiyor. Filtreyi geçemeyen cümle nöbetçiye gösterilmiyor, yalnız ret nedeni kalıyor.</p><p>Serinin ilk yazısındaki olaylardan çıkan altı tarihsel olay kaydını modele iki kez gönderdim. Sonra bütün cümleleri, geçenleri de reddedilenleri de, paketle yan yana koyup cümle cümle ayrıca inceledim. Filtrenin anlamı bilmediğini biliyordum; neyi kaçırdığını görmek istiyordum.</p><figure><img alt="Tablo: model iki koşuda 35 ve 28 cümle yazdı; filtreden 27 ve 26 cümle geçti. Geçen 53 cümlenin 48&#39;i doğru, 2&#39;si yanlış, 3&#39;ü öncülsüz; reddedilen 10 cümlenin 10&#39;u da anlamca doğru." src="https://cdn-images-1.medium.com/max/1024/1*LqZijndoLNcrESytCxmQZg.png" /><figcaption>Tablo 1 — Dil modelinin iki koşudaki cümleleri, filtrenin teslim edilen sürümüyle ve cümle cümle anlam incelemesiyle.</figcaption></figure><p>Filtreden geçen 53 cümlenin 48&#39;i paketle birebir uyuşuyordu. Yanlış olan iki cümle aynı türdendi: bir saati yanlış kanıta bağlıyordu. 17 Eylül olayında model “13:05&#39;te dış prob başarısız oldu” diye yazdı ve cümleyi, başka kanıtların yanında, 13:04&#39;teki yüksek prob süresinin kimliğiyle de kapattı. Kimlik pakette, saat pakette; filtrenin itiraz edeceği bir şey yok. Üç cümle de öncülsüz kaldı: “bu aday” diye başlıyordu, ama adayı tanıtan komşu cümle filtreye takılmıştı.</p><p>Reddedilen on cümlenin onu da anlamca doğruydu ve hepsinde model cümle sonuna kanıt kimliği koymayı unutmuştu. En uzun olayda, 23 Eylül’deki dağıtımda, ilk koşunun on cümlesinin altısı kimliksiz geldi; o olayda model “iki ila beş cümle” kuralını da aştı. İlk denetimde bir cümle daha reddedilmişti, ama o filtrenin kendi hatasıydı: cümledeki olay kimliğinin içindeki sayıyı “pakette olmayan sayı” saymıştı. Hata düzeldi ve aynı cümleler düzeltilmiş filtreden yeniden geçirildi; tablo o sürümün sonucudur.</p><p>Bu tablodan bir doğruluk yüzdesi çıkarmıyorum; altı olay ve iki koşu bir payda değil. Çıkardığım şey bir yerleşim kararı. Filtre temkinli: yanlış bir cümleyi göstermektense doğru bir cümleyi saklamayı seçiyor. Ama anlamın güvencesi değil; 53 cümlenin ikisi kimliği ve saati doğru olduğu hâlde yanlıştı. Bu yüzden açıklama bir karar değil, nöbetçinin okuyacağı bir özet. Cümlenin sonundaki kimlik okuru motorun kaydındaki aynı kanıta götürüyor; karar, eylem ve kapanış yine bende. Katmanı canlı olaylarda denemek sıradaki iş, ve orada da cümleler paketle yan yana okunacak.</p><h3>8. Mahremiyet sınırı ve veri paketi</h3><p>Bu çalışmadaki bütün veriler dört katmandan geçiyor: ham dışa aktarım, iç kanıt, redakte edilmiş örnek, yayın. Ham dışa aktarımlar hiçbir depoya girmiyor. Her dışa aktarımın manifestinde makine tarafından okunabilen üç bayrak var: yayın, dil modeli ve depo için üçü de “hayır”. Dönen etiketler e-posta, genel IP ve jeton benzeri desenlere karşı taranıyor; eşleşme bulunursa değeri yazılmıyor, yalnız sayısı ve maskeli bir örnek.</p><figure><img alt="Tablo: dört veri katmanı. Ham dışa aktarım hiçbir depoya girmez; iç kanıt yalnız toplulaştırılmış sayı taşır; redakte örnekler takma adlıdır; yayında kimlik, anahtar ve ham veriden türeyen operasyonel eşik yoktur." src="https://cdn-images-1.medium.com/max/1024/1*_zpV8FO-RqzAnpiBSMJgqg.png" /><figcaption>Şekil 4 — Veri sınırı katmanları. Katmanlar bir türetim zinciri değil, izin sınırıdır: her katman ne içerebileceğini ve nereye gidebileceğini tanımlar. Ham veri dil modeline gitmez.</figcaption></figure><p>Dil modeline giden açıklama paketi de bu sınırın içinde (bölüm 7): ham dışa aktarımdan değil, motorun arındırılmış olay kaydından ve yalnız izin listesindeki alanlarla kuruluyor.</p><p>Olay motoru için bugün yazdığım log sayım adapter’ı aynı ilkeyle çalışıyor. İstek kapalı bir şablondan üretiliyor: tek akış, yalnız zaman, seviye ve eylem gruplaması, yalnız sayım. Yanıtta beklenmeyen bir sütun, satır ya da kişisel görünen bir etiket varsa toplama duruyor. Okuma jetonu yalnız ortam değişkeninden okunuyor; komut satırına ve çıktıya girmiyor, kimlik başlığı yönlendirmede başka bir makineye taşınmıyor. Okuma kullanıcısı yalnız sitenin log akışını görebiliyor; başka bir akışa aynı sorgu reddediliyor.</p><p>Sınır yalnız üretim kodunda değil. Bu yazının kanıt aracının ilk sürümü, log seviyesinin adını denetlemeden yazdırıyordu; bağımsız inceleme sahte bir girdiyle kişisel bir değerin çıktıya sızabileceğini gösterdi. Araç şimdi yalnız kapalı bir seviye listesini kabul ediyor, bozuk yapıda değeri yankılamadan duruyor ve bunu kendi olumsuz testleriyle gösteriyor. Kanıt aracı da bir tüketici.</p><p>Mobil telemetride (bölüm 4) ham hata nesnesinin ve kimlik jetonunun rapordan dışlanması aynı kuralın başka bir yüzü: neyin gönderilmeyeceği, neyin gönderileceğinden önce kararlaştırılıyor.</p><h3>9. Sözleşme tablosu</h3><p>Bir gözlemlenebilirlik yığınını pano ya da alarm sayısıyla değil, kaç sinyalin yazılı bir sözleşmesi ve onu koruyan bir testi olduğuyla ölçmeyi öneriyorum. Buradaki sinyaller için tablo aşağıda; testi olmayan hücre boş bırakıldı.</p><figure><img alt="Tablo: web ve log sinyallerinin sözleşmesi. Canlılık ucu, hazır olma ucu, sağlık ucu ve engel listesi, uygulama log etiketi ve log hedefi sağlığı için yokluğun anlamı, hata davranışı, veri sınıfı ve testi." src="https://cdn-images-1.medium.com/max/1024/1*P11M_NpIaJ0xyoOtvR41oQ.png" /><figcaption>Şekil 5a — Sözleşme tablosu: web ve log. Testi olmayan hücre “—”.</figcaption></figure><figure><img alt="Tablo: mobil, çökme hattı ve motor sinyallerinin sözleşmesi. Giriş hatası raporu, analitik parametre, telemetri kimliği, çökme önerisi, log sayımı ve dil modeli açıklaması için yokluğun anlamı, hata davranışı, veri sınıfı ve testi." src="https://cdn-images-1.medium.com/max/1024/1*811rqB3HbjaLPd6Ak-K2tw.png" /><figcaption>Şekil 5b — Sözleşme tablosu: mobil, çökme hattı ve motor.</figcaption></figure><p>Her satırda, sözleşmenin en az bir maddesini koruyan bir test var; ama tablo üç yerde boşluk gösteriyor. Hazır olma ucunun “hazır değil” yolu testsiz. Log hedefinde sayacın sıfır olması yalnız “yutulan hata görülmedi” demek; hedefin gerçekten yazdığını gösteren, bölüm 3&#39;teki pozitif test satırı. “Yok ne demek” sütununda da mobilin üç satırı boş: bir analitik olayın ya da çökme raporunun hiç gelmemesinin ne anlama geldiği yazılı değil. Sözleşmenin en çok eksik kaldığı yer, sinyalin yokluğu. Olay motoru bu boşluğu kendi tarafında şöyle ele alıyor: verinin gelmediği dakika “sağlıklı” değil “bilinmiyor” sayılıyor. Serinin ilk yazısındaki 26 Eylül kesintisinde motorun söyleyebildiği de tam buydu.</p><h3>10. Yapay zekâya ne bıraktım?</h3><p>Üç yazı boyunca aynı soruyu farklı yerlerde sordum: işletimin hangi kısmını yapay zekâya bırakabilirim? Bugünkü cevabım dar. Olay motorunda veriden öğrenen katman günün her saati için bir “normal” çıkarıyor; motor alarmları tek olayda birleştiriyor ve kök neden adaylarını lehte ve aleyhte kanıtla sıralıyor. Dil modeli bu kaydı anlatıyor. Hiçbiri eylem yapmıyor; iş açmak da, bir işi kapatmak da insanda. Bu sınır kalıcı değil; bugün elimdeki küçük payda buna izin veriyor: H1–H5 diye etiketlediğim beş olayın altı penceresi ve iki koşu. Payda büyüdükçe sınır da değişebilir; onu değiştirecek olan da yine ölçüm.</p><p>Bu çalışmanın kodunu, testlerini ve karşı ölçümlerini iki yapay zekâ kodlama ajanıyla yaptım: biri yazdı, öteki aynı soruyu ayrı bağlamda yeniden ölçtü ya da hata aradı; her kararı ben verdim. Dil modeli cümlelerinin anlam incelemesi de o ikinci elden geçti, kanıt aracının kişisel bir değeri sızdırabileceğini de o yakaladı (bölüm 8). Bir modelin cevabını başka bir modele, sonra kendime sınatmak, tek bir modelin kendi cevabını onaylamasından çok daha fazla hata buldu. Sessizliği kanıt saymamak gibi, ilk cevabı da kanıt saymamak gerekiyormuş.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b53388c7e8d2" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Model Verdiğin Sayıya İnanır: Bir Sitenin Gecikmesini Ölçerken Çöken Dört Varsayım]]></title>
            <link>https://medium.com/@bilalkose1is/model-verdi%C4%9Fin-say%C4%B1ya-i%CC%87nan%C4%B1r-bir-sitenin-gecikmesini-%C3%B6l%C3%A7erken-%C3%A7%C3%B6ken-d%C3%B6rt-varsay%C4%B1m-2ca9a8ae0e24?source=rss-ad289a26c4da------2</link>
            <guid isPermaLink="false">https://medium.com/p/2ca9a8ae0e24</guid>
            <category><![CDATA[observability]]></category>
            <category><![CDATA[kubernetes]]></category>
            <category><![CDATA[yapay-zeka]]></category>
            <category><![CDATA[aiops]]></category>
            <category><![CDATA[sre]]></category>
            <dc:creator><![CDATA[Bilalkose]]></dc:creator>
            <pubDate>Tue, 29 Sep 2026 18:32:19 GMT</pubDate>
            <atom:updated>2026-09-29T18:32:19.724Z</atom:updated>
            <content:encoded><![CDATA[<p><em>Bir olay motoru “normal”i geçmiş veriden öğrenir. Kendi kümemde yayındaki bir sitenin gecikmesini katman katman ölçerken dört varsayımım çöktü, ölçümlerimin de birkaçı ilk seferde yanlıştı. Motorun öğrendiği her şey bu sayılardan geliyor.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ioH-v9hZBbK3JVgDXefeTw.png" /></figure><h3>1. “Ana sayfa bazen çok bekliyor”</h3><p>Şikâyet kısaydı: ana sayfa bazen ilk açılışta çok bekliyor. Bağlantı hızlı, ekran büyüktü; akla gelen ilk şey bir sunucu sorunuydu. İlk ölçüm başka bir yeri gösterdi. Gerçek bir tarayıcıda üç yüklemede sayfanın ana içeriği 1,17–1,92 saniyede boyanmıştı, ama tam ekran açılış perdesi 2,35–3,68 saniyede kalkıyordu. Kullanıcı hazır olan içeriği 1,2–1,8 saniye geç görüyordu.</p><p>Perde, sayfanın bütün kaynakları bitince tetiklenen load olayına bağlıydı ve yedeği yoktu. Tek bir görsel isteği hiç tamamlanmadığında eski kod perdeyi <strong>hiç</strong> kaldırmıyordu. Reklam betiği de kullanıcı kaydırır ya da tıklar tıklamaz yükleniyordu: sabırsız kullanıcı beklerken sayfayı oynattıkça load gecikiyor, perde daha uzun kalıyordu. &quot;Bazen&quot;in en iyi açıklaması buydu. Otomatik ölçümlerde neden hiç görünmediğini de açıklıyordu: otomasyon kaydırmaz.</p><p>Motor da yalnız gördüğü veriyi öğreniyor. Aynı kümede bir olay motoru çalıştırıyorum; “normal” gecikmenin ne olduğunu geçmiş metriklerden kendisi öğreniyor (serinin ilk yazısı). Otomasyonun hiç görmediği bir gecikmeyi o da hiç görmeyecek, gördüğü sayılar yanlışsa da yanlış bir normal öğrenecek. Perde düzeldi, ama ilk bayt süresi iki koşumda 777 ve 1.062 ms’ydi. Motora bir şey öğretmeden önce sormam gereken soru buydu: o bir saniye nereye gidiyor ve onu doğru ölçüyor muyum?</p><h3>2. Dört saat, bir istek</h3><p>Bir isteğin süresini dört yerden okuyabiliyordum. Tarayıcı kullanıcının gördüğünü ölçüyor: ilk bayt, boyanma, perde. Uygulama kendi içinde geçen süreyi ölçüyor (Prometheus istek histogramı). CDN yanıt başlığında kendi işleme süresini ve kökenden cevap bekleme süresini ayrı veriyor (Server-Timing). Sentetik problar da aynı hedefi iki yoldan yokluyor: biri CDN üzerinden, biri kümenin içinden.</p><p>Dört saatin birbirini tutması için bir kural gerekiyordu; buna “adil ölçüm” dedim: iki taraf aynı adresi, aynı önbellek durumunu, aynı sıkıştırmayı ve aynı yönlendirme davranışını kullanır. Kulağa apaçık geliyor. Bölüm 7&#39;de bu kuralı kaç kez çiğnediğimi göstereceğim.</p><h3>3. Varsayım 1: “Önbellek açık, demek çalışıyor”</h3><p>Ana sayfanın sunucu tarafı önbelleği yapılandırılmıştı. İki saatlik günlükte isabet sayısı: sıfır. Neden zinciri çerçevenin kaynak koduna kadar izlendi. Sayfadaki bildirim bileşeni her yanıtta geçici veri çerezine dokunuyor, çerez boş olsa bile çerçeve bir silme başlığı (Set-Cookie) basıyor, önbellek de Set-Cookie taşıyan yanıtı saklamıyordu. Kimse önbelleği kapatmamıştı; bir çerez satırı onu sessizce devre dışı bırakmıştı.</p><p>Düzeltme tek satır değildi. Yalnız çerez düzeltilseydi, iletişim formunu gönderen kullanıcı “mesajınız gönderildi” bildirimi olmayan önbellekli gövdeyi görecekti; önbellek ara katmanı kimlik doğrulamadan önce çalıştığı için oturum açmış kullanıcıya anonim gövde dönebilirdi. Üç parça birlikte gitti ve her biri için kabul testi yazıldı. Bir tuzak daha vardı: önbellek çalışmaya başlayınca blog sayfası ziyaretçiye özel form jetonunu saklayıp bir sonraki ziyaretçiye servis edecekti. Düzeltme bu kusuru <strong>yaratacaktı</strong>; dağıtımdan önce bağımsız bir inceleme yakaladı.</p><p>Sonuç, aynı trafik seviyesinde (dakikada 3–5 istek) ana sayfanın sunucu süresi: düzeltmeden önce p50 575,8 ms (2.676 dakika), sonra 1,5 ms (141 dakika).</p><p>19–23 Eylül, motorun önündeki en bozuk dört gündü. Motorun öğrenen katmanı geçmiş günlerden medyan ve sapma çıkarıyor. Geri testte bu dönemi dışarıda bırakmıştım. Bu metni hazırlarken kümede çalışan motorun son on beş günü olduğu gibi öğrendiğini, o haftanın da içinde olduğunu fark ettim.</p><p>Düzeltmeden önce iki temel çizgiyi karşılaştırdım. Biri o haftayı içeriyordu, diğeri başka tarihlerden temiz on beş gündü. Medyanlar neredeyse hiç kıpırdamadı (oran 1,00 civarı); olası açıklama, on beş günün dördü bozukken ortanca değerin yine sağlam günlerden gelmesi. Sapma (MAD) ise genişti: uygulama gecikmesinde 1,61 kat, log hacminde 1,50, dış prob süresinde 1,29. Temiz karşılaştırma başka tarihlerden olduğu için bu farkın ne kadarının bozulma haftasından, ne kadarının dönemden geldiğini ayıramıyorum. Bildiğim şu: 28 Eylül’de çalışan motorun eşiği bu daha geniş sapmayla kuruluyor ve daha seyrek ateşleyebilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*qf4hg6BAK3vKYobBZ_I4tg.png" /><figcaption>Şekil 1 — Bozulma haftasını içeren temel çizginin temiz günlerden kurulan temel çizgiye oranı. Medyan yerinde kaldı, sapma genişledi; temiz dönem başka tarihlerden olduğu için farkın bir kısmı dönemsel olabilir.</figcaption></figure><p>O haftayı yalnızca dışlamak da çözüm değildi. Motor en az on dört günlük geçmiş istiyor; on beş günlük pencereden dört gün çıkınca on bir gün kalıyor ve öğrenen katmanın bütün kovaları “bilinmiyor”a düşüyordu. Düzeltme ikisini birlikte yaptı: motor açılışta artık 23 günlük geçmiş çekiyor, bozulma haftasını ve bilinen olayların iki saatlik çevresini öğrenmeden çıkarıyor. 29 Eylül hesabıyla her saat kovasında en az 16 gün kalıyor. Yeni sürüm 29 Eylül akşamı kümeye çıktı; o ana kadar eşik o geniş sapmayla kurulmuştu. Bir modele hangi günlerin normal olmadığını söylemek, ona normali göstermek kadar önemli; ama bunu söylerken ona öğrenecek yeterli gün bırakmak da gerekiyor.</p><h3>4. Varsayım 2: “Düğüm %6 CPU’da, limit sorun olamaz”</h3><p>Pod’un CPU limiti yarım çekirdekti; düğümün CPU kullanımı %6 civarındaydı. İlk refleks “limit dar ama sorun değil”, ikincisi tersine “yavaşlığın nedeni CPU limiti”. İkisi de yanlış çıktı.</p><p>Linux’un CPU kotası 100 milisaniyelik pencerelerde keser: pod o pencerede kotasını doldurursa, düğüm boş olsa bile bekler. Düzeltme öncesi kararlı dakikaların 4.535&#39;inin 4.534&#39;ünde kısıtlama sıfırdan büyüktü. Yani “kısıtlama var mı?” sorusu hiçbir şey ayırmıyor; bir modele girdi olarak verilse, her dakika aynı cevabı veren işe yaramaz bir sütun olur. İşe yarayan ayrım, kısıtlamanın şiddetiydi: dakikadaki kısıtlanmış süre ile ana sayfa süresi arasındaki sıra korelasyonu +0,68 (4.550 dakika), trafik sabit tutulunca da +0,69. Aynı dönemi daha önce bağımsız ölçen üç çalışma 0,67–0,71 aralığında bulmuştu.</p><p>Asıl ayırt edici ölçüm gecikme taramasıydı: kısıtlama bir dakika önce ya da sonra alındığında korelasyon +0,05&#39;e düşüyor, iki-üç dakikada sıfırlanıyor. “Botlar önce pod’u kısıtlar, sonra gelen istekler yavaşlar” anlatısı doğru olsaydı gecikmeli korelasyon güçlü olurdu. Değil; iki sinyal <strong>aynı dakikaya</strong> hapsoluyor.</p><p>Peki ne kadar? Kısıtlama bandına göre ana sayfa p50&#39;si %1–3&#39;te 525 ms, %3–5&#39;te 568, %5–10&#39;da 618, %10–25&#39;te 626 ms. Normal dakikalarda bantlar arasındaki fark onlarca milisaniyeydi. En üst bant (%50&#39;nin üstü) yalnız altı dakikaydı ve dördünde ana sayfa ortalaması saniyeler düzeyindeydi: 19 Eylül 21:47&#39;de istek hızı bir dakika içinde 5&#39;ten 145&#39;e çıktı, CPU tam kotaya yapıştı, periyotların %96&#39;sı kısıtlandı ve ana sayfa ortalaması 45 saniye oldu.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*4Na-oih2tFVyLw4CCNj8Mg.png" /><figcaption>Şekil 2 — Kısıtlama şiddetine göre ana sayfanın sunucu süresi. Ayrımı kısıtlamanın varlığı değil şiddeti yapıyor: sayfanın saniyelerce beklediği dakikalar %50&#39;nin üstünde.</figcaption></figure><p>Motorun CPU kuralı bu tablodan çıktı: “kısıtlama var” değil, “bir dakika boyunca periyotların yarısından fazlası kısıtlandı”. Eşiği %50&#39;ye koymamın nedeni sayfanın saniyelerce beklediği dakikaların orada toplanması; %5&#39;teki onlarca milisaniyelik farkı her dakika alarm diye göstermek, motoru ilk haftasında susturulacak bir gürültüye çevirirdi.</p><p>İki düzeltmeden sonra farklı şeyler değişti. Önbellek düzeltmesinden sonra aynı trafikte kısıtlama p50&#39;si %4,0&#39;dan %0,0&#39;a indi. Limit iki çekirdeğe çıkarıldıktan sonra değişim dağıtımda görüldü: yeni sürümün ilk 15 dakikasındaki kısıtlanmış süre iki dağıtımda 512 ve 334 saniyeyken 69 saniyeye indi. Açılışta iki çekirdeğin bile dolduğu görüldüğü için bu karar kayıtta “geçici” diye duruyor.</p><h3>5. Varsayım 3: “Bazen +1/+3 saniye = bağlantıda paket kaybı”</h3><p>Bu ölçüm döneminde önbellek ve CPU düzeldikten sonra uygulama baskın darboğaz değildi. Kullanıcı tarafı ise hâlâ ara ara saniyelerce bekliyordu. CDN’in Server-Timing başlığında 40 ardışık istekten beşinde kökenden cevap bekleme süresi 1,1 ile 3,4 saniye arasına fırladı. Sayılar tanıdıktı: Linux, cevapsız kalan bir TCP bağlantı isteğini 1 ve 3 saniye sonra yeniden gönderir. Açıklama kendini yazıyordu.</p><p>Paket yakalamayla doğrulamaya çalıştım. İlk yakalama yanlış ağ arayüzünü dinledi. İkincisinde doğru arayüzde 40 bağlantı isteği vardı, hiçbiri yeniden gönderilmemişti; sonra bu isteklerin ziyaretçilerden değil kümenin kendi problarından geldiği anlaşıldı. Cevap, bir haftadır zaten kayıt tutan problardaydı: CDN üzerinden siteyi yoklayan eski prob 9.684 ölçümde bağlantı evresini p50 172, p99 236 ms ölçmüştü. Yeniden gönderim sık olsaydı p99&#39;da 1.000 ve 3.000 ms basamakları beklerdim; görünmedi. Seyrek bir yeniden gönderimi bu veri dışlamıyor, ama gözlenen sıçramaların genel açıklaması olarak desteklemiyor. Oynayan evreler TLS (p99 1.938 ms) ve işlemeydi (p99 3.968 ms).</p><p>Eski prob karşılaştırma için de uygun değildi (bölüm 7). Adil bir çift kuruldu: aynı adres, aynı önbellek atlama, aynı sıkıştırma, yönlendirme yok; biri CDN üzerinden, biri kümenin içinden, dakikada bir. İki günü aşan ölçüm (iş başına 3.137 örnek) şu tabloyu verdi:</p><figure><img alt="Tablo: adil prob çifti, evre başına p50 / p99 milisaniye. CDN üzerinden toplam 744 / 4.946, küme içinden 161 / 484; en büyük fark işleme evresinde (424&#39;e karşı 125)." src="https://cdn-images-1.medium.com/max/1024/1*7PQGLbt5SMTfRa9HN6qTMw.png" /><figcaption>Şekil 3 — Adil prob çifti, evre başına p50 / p99 (ms), 23 Eyl 10:10 → 25 Eyl 14:50 UTC, iş başına 3.137 örnek.</figcaption></figure><p>CDN yolunda örneklerin %17,3&#39;ü bir saniyeyi, %3,0&#39;ı üç saniyeyi aştı; küme içinde hiçbiri. İki saniyeyi aşan 173 örneğin 113&#39;ünde en uzun evre işlemeydi, yani dış probun isteği göndermesinden ilk bayta kadar geçen süre; aynı dakikalarda küme içi toplam p50 153 ms, en fazla 574 ms’ydi. Darboğaz CDN üzerinden giden yola özgüydü. Ev hattı, CDN–köken yolu ve istek bazında kökenin payı bu veriyle ayrışmıyor. CDN yolunun p50&#39;si akşam 17:00&#39;de sabah 06:00&#39;dakinden %47 yüksekti.</p><p>Bu akşam–sabah farkı, motorun temel çizgisini neden günün saatine göre öğrendiğini de açıklıyor. Bütün gün için tek bir “normal gecikme” öğrenen bir model, sabah altıda gerçekten yavaşlayan bir siteyi günün ortalamasının altında kaldığı için sessizce geçebilir, akşam beşte ise hiçbir şey olmadığı hâlde alarm üretebilir; günün her saatine ayrı bir normal tutmak hem kaçırma hem gereksiz alarm riskini azaltıyor. Problar evin içinde olduğu için bu iki sayı bir ziyaretçinin deneyimi değil, iki yolun farkı; akşam artışının bir kısmı evin kendi internet kullanımı olabilir. Bunu ayırmak için dışarıda bir ölçüm noktası gerekiyor.</p><h3>6. Varsayım 4: “HTML’i güvenlik için sıkıştırmıyoruz”</h3><p>Kökenin ana sayfa HTML’ini sıkıştırmadan gönderdiği görüldü: 171.897 bayt. Kodda yıllardır bir gerekçe duruyordu: BREACH saldırı sınıfına karşı HTML sıkıştırılmaz. Sıkıştırmayı açmak bile tuzaktı: projenin genel ayarı en yüksek brotli seviyesiydi ve aynı gövdede istek başına 486,7 ms CPU harcıyordu; en hızlı seviye 2,4 ms’de bitiyordu, aradaki kazanç yalnız ~6,5 KB’tı. HTML sıkıştırması sır taşımayan ve girdi yansıtmayan beş sayfa için, en hızlı seviyeyle açıldı.</p><p>Sürpriz yayından sonra geldi. Kökenin bilerek sıkıştırmadığı iletişim sayfası da ziyaretçiye brotli ile geliyordu: kökenin sıkıştırmadığı sayfa 19.259 bayt. Sıkıştırmayı CDN yapıyordu. Yıllardır duran güvenlik gerekçesi ziyaretçiye giden hattı hiç korumamış, yalnız köken ile CDN arasını etkilemişti. Gerekçe düzeltildi, yapı kaldı.</p><h3>7. Ölçümü ölçmek</h3><p>Birden fazla kritik ölçüm ilk seferde yanlıştı; bunların birkaçını işi yapan değil, bağımsız incelemeler yakaladı.</p><figure><img alt="Tablo: sekiz ilk iddia, her birinin karşı ölçümü ve düzeltilmiş sonucu. Örnek: kısıtlama ile süre korelasyonu 0,603 sanıldı, hizalı sorguyla 0,71 çıktı; Pearson aykırı değerler kırpılınca 0,61&#39;den 0,12&#39;ye düştü." src="https://cdn-images-1.medium.com/max/1024/1*FBumfgVLuIufJYhv_L9mcw.png" /><figcaption>Tablo 1 — İlk iddia, karşı ölçüm, düzeltilmiş sonuç.</figcaption></figure><p>Tablodaki dört hatanın üçü kodda, dördüncüsü ölçümün sınırında iz bıraktı.</p><p>İlk hata saat sınırındaydı. Prometheus’tan veri rastgele bir saniyeden başlayarak çekilmişti ve sivri bir sinyalde yarım dakikalık kayma korelasyonu 0,60&#39;tan 0,71&#39;e taşıdı. Motor bu yüzden her sorgu penceresinin bitişini adımın katına yuvarlıyor; ardışık döngüler aynı ızgarada örtüşüyor, aynı dakika iki farklı değerle iki kez sayılmıyor.</p><p>Pearson ise birkaç aykırı dakikaya dayanamadı: onlar kırpılınca katsayı 0,61&#39;den 0,12&#39;ye indi. Ortalamaya ve standart sapmaya dayanan bir anomali eşiği aynı kırılganlığı taşır; öğrenen katman bu yüzden medyan ve medyan mutlak sapmayla çalışıyor.</p><p>Probun tanımını değiştirince eski geçmiş de kullanılamaz oldu: adil çift kurulunca eski probun geçmişi yeni ölçümün geçmişi olamazdı. Yeni bir prob hedefinin öğrenilmiş temel çizgisi yok; motor o hedef için iki hafta boyunca “bilinmiyor” diyor. Olay olmayan yirmi günlük geri testte dış prob sinyali tam da bu yüzden yirmi kez “bilinmiyor” döndü. Ölçüm tanımını değiştirmek, modele öğrettiğin geçmişi silmek demek.</p><p>En rahatsız edici sonuç probların kendi yüküydü. Adil prob çifti önbelleği bilerek atlıyor ve dakikada iki tam sayfa çiziyor. Probların başladığı dakikadan itibaren ana sayfanın kendi p50&#39;si 1,5 ms’den 148,4 ms’ye çıktı. Aynı dakikada bir dağıtım da olduğu için artışın kesin payını ayıramadım. Bölüm 3&#39;teki “sonra” bu yüzden yalnız problardan önceki dakikalara dayanıyor. Motor bu dakikaları olduğu gibi öğreniyor; öğrendiği uygulama gecikmesinin bir kısmı artık kendi ölçüm araçlarımın yükü. Bunu bilmeden bir sonraki gecikme alarmına bakmak eksik okumak olur.</p><h3>8. Motorun kendi ölçümü</h3><p>Sonunda motorun kendi CPU’sunu ölçtüm, iki araçla. Prometheus’un bir dakikalık hız penceresiyle on dakikanın p95&#39;i 0,129 çekirdek; anlık kaynak aracıyla (yaklaşık 15 saniyelik pencere) aynı dönemin p95&#39;i 0,255 çekirdek. Motor her dakika kısa bir patlamayla çalıştığı için kısa pencere patlamayı, uzun pencere ortalamayı görüyor. İki sayı da doğru. “p95 CPU ≤ 0,2 çekirdek” gibi bir hedef ise hangi pencereyle ölçüleceği yazılmadıkça ne geçer ne kalır. Tanımı bu ölçümden sonra yazdım: bir dakikalık oran, dondurulmuş ayarla ilk on dört gün; ilk on dakikayı hedefin ölçümü saymıyorum ve raporda iki yöntemin değerini birlikte veriyorum. Bellekte kümedeki sürümün açılış tepesi 177,6 MiB, döngü sırasında yaklaşık 50 MiB; sınır 256 MiB. Bu sayı rahat görünüyordu. Geri doldurmayı 23 güne çıkarınca aynı okuma kodu 253,8 MiB’e tırmandı, sınırın 2,2 MiB altına. Depodan okunan sonucun bütün bir kopyası da bellekte tutuluyormuş; satırları tek tek okuyunca tepe 169,7 MiB’e indi. Bu iki sayı yerelde, kümedeki sınırla ve tek koşuda ölçüldü; yeni sürüm kümede açıldığında tepe 169,2 MiB’ti. Öğrenmenin belleği hâlâ okunan örnek sayısıyla büyüyor; geçmişi uzatmak bedava değil.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*vPH_dv8QH0dUCTaSAMzLcQ.png" /><figcaption>Şekil 4 — Motorun açılış tepe belleği. Geri doldurma 23 güne çıkınca toplu okuma sınıra 2,2 MiB yaklaştı; satır satır okuma tepeyi 169,7 MiB’e indirdi, kümede 169,2 MiB ölçüldü.</figcaption></figure><p>Aynı hata, öğrenen katmanın ilk denemesinde de vardı. Uygulama gecikmesinin p95&#39;i normal günlerde 24 saatte 9,4 kez ateşledi. Dakikada üç-beş isteğin olduğu bir sitede p95, birkaç yavaş isteğin keyfine kalıyor; birkaç istekten hesaplanan bir yüzdelik sessiz bir dakikada bile uçabiliyor. Mutlak tabanı 1 saniyeye, süreyi 5 dakikaya çıkarınca sayı 0,50&#39;ye indi. Bu ayarı aynı veriye bakarak yaptığım için başarı saymıyorum; düşük trafikte yüzdeliğin ne kadar güvenilmez olduğunun kaydı olarak tutuyorum.</p><h3>9. Bu ölçümleri kim yaptı?</h3><p>Bu yazıdaki sorguların, testlerin ve karşı ölçümlerin çoğunu yapay zekâ kodlama ajanlarıyla yaptım. Bir ajan ölçümü yaptı, başka bir ajan aynı soruyu ayrı bağlamda yeniden ölçtü ya da hata aradı; kararı ben verdim. Tablo 1&#39;deki hizasızlık, Pearson’ın çöküşü ve form jetonu kusuru bu düzenle yakalandı. Üç bağımsız korelasyon ölçümünün 0,67–0,71 aralığında buluşması da bu yüzden anlamlı: aynı sorunun üç ayrı elden geçmesi.</p><p>Ajanlar yanılmaz değil. Paket yakalamada yanlış arayüzü dinleyen de, eski probu adil sanan da bir ajandı; ilk iddiaların çoğu bir modelin ilk cevabıydı. İlk cevabı başka bir modele, ardından kendime sınatınca tek bir modelin kendi cevabını onaylamasından çok daha fazla hata buldum. Motorda bunun altyapısı var: ham örnekler, toplama kapsamı, çalışma kimliği ve yapılandırma özeti saklanıyor. Hangi günlerin neden dışlandığı artık kodda bir liste olarak duruyor; her temel çizgi kovasının hangi günlerden öğrenildiğini ise henüz kaydetmiyorum.</p><h3>10. Kalan gecikme</h3><p>Bu ölçüm döneminde uygulamanın payı küçüldü; büyük ve ayrışmamış gecikme CDN üzerinden giden yolda kaldı. CDN, ana sayfayı yakındaki bir veri merkezi yerine uzak bir Avrupa noktasından servis ediyordu; köken ile CDN arası gidiş-dönüş p50 49 ms. En büyük tek hamle kodda değil CDN’deydi: çerezsiz ziyaretçi için ana sayfaya 60 saniyelik kenar önbelleği kuruldu. O da bir tuzakla geldi. Tarayıcı önbellek süresi varsayılanda bırakılınca CDN kökenin “saklama” yasağını ezip dört saatlik bir tarayıcı süresi yazıyordu; yeni bir yazı yayınlandığında ziyaretçi dört saate kadar eski sayfayı görebilirdi. Bağımsız bir inceleme yakaladı, ayar “kökene uy” yapıldı.</p><p>Sırada kök adresten dile yönlendirmenin köken turu, CPU limitinin “geçici” iki çekirdeği ve probların eklediği yük var. Ev hattının, CDN–köken yolunun ve kökenin payı da hâlâ ayrışmadı. Motor tarafında sıradaki iş dışarıda bir ölçüm noktası kurmak; çünkü evin içinden ölçülen gecikme bir ziyaretçinin gecikmesi değil.</p><p>Bir sonraki gecikme alarmında ilk sorum şu olacak: bu sayıyı üreten ölçümün koşulları, modelin öğrendiği günlerin koşullarıyla aynı mı? Dört varsayım da mantıklıydı ve dördü de yanlıştı. Onları çürüten şey daha akıllı bir model değil, ölçüm koşullarını eşitlemek ve her iddiayı bağımsız bir karşı ölçümle sınamaktı. Serinin üçüncü yazısı aynı soruyu log ve çökme raporlarına, bir de dil modeline soruyor: bu sinyal neyi kanıtlıyor, neyi kanıtlamıyor?</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2ca9a8ae0e24" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Alarm Çaldı Ama Nedenini Söylemedi: Beş Kesinti, Bir AIOps Motoru]]></title>
            <link>https://medium.com/@bilalkose1is/alarm-%C3%A7ald%C4%B1-ama-nedenini-s%C3%B6ylemedi-be%C5%9F-kesinti-bir-aiops-motoru-5692894210cb?source=rss-ad289a26c4da------2</link>
            <guid isPermaLink="false">https://medium.com/p/5692894210cb</guid>
            <category><![CDATA[kubernetes]]></category>
            <category><![CDATA[observability]]></category>
            <category><![CDATA[sre]]></category>
            <category><![CDATA[aiops]]></category>
            <category><![CDATA[yapay-zeka]]></category>
            <dc:creator><![CDATA[Bilalkose]]></dc:creator>
            <pubDate>Mon, 28 Sep 2026 18:51:42 GMT</pubDate>
            <atom:updated>2026-09-28T18:51:42.221Z</atom:updated>
            <content:encoded><![CDATA[<p><em>Sekiz pod hazırdı ama siteye dışarıdan yapılan on denemeden dokuzu başarısızdı. Beş gerçek kesintiden öğrenmeye çalışan bir olay motoru ve son sözün neden hâlâ bende olduğu.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*DrVuBmWgTCLfSxpUoryWXQ.png" /><figcaption>Öğrenen katmanın beş olaydaki cevabı, sinyal sinyal: ateşledi, ateşlemedi, bilinmiyor. 2 Eylül gecesindeki olay iki pencere verdi, H1 ve H1b ayrı satırlarda. Ayrıntısı bölüm 6&#39;da.</figcaption></figure><h3>1. “Bütün sistem çöktü”</h3><p>2 Eylül 2026 akşamı, saat 21:55&#39;te (TSİ; 18:55 UTC) telefonuma arka arkaya Telegram bildirimleri düştü: bilalkose.com.tr DOWN, ikinci bir müşteri sitesi için aynı mesaj ve hepsinden ürkütücüsü, sır kasası için Vault SEALED. Bu kadar alarm bir arada gelince evdeki iki düğümlü Kubernetes kümesinin çöktüğünü sandım.</p><p>Sonradan ölçümlere baktığımda yanıldığımı gördüm. Olayın on dakikası boyunca uygulamanın ad alanında 8 pod, tüm kümede 48 pod hazırdı ve bu sayılar hiç değişmedi. Hiçbir container yeniden başlamadı, hiçbir dağıtım olmadı. İki düğüm de Ready durumundaydı. Kubernetes’in gözünde her şey yolundaydı.</p><p>Kullanıcı için ise site büyük ölçüde ulaşılamazdı. Dışarıdan yapılan HTTP problarının on dakikadaki 164 örneğinin yalnız %10&#39;u başarılıydı; hemen önceki yirmi dakikada bu oran %100&#39;dü. Uygulamanın kendi saydığı istek hızı saniyede 0,078&#39;den 0,007&#39;ye indi. 164 örneğin 147&#39;sinde hiçbir HTTP yanıtı gelmedi; toplam süre en çok 9,5 saniyeydi, yani probun zaman aşımı sınırı. On dakika sonra her şey kendiliğinden düzeldi. SEALED alarmı da yanlış bir anlamaydı: sır kasası mühürlü değildi, sağlık kontrolü aynı dış yoldan yapıldığı için &quot;ulaşılamıyor&quot; durumu &quot;mühürlü&quot; diye raporlanmıştı.</p><p>O gece aklıma takılan soru arızadan çok alarmlarla ilgiliydi. Telefona düşen üç mesajın ikisi doğruydu ama sorunun nerede olduğunu söylemiyordu; üçüncüsü düpedüz yanlıştı. Google’ın SRE kitabının izleme bölümünde bu ayrım iki soruyla anlatılıyor:</p><blockquote><em>“İzleme sisteminiz iki soruya cevap vermeli: Ne bozuk ve niçin bozuk? İlk soru belirtiyi, ikincisi sebebi gösterir; bu sebep bazen yalnızca aradaki bir halkadır.”</em></blockquote><blockquote><em>Rob Ewaschuk, </em><a href="https://sre.google/sre-book/monitoring-distributed-systems/">Site Reliability Engineering<em>, 6. bölüm, “Monitoring Distributed Systems”</em></a><em> (Google, 2016). Çeviri benim.</em></blockquote><p>O gece telefonuma düşen alarmlar ilk soruya yarım yamalak cevap veriyordu, ikincisine hiç. Bu mesajları benim yerime okuyan bir sistem olsaydı ne demeliydi? “Küme çöktü” mü, “yol koptu” mu, yoksa dürüstçe “bilmiyorum” mu?</p><p>AIOps denince çoğu zaman her şeyi kendi başına çözen büyük bir model anlatılıyor. Benim istediğim daha dar üç iş: anormal olanı fark etmek, aynı dakikalarda ateşleyen sinyalleri tek olayda toplamak ve olası kök nedenleri kanıtıyla birlikte sıralamak. Son söz ve eylem bende kalıyor. Eylül’deki beş kesintinin verisini saklayıp bu üç işi yapan küçük bir motor kurdum; kodunu da iki yapay zekâ ajanıyla yazdım. Aşağıda o motoru şekillendiren kararlar var, en çok da işin hangi kısmını yapay zekâya bırakmadığım.</p><h3>2. Model yok, önce veri</h3><p>Bir sistemin öğrenebileceği şey, elindeki gözlemle sınırlı. Benim elimde beş olay vardı ve kümedeki Prometheus veriyi 30 gün tutuyordu. 2 Eylül’ün verisi Ekim başında kendiliğinden silinecekti. Motorun ilk satırı yazılmadan olay pencerelerini dışa aktardım.</p><p>İş tamamen salt-okunurdu: Prometheus’un HTTP API’sine yalnız sorgu gitti, kümeye hiçbir şey yazılmadı. Kısa kesintilerin pencereleri birkaç saatlik ve 15 saniye çözünürlükte, otuz saatlik CDN bakımınınki 60 saniye çözünürlükte alındı; ayrıca son 32 gün 60 saniye çözünürlükte; prob başarısı ve evreleri, istek hızı ve gecikme, CPU kısıtlaması, hazır pod sayıları, yeniden başlatmalar, dağıtımlar. Sonuç 716 sıkıştırılmış JSON dosyası, 26,1 MB. Her dosyanın sorgusu, zaman aralığı, eksik oranı ve SHA-256 özeti bir manifestte duruyor. Manifestin başında üç bayrak var: yayına, dil modeline ve git’e gitmez.</p><p>İlk koşuda manifestte 716 kayıt vardı ama diskte 715 dosya. İki anlık görüntü aynı adı almış, biri diğerinin üzerine yazmıştı. Bunu ben görmedim; dışa aktarımı yazan ajandan bağımsız çalışan ikinci ajan gördü. Dışa aktarım baştan yapıldı ve artık her koşu tek bir kapıyla bitiyor: 716 kayıt, 716 ayrı yol, diskte 716 dosya, 716 eşleşen özet.</p><p>Eksik veri de veridir. 32 günlük arşivin zaman kapsamı %93,6; en büyük boşluk 26 Eylül’de yaklaşık dokuz saat. İki düğüm birlikte kapanmış, öğleden sonra yeniden açılmıştı; nedeni bir elektrik kesintisiydi. Bu boşlukları doldurmadım, enterpolasyon da yapmadım. Bir modele “o dokuz saat normaldi” diye öğretmek, ona en baştan yalan söylemek olurdu.</p><h3>3. Modelin kendi bulamayacağı ayrım</h3><p>Bir kullanıcının siteye ulaşmak için geçtiği yol uzun: tarayıcı, Cloudflare, ev internet hattı, ev router’ı, kümenin giriş denetleyicisi ve en sonda uygulama. Pod hazırlık sondaları bu zincirin yalnız son halkasına bakıyor. Verideki sinyaller yalnız son halkayı anlatıyorsa, en iyi model bile arızanın yolda mı uygulamada mı olduğunu söyleyemez.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*-EEZ_2TgjztyTIL-xj5u2g.png" /><figcaption>Şekil 1 — İki yol, bir hedef. Dış prob kullanıcıdan uygulamaya kadar zincirin tamamını ölçüyor; iç prob küme içinden başlayıp yalnız giriş denetleyicisini ve uygulamayı.</figcaption></figure><p>Çözüm aynı adresi iki kez ölçmek. Dış prob gerçek bir kullanıcı gibi alan adına gidiyor. İç prob ise aynı URL’yi ve aynı Host başlığını kullanıyor ama CDN&#39;i ve ev hattını atlayıp doğrudan giriş denetleyicisine bağlanıyor. İkisi yan yana gelince dört durumlu bir karar tablosu çıkıyor:</p><figure><img alt="Dört durumlu karar tablosu: dış prob başarısız ve iç prob başarılıysa sorun gelen yolda; ikisi de başarısızsa uygulamada ya da giriş denetleyicisinde; dış başarılı ve iç başarısızsa iç yol ya da küme içi ad çözümü; iki yolda da örnek yoksa bilinmiyor." src="https://cdn-images-1.medium.com/max/1024/1*y9U5qmE2dNzMGvJ5167HpA.png" /></figure><p>2 Eylül akşamı bu tablo yoktu; iç yol hiç ölçülmüyordu. Aynı gece 23:23&#39;te (20:23 UTC) alarmları iç proba taşıyan ve yeni bir kural ekleyen değişiklik depoya gönderildi: en az üç hedef dışarıdan başarısız ama içeriden başarılıysa, iki dakika sonra “Dış erişim yolu DOWN”. Prometheus’taki ilk iç prob örneği 20:24:45 UTC’de göründü; kuralın Grafana’ya tam olarak ne zaman yüklendiğini ayrıca okumadım.</p><p>Bu yüzden 21:55&#39;teki ilk kesintiyi (H1) telemetriyle geriye dönük sınıflandıramıyorum. H1&#39;in “gelen yol” sınıfı, önceki incelemenin kanıtına dayanıyor: giriş düğümüne dışarıdan yeni bağlantı gelmemesi ve fiziksel bağlantının hiç kopmaması gibi. Bir motora “H1 gelen yoldu” diye etiket verirsem, o etiketin telemetriden değil başka bir incelemeden geldiğini de bilmesi gerekir; yoksa iç probun hiç olmadığı bir geceden, o gece ölçülmemiş bir ayrışmanın imzasını öğrenmeye kalkar.</p><h3>4. Vaka H1b: kanıtlı sekiz dakika</h3><p>2 Eylül, 23:52 (20:52 UTC). İç prob çalışmaya başlayalı 28 dakika olmuştu ki dış problar yeniden düşmeye başladı. Bu kez iki yol da ölçülüyordu. Sitenin kendisi ve aynı hattan yayınlanan üç iç araç için, 15 saniyelik ızgarada tablo şöyle:</p><figure><img alt="H1b tablosu, 2 Eylül 15 saniyelik ızgara: 20:53:30 ile 21:01:30 arasında dış problar başarısız, iç problar başarılı (kanıtlı ayrışma, gelen yol); 21:01:45 ile 21:04:00 arası örnekler kısmen ya da tamamen eksik (bilinmiyor); 21:04:15&#39;te iki yol da başarılı (toparlanma)." src="https://cdn-images-1.medium.com/max/1024/1*2Hw8GPV7BLKoAGyF6KitBA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*2ArKRkOT2ApnHAuCqvikXA.png" /><figcaption>Şekil 2 — H1b zaman çizelgesi, 15 saniyelik ızgara: kanıtlı bölüm düz renk, bilinmeyen kuyruk taralı.</figcaption></figure><p>Kanıtlı bölümde dış probun 132 örneğinin 132&#39;si başarısız, iç probun 132 örneğinin 132&#39;si başarılı. Aynı dakikalarda uygulamanın ad alanında 8 pod hazır, yeniden başlatma ve dağıtım yok. Uygulama içeriden yanıt veriyor, kullanıcılar içeri giremiyor. Sınıf açık: <strong>gelen yol</strong>. Yolun hangi halkası olduğunu ise telemetri söyleyemiyor; 2 Eylül için router günlüğü yok.</p><p>Beni asıl düşündüren tablonun alt yarısıydı. 21:02:15–21:03:30 arasında iki yolda da tek örnek yok. “Örnek yoksa sorun yok” diyen bir model olayı 21:02&#39;de bitmiş sayardı; “son değeri koru” diyen bir model 21:04&#39;e uzatırdı. İkisi de verinin söylemediği bir şeyi uydururdu. Benim yazdığım şu: kanıt 21:01:30&#39;da bitiyor, 21:01:45–21:04:00 arası <strong>bilinmiyor</strong>, toparlanma 21:04:15&#39;te. İlk sürümde bu kuyruğu “iki yolda da örnek yok” diye genelleştirmiştim; bağımsız yeniden ölçüm kısmi kapsamı gösterdi. Şimdi bir test dondurulmuş dışa aktarımı okuyup tablonun sekiz sınır anını karşılaştırıyor; metin ile veri ayrışırsa test kırılıyor.</p><p>Motora koyduğum ilk kural buradan çıktı: her kuralın üç cevabı var. Ateşledi, ateşlemedi ve <strong>bilinmiyor</strong>. Üçüncüsü panoda ve olay kaydında kendi rengiyle görünüyor; hiçbir koşulda “sağlıklı” sayılmıyor.</p><h3>5. Aynı alarm, zıt hikâyeler</h3><p>2 Eylül’ün dersi “dış yol düştüyse sorun yoldadır” gibi basit bir kurala indirgenebilirdi. Sonraki olaylar bunun neden yetmediğini gösterdi ve motorun asıl işini tanımladı.</p><p><strong>H3: 17 Eylül, 13:04–13:14 UTC.</strong> İki yol baştan ölçülüyordu. On dakika boyunca dış probların başarı oranı %6, iç probların %100&#39;dü (iki tarafta 168&#39;er örnek). Uygulamanın ad alanında 8 pod hazırdı, yeniden başlatma yoktu. Tek fark şuydu: olaydan 76 saniye önce, 13:02:44&#39;te, başka bir ad alanında yeni bir ReplicaSet oluşturulmuştu; ilgisiz bir uygulamanın yeni sürümüydü. “En son değişikliği suçla” refleksi burada yanlış yere götürürdü. Dağıtım başka bir ad alanındaydı ve iç yol boyunca her şey sağlamdı; eldeki kanıt dağıtımın <strong>aleyhineydi</strong>. Kök neden ev router’ındaydı: bağlantı izleme tablosu kilitlenmişti ve bu kez router günlüğü bunu gösterdi.</p><p><strong>H4: 23 Eylül, 07:59:52–08:04:55 UTC.</strong> Tersi. Ana sitede dış probların %5&#39;i, iç probların %12,5&#39;i başarılıydı; iki yol birlikte düşmüştü. Uygulamanın ad alanında 07:59:53&#39;te yeni bir sürüm oluşturulmuş, 08:03–08:08 arasında yeniden başlatmalar görülmüştü. Bu kez kanıt dağıtımın <strong>lehineydi</strong>: yeni bir başlangıç sondası isteği uygulamanın kendi erişim denetimine takılıyor, her deneme 403 alıyor, pod hazır olamıyordu. Değişiklik geri alındı, düzeltmeden sonra ikinci deneme olağan, yaklaşık 30 saniyelik bir kesintiyle geçti.</p><p>İki olay da aynı “site DOWN” bildirimiyle başladı. Birinde doğru karar “dağıtımı ele”, diğerinde “dağıtımı geri al”dı. Farkı alarmın adı değil, iç ve dış yolun birlikte okunması ve dağıtımın <strong>nerede</strong> olduğu belirledi. Bir motordan beklediğim de bu: dağıtımı hiç görmemek değil, onu aday listesine alıp elindeki kanıtla tartmak.</p><p>İki olay daha tabloyu tamamlıyor. <strong>H2 (9–11 Eylül)</strong>, CDN’in Avrupa’daki bir veri merkezindeki bakımdı: 30 saatte dış prob başarısı %97,1&#39;e indi (7.204 örnek), p95 süresi 1,94 saniyeden 2,27 saniyeye çıktı; iç problar hiç etkilenmedi. <strong>H5 (26 Eylül)</strong> ise dokuz saatlik boşluktu: izleme yığını da düğümlerle birlikte kapandığı için kümedeki hiçbir alarm bu olayı bildiremezdi. Kümenin içinde çalışan bir motor da göremez; “ben çalışıyor muyum?” sorusunun cevabı dışarıdan gelmeli.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*9_wnhjd37IzGYnlPxkkbqw.png" /><figcaption>Şekil 3 — Beş olay, altı pencere: 2 Eylül gecesindeki olay iki pencere verdi (H1, H1b). Başarı oranları çekirdek pencerede prob örneklerinden; sınıfın dayanağı parantezde.</figcaption></figure><h3>6. Beş olayla model eğitilmez</h3><p>Elimdeki etiketli olay sayısı beş, saklama süresi otuz gündü. Bu veriyle denetimli bir model eğitmeye kalksam ne eğitim ile test verisini ayırabilirdim ne de modelin neyi kaçırdığını sayabilirdim.</p><p>Beş örnekle eğitilen bir sınıflayıcı en fazla bu beş olayı ezberler.</p><p>Bu yüzden işi üç katmana böldüm ve veriden öğrenmeyi yalnız verinin taşıyabildiği yere koydum.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*97QRs35z1BHDQ6u9Vwdpzg.png" /><figcaption>Şekil 4 — Motorun üç katmanı. Veriden yalnız ikinci katman öğreniyor; üçüncü katmanın önerisi bana geliyor, motor onu uygulamıyor.</figcaption></figure><p>İlk katman sekiz kuraldan oluşuyor ve bilerek sıkıcı: telemetri kapsamı, dış erişilebilirlik, iç/dış ayrışması, dış gecikme, 5xx oranı, uygulama gecikmesi, CPU kısıtlaması, yeniden başlatma. Dış erişilebilirliğin iki dakikası mevcut “site DOWN” alarmıyla aynı; yenilik eşikte değil, “bilinmiyor” cevabında.</p><p>İkinci katman öğreniyor. Her sinyal için günün her saatinde en az on dört günlük geçmişin medyanını ve medyan mutlak sapmasını (MAD) çıkarıyor. Bir sinyalin sağlam z-puanı 4&#39;ü geçer, mutlak bir tabanı da aşar ve bu en az üç dakika sürerse ateşliyor. Günün o saati için yeterli geçmiş yoksa cevap yine “bilinmiyor”. Öğrenirken olay dakikalarını ve bilinen bir performans bozulması haftasını dışarıda bıraktım; olaylar bu yüzden örneklem dışında.</p><p>Geri test iki somut fark gösterdi. Gelen yol kopmalarında (H1, H1b, H3) dış prob süresi başlangıçtan 2,5 ile 5 dakika, istek hızı 7,5 ile 9 dakika sonra ateşliyor; CDN bakımında (H2) dış prob süresi 11 dakika sonra. Dağıtım kaynaklı H4&#39;ü öğrenen katman hiç görmüyor; onu kurallar ve dağıtım olayları yakalıyor. H5&#39;te metrik sinyallerinin hepsi “bilinmiyor”, yalnız log hacmindeki düşüş ateşliyor. Olay olmayan yirmi günü de tek tek sınadım; her günü, o gün hariç öğrenilmiş bir temel çizgiyle değerlendirdim. İstek hızı 24 saatte 0,10 kez, hata logları 0,15, log hacmi 1,25, dış prob süresi 1,40 kez ateşledi. Sessiz bir günde de sinyal var; hepsi olay değil. Onları ayıklamak üçüncü katmanın işi.</p><p>Uygulama gecikmesi sinyali ilk denemede normal günlerde 24 saatte 9,4 kez ateşledi. Düşük trafikte p95 oynak; birkaç yavaş istek eğriyi sıçratıyor. Tabanı 1 saniyeye, süreyi 5 dakikaya çıkarınca 0,50&#39;ye indi ve H2&#39;deki geç gecikme ateşlemesi korundu. Bu ayarı aynı veriye bakarak yaptım; başarı ölçümü değil, örneklem içi kalibrasyon. Bunu yazmadan geçersem, sonraki ölçümde karşıma çıkacak ilk sürpriz bu olur.</p><p>Üçüncü katman olayları birleştirip kök neden adaylarını sıralıyor. On dakika içinde ateşleyen gözlemler tek olay oluyor. Her kök neden sınıfının lehte ve aleyhte kanıt ağırlıkları var ve bir kanıt ailesi puana en çok bir oy veriyor; iç prob yoksa “gelen yol” adayı düşük güveni aşamıyor. Her adayın yanında bir runbook adımı var ama motor onu uygulamıyor, bana sunuyor. Ağırlıkları şimdilik ben yazıyorum ve bunu saklamıyorum. Yeterli sayıda bağımsız etiketli olay ve ayrı tutulmuş bir değerlendirme kümesi olduğunda bu tabloyu veriden öğrenen bir sıralayıcı ayrıca sınanabilir; beş olayla değil.</p><h3>7. Motor bu olaylara ne dedi?</h3><p>Kök neden katmanının kodu yazılmadan önce, ham veriye bakılmadan hazırlanıp dondurulmuş bir beklenen sonuç dosyası vardı. Hazırlayan, kodu yazan değildi (bölüm 8). Altı pencerenin (H1b ayrı sayıldı) altısında da ilk adayın sınıfı ve güven düzeyi bu dosyayla aynı çıktı. Altıda altı iyi görünüyor, ama bir doğruluk oranı değil. Sınav kâğıdını hazırlayan da cevapları yazan da aynı olayları okumuştu; örnek altı, ağırlıkları da bu olayları görmüş biri tanımladı.</p><p>Yine de puanlar, bölüm 5&#39;teki iki vakanın neden farklı sıralandığını gösteriyor. H3&#39;te 76 saniye önceki dağıtım aday listesine giriyor, ama iç yol sağlıklı olduğu için aleyhte kanıtla eksi iki puan alıyor; ilk aday artı beşle gelen yol. H4&#39;te uygulamanın kendi yeni sürümü, yeniden başlatmalar ve iç yolun da düşmesi dağıtımı artı beşle ilk sıraya koyuyor. H5&#39;te motor telemetri kaybını yüksek güvenle söylüyor ama nedenini, elektrik mi ağ mı toplayıcı mı, kümenin içinden ayıramıyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*1hHz-HltbIPPFQnXR83Pzw.png" /><figcaption>Şekil 5 — Aynı alarm, zıt sıralama. H3&#39;te dağıtım aleyhte kanıtla eksiye düşüyor, H4&#39;te lehte kanıtla ilk sıraya çıkıyor.</figcaption></figure><p>Mevcut alarmlar bunları zaten yakalamıyor muydu? Kısmen. Çok hedefli ayrışmayı Grafana’daki “Dış erişim yolu DOWN” kuralı da görüyor; motorun o olaylarda yaptığı iş tespit değil, yeniden üretim. Motorun ayırdığı yeni durumlar şunlar: tek hedefli kesintiler, dağıtım ve yeniden başlatmayla korelasyon (H3&#39;teki aleyhte, H4&#39;teki lehte kanıt) ve “veri yok” durumunu ayrı bir renk olarak göstermek. Mevcut alarmların bu olaylarda gerçekte ne zaman ateşlendiğini ise henüz okumadım; alarm geçmişine bakmadan “daha hızlı yakaladı” demek, eleştirdiğim tahmin hatasını tekrarlamak olur.</p><p>28 Eylül’den beri motor kümede yalnız okuyan kipte çalışıyor. Açılışta on beş günlük metrik ve log geçmişini yaklaşık 80 saniyede geri dolduruyor, sonra dakikada bir döngüyle çalışıyor. İlk beş saatte 277 döngü tamamladı; yeniden başlamadı, hiçbir döngüde bir kaynağı okuyamayıp eksik çalışmadı ve altı olay kaydı açtı. Üçü, dış probların CDN üzerinden giden yolda beş saniyeyi aştığı dakikalardı; iç yol normaldi. Bunlar serinin ikinci yazısında anlattığım yolun kendisi; motor onları düşük güvenle “gelen yol” adayına bağladı. Biri kısa bir log dalgasıydı (beş dakikada en az üç Information dışı kayıt; seviyelerin dağılımını ve içeriğini okumadım). Gerçek bir kesinti yaşanmadıkça bu sayılar yalnız bir soruyu cevaplıyor: sessiz bir günde yanlış alarm üretiyor mu?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*DrNjnaAaeEwTjONwRlbKIQ.png" /><figcaption>Şekil 6 — Kümede ilk beş saat (28 Eylül, UTC). Altı olay kaydının üçü CDN yolundaki gecikme, biri log dalgası, ikisi düşük trafikteki istek hızı gürültüsü.</figcaption></figure><p>İlk gün cevap “evet” oldu. Kalan iki olay kaydı öğleden sonraydı; ikisi de istek hızındaki birkaç dakikalık düşüştendi. Baktım: o saatte site dakikada yalnız birkaç istek alıyor. Öğrenilen normal saniyede 0,067 istek ve sapması sıfır, çünkü bu kadar küçük sayımlar her gün aynı değerlere oturuyor. Sapma sıfır olunca geriye tek bekçi olarak küçük bir mutlak taban kalıyordu; üç dakika üst üste bir-iki istek gelmesi alarm için yetiyordu. Gerçek bir düşüş değil, az sayının gürültüsüydü.</p><p>Düzeltmesi basit bir fikir: örnek azsa bakılan aralığı büyüt. İstek hızını artık dakika dakika değil, en az 25 istek beklenen bir pencerenin ortalamasıyla değerlendiriyorum; o saatte bu, dakikalık ızgarada yedi dakika (28 istek). Gürültünün ölçüsü de sayımın kendi doğasından geliyor. Aynı iki saatlik veriyi yeni kuralla yerelde yeniden oynattığımda alarm çıkmadı; kümedeki motor o sırada hâlâ eski kuralla çalışıyordu. Bedeli de var: geri testte bu sinyal gerçek kesintilerde yaklaşık beş dakika daha geç ateşliyor (H1 ve H3&#39;te 4 yerine 9, H1b’de 2,5 yerine 7,5 dakika), CDN bakımında hiç ateşlemiyor; o olayları dış prob süresi daha önce yakalıyor. Kök neden önerisinin canlıda doğru olup olmadığını ise bir sonraki gerçek olay gösterecek.</p><h3>8. Yapay zekâyla kurmak</h3><p>Motorun kodunu elle yazmadım. İki yapay zekâ kodlama ajanıyla, her adımı onaylayarak kurdum: Claude Code tasarımı ve kodu yazdı, Codex bağımsız inceledi. Bu düzeni seçerken aklımdaki kaygı basitti: bir modelin kendi çıktısını puanlaması, kendi sınavını kendisinin okuması gibi.</p><p>Plana gelmeden önce iki ajan aynı soruyu birbirinden habersiz araştırdı; ortak plana, aralarındaki dört gerçek ayrışmayı kanıtla kapatarak vardılar. Sonra birkaç kural koydum. Beklenen sonuç dosyalarını kodu yazmayan ajan, ham veriye bakmadan hazırladı: kurallar için dört olay ve sekiz kuraldan 32 beklenen sonuç, kök neden için altı pencere. Her kod değişikliği incelenen farkın SHA-256 özetiyle sabitlendi; incelemeden sonra fark bir bayt bile değiştiyse onay geçersiz sayıldı. Commit, kümede değişiklik ve yayın ise yalnız benim açık onayımla oldu.</p><p>İkinci ajan boş durmadı. Dışa aktarımdaki 716/715 çakışmasını o buldu, H1b kuyruğundaki genellemeyi o düzeltti. Kümede ilk gün ortaya çıkan iki hata ise ikisinin de gözünden kaçmıştı. Salt-okunur dosya sisteminde geçici dizin yazılamayınca veritabanının ilk büyük yazımı disk hatası verdi; bunu veritabanının geçici verisini bellekte tutarak çözdüm. Aynı anda ikinci bir kusur da göründü: veritabanı işlemi hatayla kendiliğinden kapanınca kodun ardından gönderdiği geri alma komutu kendi hatasını fırlatıyor, asıl hatanın üstünü örtüyordu. İkisini de canlı çalışma gösterdi. Geri alma kusurunu yine aynı düzen düzeltti: önce hatayı yeniden üreten bir test, sonra kod, sonra bağımsız inceleme.</p><p>Bu düzenin sınırı da belli. İnceleyen de bir model; bağımsızlığı farklı bir sağlayıcıdan ve ayrı bir bağlamdan geliyor, yanılmazlıktan değil. Olayların gerçekte ne olduğunu, hangi kanıtın yeterli sayılacağını ve kümeye neyin gideceğini ben belirledim. Yapay zekâya bıraktığım, o kararların arkasındaki işçilikti: sorgular, testler, kanıt defteri.</p><h3>9. Sınırlar ve sonraki adım</h3><p>Beş olay istatistik değildir. Tespit süresi, yanlış alarm oranı ve kök neden sıralamasının doğruluğu ancak kontrollü deneylerle ölçülebilir; ilk sayılar Kasım’daki yirmi koşudan gelecek. Kümenin içindeki bir gözlemci küme düştüğünde kör; dışarıda bir gözlem noktası gerekiyor (H5). Gelen yolun hangi halkasının koptuğunu yalnız router günlüğü söyleyebildi; günlüklerin merkezde toplanması da sırada (H1 ve H1b).</p><p>Bir de dil modeli meselesi var. Motor şu an kanıtı sıralıyor ama anlatmıyor. Olayı düz Türkçeyle özetleyen bir dil modeli katmanını bu hafta dar bir denemeyle sınayacağım: yalnız tekrar oynatma verisi ve izin verilen alanlar gidecek, her cümle bir kanıt kimliğine bağlanacak, kanıtsız cümle reddedilecek. Dil modelinin nerede karar verebildiğini ve nerede veremediğini serinin üçüncü yazısında anlatıyorum.</p><p>Kasım’daki ilk soru şu olacak: yirmi kontrollü arızanın kaçında motorun ilk adayı doğru sınıfı gösterdi? O sayı gelene kadar beş olaydan çıkardığım kural değişmiyor: ölçmediğin şeyi sağlıklı sayma, öğretmediğin şeyi de yapay zekâdan bekleme.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=5692894210cb" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Kurumsal Code Review’u Otomatikleştirmek: AI Destekli Kalite Kapısı 2]]></title>
            <link>https://medium.com/@bilalkose1is/kurumsal-code-reviewu-otomatikle%C5%9Ftirmek-ai-destekli-kalite-kap%C4%B1s%C4%B1-2-09b775364bf6?source=rss-ad289a26c4da------2</link>
            <guid isPermaLink="false">https://medium.com/p/09b775364bf6</guid>
            <dc:creator><![CDATA[Bilalkose]]></dc:creator>
            <pubDate>Mon, 05 Jan 2026 08:46:28 GMT</pubDate>
            <atom:updated>2026-01-05T08:46:28.025Z</atom:updated>
            <content:encoded><![CDATA[<p>Kurumsal yazılım dünyasında “kod kalitesi” çoğu zaman teoride konuşulur, pratikte ise ertelenir.<br> Sprint baskısı, teslim tarihleri ve “şimdilik böyle kalsın” yaklaşımı, yıllar içinde <strong>teknik borç dağları</strong> oluşturur.</p><p>Bu yazıda, <strong>gerçek kurumsal hayatta çok sık karşılaşılan</strong> hatalarla dolu bir .NET API örneğini ele alacağız ve:</p><ul><li>IDE seviyesinde <strong>AI destekli kod inceleme</strong> (Qodo / CodiumAI),</li><li>CI/CD seviyesinde <strong>AI tabanlı güvenlik analizi</strong> (DeepCode / Snyk Code),</li><li>ve nihai hakem olarak <strong>SonarQube Quality Gate</strong></li></ul><p>kullanarak bu kodu nasıl <strong>ölçülebilir şekilde iyileştirdiğimizi</strong> göstereceğiz.</p><blockquote><em>Bu bir “hello world” yazısı değil.<br> Bu yazı, gerçek projelerde karşılaşılan sorunları ve bunların modern çözümlerini anlatır.</em></blockquote><h3>Neden sadece klasik code review yeterli değil?</h3><p>Kurumsal ekiplerde klasik PR review süreci genelde şuna dönüşür:</p><ul><li>“Burada null check ekleyelim”</li><li>“Bu metot biraz uzun olmuş”</li><li>“Burası try-catch’e alınmalı”</li></ul><p>Ama şu sorular genelde <strong>kaçırılır</strong>:</p><ul><li>Bu kod <strong>SQL Injection’a açık mı?</strong></li><li>Sensitive data <strong>log’lanıyor mu?</strong></li><li>Bu endpoint <strong>yük altında memory patlatır mı?</strong></li><li>Exception detayları dış dünyaya sızıyor mu?</li><li>Teknik borç <strong>ölçülüyor mu</strong>, yoksa sadece hissediliyor mu?</li></ul><p>İşte AI destekli araçlar burada devreye giriyor.</p><h3>Senaryo: Gerçek hayattan bir “LegacyUserController”</h3><p>Aşağıdaki controller, <strong>bilerek</strong> kötü yazıldı.<br> Çünkü bu hatalar, büyük/orta ölçekli şirketlerde defalarca karşımıza çıkar.</p><h4>Bu sınıfta bilerek şunlar var:</h4><ul><li>Hard-coded connection string &amp; password</li><li>SQL Injection</li><li>Plain-text password kullanımı</li><li>Sensitive bilgilerin loglanması</li><li>Dispose edilmeyen DB connection’ları</li><li>Paging olmadan export</li><li>Password’un API response’unda dönmesi</li><li>Exception detaylarının kullanıcıya verilmesi</li></ul><h4><strong>LegacyUserController.cs</strong></h4><pre>[ApiController]<br>[Route(&quot;[controller]&quot;)]<br>public class LegacyUserController : ControllerBase<br>{<br>    // Kurumsalda en sık görülen hata<br>    private readonly string _connectionString =<br>        &quot;Server=10.0.0.5;Database=CorpDb;User Id=corp_user;Password=ReallySecret123;&quot;;<br><br>    private readonly ILogger&lt;LegacyUserController&gt;? _logger;<br><br>    public LegacyUserController() { }<br><br>    public LegacyUserController(ILogger&lt;LegacyUserController&gt; logger)<br>    {<br>        _logger = logger;<br>    }<br><br>    [HttpGet(&quot;login&quot;)]<br>    public IActionResult Login(string username, string password)<br>    {<br>        // SQL Injection<br>        string query =<br>            &quot;SELECT * FROM Users WHERE Username = &#39;&quot; + username + &quot;&#39; AND Password = &#39;&quot; + password + &quot;&#39;&quot;;<br><br>        SqlConnection conn = new SqlConnection(_connectionString);<br>        conn.Open();<br><br>        SqlCommand cmd = new SqlCommand(query, conn);<br><br>        try<br>        {<br>            var reader = cmd.ExecuteReader();<br><br>            if (reader.HasRows)<br>            {<br>                // Password loglanıyor<br>                _logger?.LogInformation(<br>                    &quot;User {Username} logged in with password {Password}&quot;,<br>                    username, password);<br><br>                return Ok(&quot;Login success&quot;);<br>            }<br><br>            return Unauthorized();<br>        }<br>        catch (Exception ex)<br>        {<br>            // Exception detayı client’a sızıyor<br>            return StatusCode(500, ex.ToString());<br>        }<br>        finally<br>        {<br>            // Dispose yok<br>            conn.Close();<br>        }<br>    }<br>}</pre><p>Bu kodu bir güvenlik ekibine gönderirseniz, toplantı iptal edilir. :)</p><h3>AI burada ne yapıyor? (Gerçek fayda)</h3><h4>1️⃣ Qodo (CodiumAI) — IDE içinde</h4><p>Bu sınıfı açıp Qodo’ya şu prompt’u verdiğinizde:</p><blockquote><em>“Bu controller’daki güvenlik açıklarını ve kurumsal best-practice ihlallerini listele”</em></blockquote><p>AI genelde şunları söyler:</p><ul><li>SQL Injection riski (string concatenation)</li><li>Hard-coded secret kullanımı</li><li>Password hashing/salting eksikliği</li><li>Sensitive data logging</li><li>Resource leak (SqlConnection dispose edilmemiş)</li><li>Validation ve DTO eksikliği</li></ul><p>Ve en güzeli:<br> <strong>“Bunu nasıl düzeltirsin?” sorusuna da kodla cevap verir.</strong></p><h4>2️⃣ AI destekli test üretimi (edge-case’ler)</h4><p>Aşağıdaki fonksiyon, iş kuralları içeren tipik bir “risk skoru” hesabı:</p><pre>[HttpPost(&quot;calculate-risk&quot;)]<br>public int CalculateRisk(int age, int income, int debt, bool hasCard)<br>{<br>    if (age &lt;= 18) return 0;<br>    if (income &lt;= 5000) return 10;<br>    if (debt &lt; 1000) return hasCard ? 100 : 80;<br>    return debt &lt; 5000 ? 50 : 20;<br>}</pre><p>Qodo/CodiumAI bu metod için <strong>şunları otomatik yakalar</strong>:</p><ul><li>Sınır değerler (18, 5000, 1000)</li><li>Negatif/absürt değerler</li><li>Davranışın değişmediğini garanti eden test senaryoları</li></ul><pre>[Theory]<br>[InlineData(18, 10000, 0, false, 0)]<br>[InlineData(25, 5000, 0, false, 10)]<br>[InlineData(30, 10000, 500, true, 100)]<br>[InlineData(40, 6000, 1000, true, 50)]<br>public void CalculateRisk_BoundaryCases(<br>    int age, int income, int debt, bool hasCard, int expected)<br>{<br>    var result = controller.CalculateRisk(age, income, debt, hasCard);<br>    Assert.Equal(expected, result);<br>}</pre><h4>3️⃣ SonarQube: “His değil, metrik”</h4><p>SonarQube burada <strong>hakemdir</strong>.<br> Tartışmaz, ölçer.</p><p>Bu legacy kod için tipik sonuçlar:</p><ul><li>❌ Security Hotspots: SQL Injection, Hard-coded credentials</li><li>❌ Code Smells: Exception handling, duplication, magic strings</li><li>❌ Maintainability Debt: yüksek</li><li>❌ Coverage: düşük</li><li>❌ Reliability: riskli</li></ul><p>Ve <strong>Quality Gate</strong> şunu söyler:</p><blockquote><em>“Bu kod merge edilemez.”</em></blockquote><p>Kurumsalda aradığımız şey tam olarak bu.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*qmIxEw3JfcVmQoDZ-aFLaQ.png" /></figure><h4>4️⃣ DeepCode (Snyk Code): Güvenlik odaklı AI</h4><p>Snyk Code, klasik lint’ten farklı olarak <strong>pattern bazlı</strong> çalışır.</p><p>Bu örnekte yakaladıkları:</p><ul><li>SQL Injection pattern</li><li>Credential exposure</li><li>Sensitive data leak</li><li>Exception message exposure</li></ul><p>Ve en kritik nokta:</p><blockquote><em>CI pipeline’ında bu issue’lar </em><strong><em>build’i fail ettirebilir</em></strong><em>.</em></blockquote><p>Yani:</p><blockquote><em>“Bu kod prod’a çıkamaz.”</em></blockquote><h3>Modern versiyon neden önemli?</h3><p>Bu yazının asıl gücü şurada:</p><ul><li>Önce <strong>gerçek hayattaki kötü kod</strong></li><li>Sonra <strong>AI’nin yakaladıkları</strong></li><li>Ardından <strong>SonarQube ile ölçülen iyileşme</strong></li></ul><p>Bir sonraki adımda bu sınıf:</p><ul><li>DTO + validation</li><li>Parametreli query / repository</li><li>Password hashing (PBKDF2 / BCrypt)</li><li>Proper logging</li><li>Async/await + await using</li><li>Streaming export</li><li>Global exception handling</li></ul><p>ile <strong>kurumsal standarda</strong> taşınır.</p><p>Ve SonarQube raporunda:</p><ul><li>Security hotspot sayısı ↓</li><li>Technical debt ↓</li><li>Coverage ↑</li><li>Maintainability ↑</li></ul><p>net şekilde görünür.</p><h4>Sonuç: AI code review = sihir değil, kaldıraç</h4><p>Bu araçlar:</p><ul><li>Seni <strong>daha iyi bir mimar</strong> yapmaz</li><li>Ama <strong>kötü kodu kaçırmanı zorlaştırır</strong></li><li>Review süresini kısaltır</li><li>Güvenliği erken aşamada yakalar</li><li>Kaliteyi <strong>ölçülebilir</strong> hale getirir</li></ul><p>Kurumsal dünyada fark yaratan şey budur.</p><blockquote><em>“Bu kod kötü” demek yerine<br> “Bu kod Quality Gate’i geçemedi” diyebilmek.</em></blockquote><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=09b775364bf6" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Kurumsal Code Review’u Otomatikleştirmek: AI Destekli Kalite Kapısı 1]]></title>
            <link>https://medium.com/@bilalkose1is/kurumsal-code-reviewu-otomatikle%C5%9Ftirmek-ai-destekli-kalite-kap%C4%B1s%C4%B1-1-b0e81007d3e9?source=rss-ad289a26c4da------2</link>
            <guid isPermaLink="false">https://medium.com/p/b0e81007d3e9</guid>
            <dc:creator><![CDATA[Bilalkose]]></dc:creator>
            <pubDate>Mon, 05 Jan 2026 08:37:53 GMT</pubDate>
            <atom:updated>2026-01-05T08:37:53.762Z</atom:updated>
            <content:encoded><![CDATA[<p>Kurumsal hayatta “kod inceleme” çoğu zaman şu iki uçta sıkışır:</p><ul><li>Ya sadece “gözle” yapılan PR review (hızlı ama kaçak çok),</li><li>Ya da sadece metrik/kurallara dayalı statik analiz (objektif ama bağlamı kaçırabiliyor).</li></ul><p>İyi haber şu: 2026 itibariyle bu ikisini birleştirip, <strong>AI destekli code review + otomatik kalite kapısı (quality gate)</strong> ile gerçekten sürdürülebilir bir standart kurmak mümkün.</p><p>Bu yazıda, <strong>SonarQube tarafından değerlendirilecek</strong> bir örnek proje hazırlayıp, üzerine:</p><ul><li><strong>Qodo (CodiumAI)</strong> ile IDE içinde AI destekli test üretimi &amp; refactor önerileri,</li><li><strong>DeepCode / Snyk Code</strong> ile AI tabanlı güvenlik ve kod kalite taraması</li></ul><p>entegrasyonunu kurumsal hayatta sık görülen hatalar üzerinden göstereceğim.</p><blockquote><em>Hedef: “Legacy kötü kod → AI destekli iyileştirme → SonarQube ile ölçülebilir kalite artışı”</em></blockquote><h3>Neden bu yaklaşım?</h3><p>Kurumsal sistemlerde en çok gördüğüm problemler:</p><ul><li><strong>Hard-coded secret</strong> (connection string / token / şifre)</li><li><strong>SQL injection</strong> (string birleştirme ile sorgu)</li><li><strong>Plain-text password</strong> (hash yok, salt yok)</li><li><strong>Exception detayını kullanıcıya basmak</strong></li><li><strong>Dispose edilmemiş connection/reader</strong> (resource leak)</li><li><strong>Paging olmadan export</strong> (memory/perf faciası)</li><li><strong>Sensitive datayı response’da dönmek</strong> (password gibi)</li></ul><p>Bunlar gerçek üretim hataları. Ve güzel tarafı: Hem SonarQube hem Snyk Code hem de AI eklentileri bunlara çok iyi tepki veriyor.</p><h3>Proje senaryosu: “LegacyUserController” ile bilinçli kötü örnek</h3><p>Aşağıdaki controller’ı <strong>bilerek problemli</strong> yazıyoruz. Çünkü amacımız: AI destekli review araçlarının neleri yakaladığını göstermek.</p><p><strong>LegacyUserController.cs </strong>(bilinçli kötü)</p><pre>using Microsoft.AspNetCore.Mvc;<br>using Microsoft.Extensions.Logging;<br>using System.Data.SqlClient;<br>using System.Text;<br><br>namespace AICodeReviewDemo.Controllers;<br><br>[ApiController]<br>[Route(&quot;[controller]&quot;)]<br>public class LegacyUserController : ControllerBase<br>{<br>    // ISSUE 1: Hard-coded connection string + secret<br>    private readonly string _connectionString =<br>        &quot;Server=10.0.0.5;Database=CorpDb;User Id=corp_user;Password=ReallySecret123;&quot;;<br><br>    // ISSUE 2: Logger optional, dependency injection karışık<br>    private readonly ILogger&lt;LegacyUserController&gt;? _logger;<br><br>    // Demo için parametresiz ctor da var (testler kullanıyor)<br>    public LegacyUserController() { }<br><br>    public LegacyUserController(ILogger&lt;LegacyUserController&gt; logger)<br>    {<br>        _logger = logger;<br>    }<br><br>    // -----------------------------------------------------------<br>    // LOGIN – En çok hata olan endpoint<br>    // -----------------------------------------------------------<br>    [HttpGet(&quot;login&quot;)]<br>    public IActionResult Login(string username, string password)<br>    {<br>        // ISSUE 3: Null/boş kontrolü yok, validation yok<br>        // ISSUE 4: SQL Injection (string concatenation)<br>        string query =<br>            &quot;SELECT TOP 1 * FROM Users WHERE Username = &#39;&quot; + username + &quot;&#39; AND Password = &#39;&quot; + password + &quot;&#39;&quot;;<br><br>        // ISSUE 5: using yok, manual connection yönetimi<br>        SqlConnection conn = new SqlConnection(_connectionString);<br>        conn.Open();<br><br>        SqlCommand cmd = new SqlCommand(query, conn);<br><br>        try<br>        {<br>            var reader = cmd.ExecuteReader();<br><br>            if (reader.HasRows)<br>            {<br>                // ISSUE 6: Sensitive data logging (şifre log’da)<br>                _logger?.LogInformation(&quot;User {Username} logged in with password {Password}&quot;, username, password);<br><br>                return Ok(&quot;Giriş Başarılı&quot;);<br>            }<br><br>            return Unauthorized(&quot;Kullanıcı adı veya şifre hatalı&quot;);<br>        }<br>        catch (Exception ex)<br>        {<br>            // ISSUE 8: Kullanıcıya tüm exception detayını dönme<br>            return StatusCode(500, &quot;Hata: &quot; + ex.ToString());<br>        }<br>        finally<br>        {<br>            // ISSUE 9: Dispose yok<br>            conn.Close();<br>        }<br>    }<br><br>    // -----------------------------------------------------------<br>    // REGISTER – Plain text şifre, duplicate validation, swallow<br>    // -----------------------------------------------------------<br>    [HttpPost(&quot;register&quot;)]<br>    public IActionResult Register(string username, string password, string email)<br>    {<br>        // ISSUE 10: Tekrarlayan primitive validation, model yok<br>        if (string.IsNullOrEmpty(username) || string.IsNullOrEmpty(password))<br>        {<br>            return BadRequest(&quot;Username and password are required&quot;);<br>        }<br><br>        // ISSUE 11: Plain text password, hashing/salting yok<br>        string insertSql =<br>            &quot;INSERT INTO Users (Username, Password, Email, CreatedAt) &quot; +<br>            &quot;VALUES (&#39;&quot; + username + &quot;&#39;, &#39;&quot; + password + &quot;&#39;, &#39;&quot; + email + &quot;&#39;, GETDATE())&quot;;<br><br>        SqlConnection conn = new SqlConnection(_connectionString);<br>        conn.Open();<br><br>        SqlCommand cmd = new SqlCommand(insertSql, conn);<br><br>        try<br>        {<br>            int rows = cmd.ExecuteNonQuery();<br>            if (rows == 1)<br>            {<br>                return Ok(&quot;Kullanıcı oluşturuldu&quot;);<br>            }<br><br>            return StatusCode(500, &quot;Unexpected row count&quot;);<br>        }<br>        catch<br>        {<br>            // ISSUE 13: Exception swallow – root cause kayıp<br>            return BadRequest(&quot;Kullanıcı oluşturulamadı&quot;);<br>        }<br>        finally<br>        {<br>            conn.Close();<br>        }<br>    }<br><br>    // -----------------------------------------------------------<br>    // PROFIL – Fazla bilgi dönen endpoint<br>    // -----------------------------------------------------------<br>    [HttpGet(&quot;profile&quot;)]<br>    public IActionResult GetProfile(string username)<br>    {<br>        // ISSUE 14: SQL injection tekrar<br>        string query = &quot;SELECT TOP 1 * FROM Users WHERE Username = &#39;&quot; + username + &quot;&#39;&quot;;<br><br>        SqlConnection conn = new SqlConnection(_connectionString);<br>        conn.Open();<br>        SqlCommand cmd = new SqlCommand(query, conn);<br><br>        try<br>        {<br>            var reader = cmd.ExecuteReader();<br>            if (!reader.Read())<br>                return NotFound();<br><br>            // ISSUE 16: Password gibi sensitive alanlar maskelenmiyor<br>            var user = new<br>            {<br>                Id = reader[&quot;Id&quot;],<br>                Username = reader[&quot;Username&quot;],<br>                Email = reader[&quot;Email&quot;],<br>                Password = reader[&quot;Password&quot;],   // &lt;-- kritik<br>                CreatedAt = reader[&quot;CreatedAt&quot;]<br>            };<br><br>            return Ok(user);<br>        }<br>        catch (Exception ex)<br>        {<br>            _logger?.LogError(ex, &quot;Profil getirilirken hata oluştu&quot;);<br>            return StatusCode(500, &quot;Profil alınamadı&quot;);<br>        }<br>        finally<br>        {<br>            conn.Close();<br>        }<br>    }<br><br>    // -----------------------------------------------------------<br>    // EXPORT – Memory/perf ve data correctness sorunlu<br>    // -----------------------------------------------------------<br>    [HttpGet(&quot;export&quot;)]<br>    public IActionResult ExportUsersToCsv()<br>    {<br>        // ISSUE 17: Paging yok, bütün tabloyu RAM’e çekiyor<br>        const string query = &quot;SELECT Id, Username, Email, CreatedAt FROM Users&quot;;<br><br>        SqlConnection conn = new SqlConnection(_connectionString);<br>        conn.Open();<br>        SqlCommand cmd = new SqlCommand(query, conn);<br><br>        var sb = new StringBuilder();<br>        sb.AppendLine(&quot;Id,Username,Email,CreatedAt&quot;);<br><br>        try<br>        {<br>            var reader = cmd.ExecuteReader();<br>            while (reader.Read())<br>            {<br>                // ISSUE 18: CSV escaping yok<br>                sb.Append(reader[&quot;Id&quot;]).Append(&#39;,&#39;)<br>                  .Append(reader[&quot;Username&quot;]).Append(&#39;,&#39;)<br>                  .Append(reader[&quot;Email&quot;]).Append(&#39;,&#39;)<br>                  .Append(reader[&quot;CreatedAt&quot;]).AppendLine();<br>            }<br>        }<br>        catch (Exception ex)<br>        {<br>            return StatusCode(500, &quot;Export failed: &quot; + ex.Message);<br>        }<br>        finally<br>        {<br>            conn.Close();<br>        }<br><br>        byte[] bytes = Encoding.UTF8.GetBytes(sb.ToString());<br>        return File(bytes, &quot;text/csv&quot;, &quot;users.csv&quot;);<br>    }<br><br>    // -----------------------------------------------------------<br>    // RISK CALC – AI test üretimi için güzel örnek<br>    // -----------------------------------------------------------<br>    [HttpPost(&quot;calculate-risk&quot;)]<br>    public int CalculateRisk(int age, int income, int debt, bool hasCard)<br>    {<br>        if (age &lt;= 18) return 0;<br>        if (income &lt;= 5000) return 10;<br>        if (debt &lt; 1000) return hasCard ? 100 : 80;<br>        return debt &lt; 5000 ? 50 : 20;<br>    }<br>}</pre><h3>“AI gerçekten işe yarıyor mu?” — Testlerle kanıtlayalım</h3><p>AI eklentilerinin en iyi olduğu yerlerden biri: <strong>sınır durumları yakalama</strong> ve <strong>anlamlı unit test üretimi</strong>.</p><p>Aşağıdaki test seti, CalculateRisk fonksiyonunun edge-case’lerini yakalıyor. (CodiumAI/Qodo burada çok iyi.)</p><h4>LegacyUserControllerTests.cs</h4><pre>using Xunit;<br><br>namespace AICodeReviewDemo.Controllers;<br><br>public class LegacyUserControllerTests<br>{<br>    private readonly LegacyUserController _controller;<br><br>    public LegacyUserControllerTests()<br>    {<br>        _controller = new LegacyUserController();<br>    }<br><br>    [Theory]<br>    [InlineData(17, 0, 0, false, 0)]          // 18 yaş altı<br>    [InlineData(18, 10000, 0, false, 0)]      // Tam sınır: 18<br>    [InlineData(19, 4000, 0, false, 10)]      // Düşük gelir<br>    [InlineData(25, 5000, 0, false, 10)]      // Tam sınır: 5000<br>    [InlineData(25, 6000, 6000, false, 20)]   // Yüksek borç<br>    [InlineData(25, 6000, 2000, false, 50)]   // Orta borç<br>    [InlineData(30, 10000, 500, false, 80)]   // Düşük borç, kartsız<br>    [InlineData(30, 10000, 500, true, 100)]   // Düşük borç, kartlı<br>    [InlineData(40, 6000, 999, true, 100)]    // Tam sınır: 999<br>    [InlineData(40, 6000, 1000, true, 50)]    // Tam sınır: 1000<br>    public void CalculateRisk_ReturnsCorrectScore(int age, int income, int debt, bool hasCard, int expectedScore)<br>    {<br>        var result = _controller.CalculateRisk(age, income, debt, hasCard);<br>        Assert.Equal(expectedScore, result);<br>    }<br><br>    // Gerçek DB yok; <br>    [Fact(Skip = &quot;Demo: gerçek veritabanı yok&quot;)]<br>    public void Login_Should_NotThrow_For_Any_Input()<br>    {<br>        var response = _controller.Login(&quot;test&quot;, &quot;pass&quot;);<br>        Assert.NotNull(response);<br>    }<br>}</pre><p>Bu test yaklaşımı iki şeyi sağlar:</p><ol><li><strong>Fonksiyon davranışını garantilersin</strong> (regression’a kalkan olur)</li><li>Refactor yapınca “davranışı bozdun mu?” anında yakalarsın</li></ol><h4>Araçlar: SonarQube, Qodo(CodiumAI), DeepCode(Snyk Code)</h4><p>Bu üçlü aslında farklı katmanlarda çalışır:</p><h4>1) SonarQube (Değerlendirme Motoru)</h4><ul><li>Coverage, code smell, duplication, maintainability</li><li>Security hotspots</li><li>Quality Gate (merge öncesi “geçti/geçmedi” kararı)</li></ul><h4>2) Qodo (CodiumAI) — IDE Katmanı</h4><ul><li>“Bu sınıfa test yaz” → anlamlı test şablonları</li><li>“Bu kodu refactor et” → daha okunur/maintainable öneriler</li><li>“PR review yap” → insan review’unu hızlandırır (ama replace etmez)</li></ul><h4>3) DeepCode / Snyk Code — AI Güvenlik Taraması</h4><ul><li>SQL injection gibi pattern’leri yakalama</li><li>Güvenlik odaklı statik analiz</li><li>CI’de fail edip kalitesiz kodu bloklama opsiyonu</li></ul><blockquote><em>Kısaca: Qodo seni hızlandırır, Snyk riskleri yakalar, Sonar ölçer ve kapıyı tutar.</em></blockquote><h3>En iyi demo akışı</h3><h4>Adım 1: Legacy kodu commit et</h4><p>Önce kötü halini repo’ya koy. “Başlangıç noktası” olsun.</p><h4>Adım 2: SonarQube’de kalite raporunu al</h4><p>SonarQube şunları çakar:</p><ul><li>Hard-coded secret → hotspot/issue</li><li>SQL injection → hotspot/bug</li><li>Exception handling → code smell</li><li>Resource management → bug/code smell</li><li>Maintainability debt → technical debt hesabı</li></ul><h4>Adım 3: Qodo/CodiumAI ile refactor önerileri + test üretimi</h4><p>Burada kullanabileceğin çok iyi prompt seti:</p><ul><li>“Bu controller’daki güvenlik açıklarını listele ve her biri için çözüm öner.”</li><li>“SQL Injection’ı parametreli query ile düzelt.”</li><li>“Connection string’i configuration’dan al, secrets yönetimine uygun hale getir.”</li><li>“Register için password hashing + salt öner, .NET standardına uygun yap.”</li><li>“Profile endpoint’inde sensitive datayı dönme; DTO ile map et.”</li><li>“Export endpoint’ini paging + streaming ile yeniden yaz.”</li></ul><h4>Adım 4: Snyk Code ile güvenlik taraması</h4><p>CI’da çalıştırıp rapor al.<br> Sunumda “AI security scan: şu pattern’leri yakaladı” diye net gösterirsin.</p><h4>Adım 5: Refactor edilmiş kodu commit et ve Sonar raporunda iyileşmeyi göster</h4><p>Asıl “wow effect” burası:<br> <strong>Önce/sonra</strong> teknik borç, hotspot sayısı, smell sayısı, coverage artışı.</p><h4>Kurumsal hayatta “gerçek” iyileştirme listesi (checklist)</h4><p>Bu demo kodu modern hale getirirken hedefler şunlar olmalı:</p><ul><li>Connection string / secret → environment/secret store</li><li>SQL → parametreli query veya ORM + repository pattern</li><li>Password → hash + salt (PBKDF2/BCrypt/Argon2)</li><li>Response → exception detail asla dışarı verilmez</li><li>Logging → PII/sensitive data maskeleme</li><li>DTO + validation (FluentValidation gibi)</li><li>using / await using ile doğru dispose</li><li>Export → paging + streaming, CSV escaping</li><li>Auth → JWT/MFA/lockout (demo seviyesinde bile öneri yazılır)</li></ul><h4>Sonuç: Bu yaklaşım gerçekten faydalı</h4><p>Bu 3 aracı birlikte kullandığında:</p><ul><li>PR review süren kısalır (Qodo)</li><li>Güvenlik açıklarını daha erken yakalarsın (Snyk Code)</li><li>Kod kalitesini ölçülebilir hale getirirsin (SonarQube)</li></ul><p>Ve en güzeli: “Ben böyle dedim” değil, <strong>metrikle</strong> konuşursun.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b0e81007d3e9" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Chaos Engineering: Netflix’in Chaos Monkey Prensipleri ile Dayanıklı Sistemler İnşa Etmek]]></title>
            <link>https://medium.com/@bilalkose1is/chaos-engineering-netflixin-chaos-monkey-prensipleri-ile-dayan%C4%B1kl%C4%B1-sistemler-i%CC%87n%C5%9Fa-etmek-67b4af8f108b?source=rss-ad289a26c4da------2</link>
            <guid isPermaLink="false">https://medium.com/p/67b4af8f108b</guid>
            <category><![CDATA[devops]]></category>
            <category><![CDATA[netflix]]></category>
            <category><![CDATA[sre]]></category>
            <category><![CDATA[chaos-engineering]]></category>
            <category><![CDATA[cloud-computing]]></category>
            <dc:creator><![CDATA[Bilalkose]]></dc:creator>
            <pubDate>Wed, 13 Aug 2025 15:06:40 GMT</pubDate>
            <atom:updated>2025-08-13T15:06:40.632Z</atom:updated>
            <content:encoded><![CDATA[<h3>🎯 Giriş: Kaos Neden Gerekli?</h3><p>Bir üretim ortamında <strong>her şeyin planlandığı gibi gitmesi</strong> nadiren olur. Ağ hataları, veri tabanı çöküşleri, API timeout’ları…<br> Geleneksel yazılım testleri, bu tür <strong>beklenmeyen, gerçek dünya felaketlerini</strong> çoğu zaman simüle etmez. İşte <strong>Chaos Engineering</strong> burada devreye girer.</p><p>Netflix’in efsanevi “Chaos Monkey” aracı, bu yaklaşımın ilk popüler örneğidir:</p><blockquote><strong><em>Amaç:</em></strong><em> Kontrollü bir şekilde sisteminize zarar vererek zayıf noktaları ortaya çıkarmak.</em></blockquote><h3>📜 Netflix ve Chaos Monkey Hikayesi</h3><p>2011 yılında Netflix mühendisleri, <strong>bulut altyapılarının</strong> her zaman güvenilir olmadığını fark etti.<br> AWS üzerinde çalışan mikroservislerin bazen <strong>beklenmedik şekilde</strong> kapanabileceğini gözlemlediler.<br> Bunun üzerine <strong>bilerek</strong> bu kapanmaları simüle eden bir araç geliştirdiler: <strong>Chaos Monkey</strong>.</p><p>Chaos Monkey’nin yaptığı şey basit ama etkiliydi:</p><ul><li>Rastgele çalışan sunucuları “öldürmek”</li><li>Servislerin <strong>dayanıklılığını ölçmek</strong></li><li>Sorunları <strong>önceden keşfetmek</strong></li></ul><figure><img alt="Şekil 1: Chaos Engineering uygulama sürecinin genel akışı." src="https://cdn-images-1.medium.com/max/1024/1*7WCEr8qBhlxQKdvG2qCqnA.png" /></figure><p><em>Şekil 1: Chaos Engineering uygulama sürecinin genel akışı.</em></p><h3>🧩 Chaos Engineering Manifestosu</h3><p>Netflix’in ortaya koyduğu <strong>Chaos Engineering Prensipleri</strong>:</p><ol><li><strong>Hipotez Oluştur</strong> → “Eğer X olursa sistem Y yapmalı.”</li><li><strong>Gerçek Ortamda Test Et</strong> → Staging değil, prod ortamda (dikkatli!)</li><li><strong>Otomatize Et</strong> → Manuel değil, sürekli test.</li><li><strong>Küçükten Başla</strong> → Önce küçük ölçekli hatalar, sonra büyüt.</li><li><strong>Ölç ve Öğren</strong> → Kaos deneyinden sonra veriyi analiz et.</li></ol><h3>🛠 Chaos Engineering Uygulama Adımları</h3><h4>1. Sistem Sağlığını Anlamak</h4><p>Önce <strong>“normal” sistem davranışını</strong> ölçersin. CPU, latency, hata oranı…</p><h4>2. Hipotez Belirlemek</h4><blockquote><em>“Eğer bir veri tabanı düğümü kapanırsa API 200ms’den fazla gecikmez.”</em></blockquote><h4>3. Kaos Deneyini Gerçekleştirmek</h4><p>Rastgele pod/sunucu durdurulur.</p><h4>4. Sonuçları Ölçmek</h4><p>Metrix: Prometheus, Grafana.</p><h4>5. Öğrenmek ve İyileştirmek</h4><p>Eksikleri gider, tekrar dene.</p><h3>💻 Chaos Monkey Benzeri Python Örneği</h3><pre>import random<br>import time<br>import os<br><br>services = [&quot;center-service&quot;, &quot;signature-service&quot;, &quot;envelope-service&quot;]<br><br>def kill_random_service():<br>    victim = random.choice(services)<br>    print(f&quot;[Chaos Monkey] Killing {victim}...&quot;)<br>    os.system(f&quot;kubectl delete pod -l app={victim}&quot;)<br><br>if __name__ == &quot;__main__&quot;:<br>    while True:<br>        time.sleep(random.randint(30, 120))<br>        kill_random_service()</pre><p>📌 Bu kod, Kubernetes’te rastgele servisleri “öldürür”.</p><blockquote><strong><em>Not:</em></strong><em> Sadece test ortamında çalıştırın!</em></blockquote><figure><img alt="Şekil 3: Chaos Monkey’nin rastgele servis kapatma iş akışı" src="https://cdn-images-1.medium.com/max/1024/1*TFVcjRxocWu6OH-g23qWrw.png" /></figure><p><em>Şekil 3: Chaos Monkey’nin rastgele servis kapatma iş akışı</em></p><h3>📊 Chaos Engineering Süreç Diyagramı</h3><figure><img alt="Şekil 2: Netflix Chaos Monkey’nin sistem mimarisine entegrasyonu." src="https://cdn-images-1.medium.com/max/1024/1*IHN4VWX1aMv0GkldyxGIoA.png" /></figure><p><em>Şekil 2: Netflix Chaos Monkey’nin sistem mimarisine entegrasyonu.</em></p><h3>🌐 Kubernetes Üzerinde Chaos Engineering</h3><p>Chaos Mesh veya LitmusChaos gibi araçlarla:</p><pre>kubectl apply -f pod-delete.yaml</pre><p>pod-delete.yaml örneği:</p><pre>apiVersion: chaos-mesh.org/v1alpha1<br>kind: PodChaos<br>metadata:<br>  name: random-pod-kill<br>spec:<br>  action: pod-kill<br>  mode: random<br>  selector:<br>    labelSelectors:<br>      &quot;app&quot;: &quot;streaming-service&quot;<br>  duration: &quot;30s&quot;</pre><h3>✅ Best Practices</h3><ul><li>Küçükten başla.</li><li>Metrix topla (Grafana, Prometheus).</li><li>Canlı ortamda <strong>izinli</strong> çalış.</li><li>Deneyden sonra <strong>post-mortem</strong> yap.</li></ul><p>❌ Anti-Patterns:</p><ul><li>Direkt prod’da büyük çaplı deney yapmak.</li><li>Ölçümsüz kaos deneyi.</li><li>Ekibin bilgilendirilmemesi.</li></ul><h3>🤖 AI Destekli Chaos Engineering</h3><p>Gelecekte <strong>yapay zeka</strong>, kaos senaryolarını otomatik üretecek ve risk seviyesine göre deneyleri optimize edecek.</p><h3>🎯 Sonuç</h3><p>Chaos Engineering, sistemlerin <strong>dayanıklılığını artırmak</strong> için bir zorunluluk haline geldi.<br> Netflix’in Chaos Monkey’si, bu felsefeyi dünyaya tanıttı ve bugün binlerce şirket uyguluyor.</p><blockquote><em>“Sistemin güçlü olması için ona zarar vermelisin.”</em></blockquote><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=67b4af8f108b" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Neden Docker + Nginx + Cloudflare + SSL?]]></title>
            <link>https://medium.com/@bilalkose1is/neden-docker-nginx-cloudflare-ssl-b17500658569?source=rss-ad289a26c4da------2</link>
            <guid isPermaLink="false">https://medium.com/p/b17500658569</guid>
            <category><![CDATA[ubuntu-server]]></category>
            <category><![CDATA[ssl]]></category>
            <category><![CDATA[cloudflare]]></category>
            <category><![CDATA[nginx]]></category>
            <category><![CDATA[docker]]></category>
            <dc:creator><![CDATA[Bilalkose]]></dc:creator>
            <pubDate>Thu, 19 Dec 2024 23:37:03 GMT</pubDate>
            <atom:updated>2024-12-19T23:37:03.823Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>Kısaca hedefimiz:</strong></p><ul><li><strong>Modern:</strong> 2024’te hâlâ trend olan “containerization” teknolojileri, projelerimizi daha taşınabilir ve yönetilebilir kılıyor.</li><li><strong>Güvenli:</strong> SSL (HTTPS) ile şifreli trafik sağlarken Cloudflare katmanı ile DDoS koruması, CDN hızlandırması ve basit DNS yönetimi elde ediyoruz.</li><li><strong>Esnek:</strong> Nginx gibi güçlü ve hafif bir web sunucusunu Docker konteynerinde çalıştırarak, yapılandırmayı basit, yedeklenebilir ve yönetilebilir bir hale getiriyoruz.</li></ul><p>Sonuç olarak: Docker’ın kolaylıkları, Nginx’in esnekliği, SSL’in güvenliği ve Cloudflare’in performans + güvenlik artıları birleşince projemiz üst düzey bir kaliteye ulaşabilir.</p><h3>Ön Gereksinimler</h3><ol><li><strong>Ubuntu Sunucu (2024 güncel sürümü):</strong> Örneğin Ubuntu 24.04 LTS kullanabilirsin.</li><li><strong>Docker ve Docker Compose kurulumu:</strong></li></ol><pre># Docker güncel kurulum<br>sudo apt update<br>sudo apt install -y ca-certificates curl gnupg<br>sudo mkdir -p /etc/apt/keyrings<br>curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /etc/apt/keyrings/docker.gpg<br>echo \<br>&quot;deb [arch=$(dpkg --print-architecture) signed-by=/etc/apt/keyrings/docker.gpg] \<br>https://download.docker.com/linux/ubuntu $(lsb_release -cs) stable&quot; | \<br>sudo tee /etc/apt/sources.list.d/docker.list &gt; /dev/null<br>sudo apt update<br>sudo apt install -y docker-ce docker-ce-cli containerd.io docker-buildx-plugin docker-compose-plugin</pre><p><strong>3. Domain &amp; Cloudflare Hesabı:</strong></p><ul><li>Projeni bir alan adına yönlendir. Örneğin: <a href="http://www.ornekproje.com/">www.ornekproje.com</a></li><li>DNS yönetimini Cloudflare üzerinden yap ve Cloudflare üzerinde bir hesap oluştur.</li></ul><p><strong>4. SSL Sertifikası:</strong></p><ul><li>Let’s Encrypt kullanacaksan Certbot veya benzeri araçlar kullanabilirsin. Ancak ben burada doğrudan Cloudflare ile SSL offloading yapmak veya Let’s Encrypt’i Nginx ile bütünleştirmek gibi senaryoları göstereceğim.</li></ul><h3>Adım Adım Kurulum ve Yapılandırma</h3><h3>1. Docker İçerisinde Nginx Çalıştırma</h3><p><strong>Basit bir Nginx container’ı çalıştıralım:</strong></p><pre>docker run --name nginx-test -p 80:80 -d nginx:latest</pre><p>Bu komut, yerel 80 portunu container içindeki 80 portuna yönlendirir. Şimdi tarayıcında sunucu IP’sine gittiğinde varsayılan Nginx sayfasını görebilirsin. Tabi henüz SSL yok, Cloudflare yok. Ama buradan başlayacağız.</p><h3>2. Nginx Konfigürasyon Dosyası Hazırlama</h3><p>Docker konteyneri içerisinde Nginx yapılandırmalarını yönetmek istiyoruz. Bunun için bir nginx.conf veya default.conf dosyası kullanacağız. Bu dosyayı host üzerinde oluşturup container içerisine mount ederek yönetimi kolaylaştırabiliriz.</p><p><strong>Örnek bir yapılandırma (default.conf):</strong></p><pre>server {<br>    listen 80;<br>    server_name www.ornekproje.com ornekproje.com;<br><br>    # HTTP gelen istekleri HTTPS&#39;e yönlendirelim<br>    return 301 https://$host$request_uri;<br>}<br><br>server {<br>    listen 443 ssl http2;<br>    server_name www.ornekproje.com ornekproje.com;<br><br>    # SSL sertifika dosyaları (Let&#39;s Encrypt veya Cloudflare Origin Certificates)<br>    ssl_certificate /etc/ssl/certs/ornekproje.pem;<br>    ssl_certificate_key /etc/ssl/private/ornekproje.key;<br>    ssl_protocols TLSv1.2 TLSv1.3;<br>    ssl_ciphers HIGH:!aNULL:!MD5;<br><br>    # Root klasörü veya proxy pass<br>    # Basit bir statik site örneği:<br>    root /usr/share/nginx/html;<br>    index index.html;<br><br>    location / {<br>        try_files $uri $uri/ =404;<br>    }<br>}</pre><p>Bu örnekte HTTP gelen tüm trafik HTTPS’e yönlendiriliyor. HTTPS için sunucuya sertifika ve key dosyalarını yerleştirmen gerekiyor. Bu sertifikaları host makinede tutup volume aracılığıyla konteynere verebilirsin.</p><h3>3. Let’s Encrypt ile Sertifika Oluşturma (İsteğe Bağlı)</h3><p>Let’s Encrypt sertifikası almak için sunucunda aşağıdaki gibi Certbot kullanabilirsin.</p><pre>sudo snap install core<br>sudo snap refresh core<br>sudo snap install --classic certbot<br><br>sudo ln -s /snap/bin/certbot /usr/bin/certbot<br><br># Sertifika almak için (DNS doğrulama, ya da direkt 80 portunu açarak HTTP doğrulama)<br>sudo certbot certonly --nginx -d www.ornekproje.com -d ornekproje.com</pre><p>Certbot başarılı olursa ornekproje.pem ve ornekproje.key gibi dosyalar /etc/letsencrypt/live/... altında oluşur. Bu dosyaları Docker konteynerine volume olarak ekleyebilirsin.</p><h3>4. Cloudflare Entegrasyonu</h3><p><strong>Neden Cloudflare?</strong></p><ul><li><strong>DNS Yönetimi:</strong> Domainini Cloudflare nameserver’larına yönlendir.</li><li><strong>CDN &amp; DDoS Koruması:</strong> Tüm istekler Cloudflare sunucularından geçer, iç network’ünü gizler.</li><li><strong>Ücretsiz SSL:</strong> Cloudflare “Flexible SSL” veya “Full (strict)” moduyla SSL sunar.</li></ul><p><strong>Adımlar:</strong></p><ol><li>Domaininin nameserver’larını Cloudflare’e yönlendir.</li><li>Cloudflare arayüzünde site ayarlarından SSL/TLS bölümüne git.</li><li>SSL modunu “Full (strict)” olarak ayarla (Bu durumda origin sunucuda geçerli bir SSL sertifikası olmalı).</li><li>Cloudflare’in Origin Server sekmesinden origin için bir SSL sertifikası üretip sunucuna koyabilirsin. Bu sertifika Let’s Encrypt yerine Cloudflare’den de alınabilir. Ardından Nginx konfigürasyonunda bu sertifikayı kullanırsın.</li></ol><p><strong>Cloudflare Origin Sertifikası Kullanımı:</strong><br> Cloudflare panelinden “Origin Certificates” oluşturduktan sonra .pem (sertifika) ve .key (private key) dosyalarını sunucuna indir. Sonra Nginx konfigürasyonunda bu dosyaları ssl_certificate ve ssl_certificate_key olarak göster.</p><h3>5. Docker Compose ile Her Şeyi Bir Araya Getirme</h3><p>Dağınık yapıdan kurtulmak ve hem Nginx’i hem de yapılandırma dosyalarını, SSL sertifikalarını tek bir docker-compose.yml ile yönetmek işimizi kolaylaştırır.</p><p><strong>docker-compose.yml örneği:</strong></p><pre>version: &#39;3.9&#39;<br>services:<br>  nginx:<br>    image: nginx:latest<br>    container_name: nginx-prod<br>    ports:<br>      - &quot;80:80&quot;<br>      - &quot;443:443&quot;<br>    volumes:<br>      - ./nginx/conf.d:/etc/nginx/conf.d<br>      - ./nginx/ssl:/etc/ssl<br>      - ./nginx/html:/usr/share/nginx/html<br>    restart: always<br>    environment:<br>      - TZ=Europe/Istanbul</pre><p>Bu örnekte:</p><ul><li>nginx/conf.d klasörüne senin hazırladığın default.conf dosyasını koy.</li><li>nginx/ssl klasörüne SSL sertifikalarını (.pem, .key) yerleştir.</li><li>nginx/html klasörüne index.html gibi statik dosyalarını ekle.</li></ul><p><strong>Uygulama:</strong></p><pre>docker compose up -d</pre><p>Bu sayede Nginx container’ı otomatik olarak HTTPS ile çalışacak, Cloudflare üzerinden gelen istekleri SSL ile karşılayacak. Cloudflare’de tüm trafik sana gelmeden önce CDN edge sunucuları üzerinden geçecek, böylece global ölçekte hız ve güvenlik avantajı elde edeceksin.</p><h3>Pratik Bir Örnek Senaryo</h3><ul><li><strong>Senaryo:</strong> DIY (Kendin Yap) bir blog projesi, WordPress veya statik site.</li><li><strong>Amaç:</strong> www.ornekproje.com adresinde içeriğini barındırmak istiyorsun.</li><li><strong>Adımlar:</strong></li></ul><ol><li>docker-compose.yml ve default.conf ayarlarını yaptıktan sonra docker compose up -d çalıştır.</li><li>Cloudflare panelinde DNS’ine A kaydı ekle: www.ornekproje.com -&gt; Sunucu IP Adresi.</li><li>SSL modunu Full (strict) yap.</li><li>Tarayıcıda https://www.ornekproje.com’a gittiğinde siteyi güvenli (kilit simgeli) ve Cloudflare üzerinden (CF-Cache başlıklarıyla) çalışır halde göreceksin.</li></ol><h3>Sık Karşılaşılan Sorunlar ve Çözümler</h3><ol><li><strong>Güvenli Değil Uyarısı:</strong></li></ol><ul><li>Sertifikan doğru konumda mı?</li><li>Cloudflare SSL modunu doğru seçtin mi?</li><li>DNS yönlendirmesi doğru mu?</li></ul><p><strong>2. Nginx Container’ı Başlamıyor:</strong></p><ul><li>Hata loglarına bak: docker logs nginx-prod</li><li>Nginx konfigürasyonunda syntax hatası var mı? nginx -t ile test edebilirsin (container içine girerek).</li></ul><p><strong>3. Performans Sorunları:</strong></p><ul><li>Cloudflare cache ayarlarını optimize et.</li><li>Nginx gzip, HTTP/2 gibi özelliklerini aktif et (varsayılan olarak HTTP/2 açık ise sorun yok, gzip için gzip on; direktifini ekleyebilirsin).</li></ul><p>Aşağıdaki basitleştirilmiş diyagramlar sizin için süreci görselleştirecek:</p><p><strong>Mimari Diyagram:</strong></p><pre>İnternet<br>           |<br>           v<br>     +-------------+<br>     |  Cloudflare |<br>     +------+------+<br>            |<br>            v<br>   +--------+----------+<br>   | Ubuntu Sunucu     |<br>   | Docker (Nginx)    |<br>   | SSL Sertifikaları |<br>   | Proje Dosyaları   |<br>   +-------------------+</pre><p><strong>Docker Compose Yapısı:</strong></p><pre>Proje Dizini<br> ├─ docker-compose.yml<br> ├─ nginx/<br> │   ├─ conf.d/<br> │   │  └─ default.conf<br> │   ├─ ssl/<br> │   │  ├─ ornekproje.pem<br> │   │  └─ ornekproje.key<br> │   └─ html/<br> │      └─ index.html<br> └─ ... diğer proje dosyaları</pre><p><strong>Cloudflare Ayarları (Panel Görseli — Temsili):</strong></p><pre>+------------------------------------------+<br>| Cloudflare Dashboard                     |<br>|                                          |<br>| Domain: www.ornekproje.com               |<br>| DNS: A record -&gt; www -&gt; Sunucu_IP        |<br>| SSL/TLS: Full (strict)                   |<br>| Security: Level Medium (DDoS Protection) |<br>| Speed: Caching Enabled                   |<br>+------------------------------------------+</pre><h3>Sonuç</h3><p>Bu rehberde sizlere 2024 güncel teknikleriyle Ubuntu sunucusunda Docker ile Nginx kurulumunu, SSL yapılandırmalarını, HTTPS yönlendirmelerini ve Cloudflare entegrasyonunu tek bir üst seviye mimaride nasıl birleştireceğini anlattım. Bu yöntemler, projenin güvenliğini ve performansını artırırken yönetilebilirliği de iyileştirir. Şimdi projeniz ölçeklenebilir, güvenli ve hızlı bir altyapıya sahip!</p><p><strong>Not:</strong> Her projede yapılandırmalarına göre ufak değişiklikler yapabilirsin. Önemli olan mantığı kavramak: Docker ile izole edilmiş, Nginx ile güçlü, Cloudflare ile hızlı ve güvenli bir web deneyimi oluşturmak.</p><p><strong>Bir sonraki makalede görüşmek üzere sağlıcakla kalın.</strong></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b17500658569" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Docker Üzerinde SonarQube Kurulumu Gitlab ve Jenkins Entegrasyonu]]></title>
            <link>https://medium.com/@bilalkose1is/docker-%C3%BCzerinde-sonarqube-kurulumu-gitlab-ve-jenkins-entegrasyonu-d5655a61aff5?source=rss-ad289a26c4da------2</link>
            <guid isPermaLink="false">https://medium.com/p/d5655a61aff5</guid>
            <category><![CDATA[docker]]></category>
            <category><![CDATA[sonarqube]]></category>
            <category><![CDATA[gitlab]]></category>
            <category><![CDATA[jenkins]]></category>
            <category><![CDATA[jenkinsfile]]></category>
            <dc:creator><![CDATA[Bilalkose]]></dc:creator>
            <pubDate>Thu, 19 Dec 2024 21:56:49 GMT</pubDate>
            <atom:updated>2024-12-19T21:56:49.855Z</atom:updated>
            <content:encoded><![CDATA[<p>Bu makalede Docker üzerinde SonarQube kurulumunu GitLab ve Jenkins entegrasyonunu adım adım, somut örneklerle ve grafiklerle açıkladım. Bu süreç, kod kalitesini sürekli izlemek ve otomatikleştirilmiş bir CI/CD (Continuous Integration/Continuous Deployment) hattı oluşturmak için önemlidir.</p><h3><strong>Docker Üzerinde SonarQube Kurulumu</strong></h3><p>SonarQube, kod kalitesi ve güvenliğini analiz eden açık kaynaklı bir platformdur. Docker kullanarak SonarQube’u hızlıca kurabiliriz.</p><p><strong>Adım 1: Docker Gereksinimlerini Kontrol Edin</strong></p><p>SonarQube, Docker Engine 20.10 ve üzeri sürümleri destekler. Ayrıca, sisteminizin aşağıdaki ayarları karşıladığından emin olun:</p><pre>sysctl -w vm.max_map_count=524288<br>sysctl -w fs.file-max=131072<br>ulimit -n 131072<br>ulimit -u 8192</pre><p><strong>Adım 2: Docker Volumeleri Oluşturun</strong></p><p>Veri kaybını önlemek için gerekli volumeleri oluşturun:</p><pre>docker volume create --name sonarqube_data<br>docker volume create --name sonarqube_logs<br>docker volume create --name sonarqube_extensions</pre><p><strong>Adım 3: SonarQube Docker Konteynerini Başlatın</strong></p><p>SonarQube’u başlatmak için aşağıdaki komutu kullanın:</p><pre>docker run -d --name sonarqube \<br>  -p 9000:9000 \<br>  -v sonarqube_data:/opt/sonarqube/data \<br>  -v sonarqube_logs:/opt/sonarqube/logs \<br>  -v sonarqube_extensions:/opt/sonarqube/extensions \<br>  sonarqube:latest</pre><p>Bu komut, SonarQube’u arka planda çalıştırır ve 9000 portunu kullanıma açar.</p><p><strong>Adım 4: SonarQube Arayüzüne Erişim</strong></p><p>Tarayıcınızdan http://localhost:9000 adresine giderek SonarQube arayüzüne erişebilirsiniz. Varsayılan kullanıcı adı ve şifre admin / admin&#39;dir.</p><h3><strong>Jenkins ve SonarQube Entegrasyonu</strong></h3><p><strong>Adım 1: SonarQube Üzerinde Token Oluşturma</strong></p><p>SonarQube arayüzünde My Account &gt; Security &gt; Generate Tokens yolunu izleyerek bir token oluşturun ve kaydedin.</p><p><strong>Adım 2: Jenkins Üzerinde SonarQube Eklentisini Kurma</strong></p><p>Jenkins arayüzünde Manage Jenkins &gt; Manage Plugins &gt; Available sekmesinde SonarQube Scanner eklentisini bulun ve yükleyin.</p><p><strong>Adım 3: SonarQube Sunucusunu Jenkins’e Ekleme</strong></p><p>Manage Jenkins &gt; Configure System &gt; SonarQube servers bölümünde Add SonarQube diyerek SonarQube sunucusunun bilgilerini ve oluşturduğunuz token&#39;ı girin.</p><p><strong>Adım 4: SonarQube Scanner’ı Tanımlama</strong></p><p>SonarQube Scanner, projelerinizi analiz etmenizi sağlayan bir aracın adıdır. Jenkins üzerinde bunu tanımlamak için şu adımları izleyin:</p><p><strong>a. Jenkins Ayarlarına Erişim</strong></p><ul><li>Jenkins arayüzünde <strong>Manage Jenkins</strong> &gt; <strong>Global Tool Configuration</strong> bölümüne gidin.</li></ul><p><strong>b. SonarQube Scanner Ekleme</strong></p><ul><li>Aşağıya doğru kaydırın ve <strong>SonarQube Scanner</strong> bölümünü bulun.</li><li><strong>SonarQube Scanner</strong> eklemek için “Add SonarQube Scanner” seçeneğine tıklayın.</li><li>Bir isim verin (örneğin, “SonarQube Scanner”) ve eğer gerekliyse “Install Automatically” kutusunu işaretleyin.</li><li>Güncel yapılandırmayı kaydedin.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*5t47RHZZ7yneBN1a_a6s3g.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*8Sy_s_NqD1idcx3P6DSZjg.png" /></figure><h3><strong>Jenkins Pipeline’da SonarQube Kullanımı</strong></h3><p>Artık Jenkins pipeline dosyasını oluşturarak SonarQube entegrasyonunu sağlayabiliriz. Pipeline, “Jenkinsfile” adıyla projenizin kök dizinine yerleştirilir.</p><p><strong>Örnek Jenkinsfile</strong></p><pre>node {<br>  stage(&#39;SCM&#39;) {<br>    checkout scm<br>  }<br>  stage(&#39;SonarQube Analysis&#39;) {<br>    def scannerHome = tool &#39;SonarScanner for MSBuild&#39;<br>    withSonarQubeEnv(&#39;My SonarQube Server&#39;) {<br>      sh &quot;dotnet ${scannerHome}/SonarScanner.MSBuild.dll begin /k:\&quot;root_test-web-app_testestestL-\&quot; /d:sonar.cs.opencover.reportsPaths=\&quot;/var/jenkins_home/workspace/website-sonarqube/netcoretestwebsite.test/TestResults/coverage.opencover.xml\&quot; /d:sonar.exclusions=\&quot;**/*.js,**/*.css\&quot; /d:sonar.coverage.exclusions=\&quot;**/*Tests*.cs,**/*.g.cs,**/*.js,**/*.css\&quot;&quot;<br>      sh &quot;dotnet build&quot;<br>       sh &quot;dotnet test netcoretestwebsite.test/netcoretestwebsite.test.csproj /p:CollectCoverage=true /p:CoverletOutputFormat=opencover /p:CoverletOutput=./TestResults/&quot;<br>      sh &quot;dotnet ${scannerHome}/SonarScanner.MSBuild.dll end&quot;<br>    }<br>  }<br>}</pre><p><strong>Açıklamalar:</strong></p><ul><li>dotnet build: Projeyi .NET kullanarak derliyor.</li><li>withSonarQubeEnv: SonarQube sunucusunu tanımlıyor ve belirli bir sunucu ortamına bu değişkenleri yüklüyor.</li><li>dotnet sonarscanner begin / end: Kodun analiz edilmesi için gerekli komutları çalıştırıyor.</li></ul><p><strong>GitLab ve Jenkins Entegrasyonu</strong></p><p>Son olarak, GitLab’daki değişiklikleri Jenkins’in algılamasını sağlamak için bir webhook kurmamız gerekiyor.</p><p><strong>Adım 1: GitLab Webhook Ekleme</strong></p><ol><li>GitLab projenizin ayarlarına gidin.</li><li><strong>Settings</strong> &gt; <strong>Webhooks</strong> bölümünü bulun.</li><li><strong>URL</strong> alanına Jenkins URL’sini (<a href="http://localhost:8080/gitlab-webhook">http://localhost:8080/gitlab-webhook</a>) ekleyin.</li><li><strong>Trigger</strong> olarak “Push Events” ve “Merge Request Events” seçin.</li><li><strong>Add Webhook</strong> butonuna tıklayın.</li></ol><p><strong>Adım 2: Jenkins GitLab Plugin Ayarları</strong></p><ol><li>Jenkins ana menüsünden <strong>Manage Jenkins</strong> &gt; <strong>Manage Plugins</strong> &gt; <strong>Available</strong> sekmesine gidin.</li><li>“GitLab Plugin” eklentisini bulun ve yükleyin.</li></ol><p><strong>Adım 3: Pipeline’ın Otomatik Tetiklenmesi</strong></p><ul><li>GitLab’da bir değişiklik yapıldığında Jenkins bu webhook’u algılayarak pipeline’ı otomatik tetikleyecektir.</li></ul><p>Artık Gitlab’a gönderdiğiniz ve Jenkins tarafından tetiklenen pipeline ile kodlarınızın detaylı analizlerini SonarQube de görebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Hn7hzvkBvVp2IUauAQtf1g.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*1hc35fv3HLlpMelpZ4UHcA.png" /></figure><p><strong>Grafikler ve Şema</strong></p><ol><li><strong>Genel Entegrasyon Şeması</strong></li></ol><pre>Developer ---push---&gt; GitLab Repo ---webhook---&gt; Jenkins ---pipeline---&gt; SonarQube</pre><ol><li><strong>Docker Konteyner Yapısı</strong></li></ol><pre>|--------------------|    |--------------------|    |--------------------|  <br>|      GitLab        | &lt;--&gt;|      Jenkins       | &lt;--&gt;|    SonarQube       |<br>|--------------------|    |--------------------|    |--------------------|</pre><p><strong>Sonraki Adımlar</strong></p><ul><li><strong>Paralel Pipeline’lar</strong>: Pipeline’ızı paralel yürütmek için paralel yapılar ekleyebilirsiniz.</li><li><strong>Unit Test Entegrasyonu</strong>: SonarQube’un, birim test kapsamını görüntülemesi için Unit Test Raporlarını entegre edebilirsiniz.(Jenkinsfile örneğinde mevcut)</li><li><strong>Jenkins Agent’ları</strong>: Docker içinde çalışan Jenkins agent’ları oluşturabilirsiniz.</li></ul><p>Bu rehberle birlikte Docker, Jenkins, GitLab ve SonarQube’un nasıl entegre edileceğini detaylı bir şekilde öğrendik. Pipeline, kod kalitesinin izlenmesini, sürecin otomatize edilmesini ve projelerin daha hızlı teslim edilmesini sağlar. Bu yapıyı kurduktan sonra CI/CD süreçlerinizi daha verimli hale getirebilirsiniz.</p><p><strong>Bir sonraki makalede görüşmek üzere sağlıcakla kalın.</strong></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d5655a61aff5" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Süreç Çerçeveleri ve Proje Başarısı]]></title>
            <link>https://medium.com/@bilalkose1is/s%C3%BCre%C3%A7-%C3%A7er%C3%A7eveleri-ve-proje-ba%C5%9Far%C4%B1s%C4%B1-c34bbe1f2906?source=rss-ad289a26c4da------2</link>
            <guid isPermaLink="false">https://medium.com/p/c34bbe1f2906</guid>
            <category><![CDATA[süreç-yönetimi]]></category>
            <category><![CDATA[pmi]]></category>
            <category><![CDATA[süreç-iyileştirme]]></category>
            <category><![CDATA[pmp]]></category>
            <category><![CDATA[process-improvement]]></category>
            <dc:creator><![CDATA[Bilalkose]]></dc:creator>
            <pubDate>Thu, 19 Dec 2024 21:04:05 GMT</pubDate>
            <atom:updated>2024-12-19T21:04:05.898Z</atom:updated>
            <content:encoded><![CDATA[<p>2024 yılı itibarıyla yazılım projeleri; çok uluslu, dağıtık ekipler, yapay zekâ tabanlı araçlar, sık değişen regülasyonlar, hızla dönüşen müşteri beklentileri ve karmaşık teknoloji yığınlarıyla (tech stack) iç içe. <strong>Peki, bu karmaşıklık içinde projeleri nasıl tutarlı, etkin ve risksiz yönetebiliriz?</strong> Cevaplardan biri, PMP (Project Management Professional) standartlarında sıkça vurgulanan “süreç çerçeveleri”nden geçiyor.</p><p><strong>PMP Perspektifi:</strong><br>PMI (Project Management Institute), süreç çerçevesini proje yaşam döngüsünü oluşturan planlama, yürütme, izleme-kontrol ve kapanış gibi süreç gruplarının tutarlı bir şekilde uygulanması olarak tanımlar. Bu çerçeve, risklerin proaktif tespiti, yönetimi ve izlenmesini sağlar.</p><p><strong>Akademik Bakış:</strong><br>Harvard Business School’da yayınlanan bir çalışma (Kaynak: Donovan, K. &amp; Chen, L. (2023). <em>“Adaptive Process Frameworks in Software Project Risk Management” — HBS Working Papers</em>) iyi tanımlanmış süreç çerçevelerinin, risk yönetimi verimliliğini %25’e kadar artırdığını ortaya koyuyor. Bu, daha az hata, daha az bütçe aşımı ve daha mutlu paydaşlar anlamına geliyor.</p><h3>Süreç Çerçevesi Nedir ve Neden Önemlidir?</h3><p>Bir “süreç çerçevesi”, projenin başlangıcından kapanışına kadar uygulanacak aşamaları, bu aşamalarda kullanılacak araçları, teknikleri ve metrikleri tanımlar. Özellikle yazılım firmalarında:</p><ul><li><strong>Standartlaştırma:</strong> Her ekip üyesi, hangi aşamada ne yapacağını, hangi risk değerlendirme yöntemlerini kullanacağını önceden bilir.</li><li><strong>Öngörülebilirlik:</strong> Net süreçler, riskleri erkenden tespit etmeyi ve ilgili aksiyonları hızla almayı kolaylaştırır.</li><li><strong>Uyumluluk ve Süreklilik:</strong> Regülasyon değişiklikleri veya müşteri gereksinimlerindeki dalgalanmalar, tanımlanmış süreç adımları sayesinde daha kontrollü bir şekilde yönetilir.</li></ul><p><strong>2024 Örneği:</strong><br>Dağıtık bir yazılım ekibi düşünelim: ABD, Almanya ve Türkiye’den geliştiriciler aynı projede çalışıyor. Süreç çerçevesi olmadan belirsizlikler ve riskler hızla katlanır. Ancak standart bir süreç çerçevesi, her sprint öncesi risk değerlendirme toplantıları, her release öncesi otomatik test aşamaları veya her proje aşamasında düzenli kalite ve güvenlik kontrolleri tanımlayabilir. Böylece kültürel, dil ve zaman dilimi farkları, riskleri artırmak yerine yönetilebilir hale gelir.</p><h3>PMP Standartlarına Göre Süreç Grupları ve Risk Yönetimi</h3><p>PMBOK® Guide (Project Management Body of Knowledge) süreç gruplarını şöyle tanımlar:</p><ol><li><strong>Başlatma (Initiating)</strong></li><li><strong>Planlama (Planning)</strong></li><li><strong>Yürütme (Executing)</strong></li><li><strong>İzleme ve Kontrol (Monitoring and Controlling)</strong></li><li><strong>Kapanış (Closing)</strong></li></ol><p><strong>Risk Yönetimi Açısından:</strong></p><ul><li><strong>Başlatma:</strong> Proje charter’ı hazırlanırken belirsizlikleri ve riskleri öngörmek.</li><li><strong>Planlama:</strong> Risk yönetim planını geliştirmek, olasılık-etki matrisleri oluşturmak, olası risk yanıt stratejilerini belirlemek.</li><li><strong>Yürütme:</strong> Belirlenen süreçleri takip ederken ortaya çıkan risklere karşı hızla reaksiyon almak.</li><li><strong>İzleme ve Kontrol:</strong> Sürekli risk gözden geçirmeleri, test otomasyon raporları, güvenlik denetimleri ve performans izleme.</li><li><strong>Kapanış:</strong> Risk değerlendirmesinden öğrenilen dersleri kaydetmek, bir sonraki projede süreç çerçevesini iyileştirmek.</li></ul><h3>Gerçek Dünyadan Güncel Örnekler (2024)</h3><ol><li><strong>Regülasyon Değişiklikleri (AB Dijital Hizmetler Yasası):</strong><br>Yeni bir veri koruma yasası yürürlüğe girdiğinde, iyi tanımlanmış bir süreç çerçevesi, risk yönetim ekibinin bu güncellemeleri süreç planlarına entegre etmesini sağlar. Örneğin, her proje aşamasında verilerin anonimleştirilmesi veya izin formlarının güncellenmesi gibi adımlar süreçte tanımlıdır.</li><li><strong>Yapay Zeka Tabanlı Test Araçları:</strong><br>2024’te birçok yazılım firması yapay zekâ destekli otomatik test araçları kullanıyor. Bu araçlar, her kod değişikliği sonrası potansiyel riskleri (performans düşüşü, güvenlik açığı, UI uyumsuzluğu) raporlar. Tanımlanmış süreç çerçevesi, bu test sonuçlarının nasıl değerlendirileceğini, kimlerin sorumlu olduğunu ve hangi adımların atılacağını net olarak belirtir.</li><li><strong>Bulut Maliyetleri ve Ölçeklendirme Riskleri:</strong><br>Bulut sağlayıcınızın fiyat politikası değiştiğinde, süreç çerçeveniz bu değişikliği risk yönetim planına entegre eder. Örneğin, her sprint sonu maliyet raporlaması, hangi parametrelerin izleneceği, hangi risk eşiklerinin aşıldığında uyarı verileceği önceden tanımlanmıştır.</li></ol><h3>Görsel Öğelerle Süreç Çerçevesi ve Risk Yönetimi</h3><p><strong>1. Süreç Çerçevesi Diyagramı (ASCII Temsil)</strong></p><pre>Başlatma ---&gt; Planlama ---&gt; Yürütme ---&gt; İzleme &amp; Kontrol ---&gt; Kapanış<br>       |           |           |               |                  |<br>       v           v           v               v                  v<br>   Risk Tanımı  Risk Analizi  Risk Yanıtları   Sürekli İzleme  Ders Çıkarma</pre><p>Bu diyagramın profesyonel versiyonunu, proje yönetim aracınızda renkli ikonlar (büyüteç sembolü risk analizi için, kalkış sembolü başlatma için, bayrak sembolü kapanış için) kullanarak görselleştirebilirsiniz.</p><p><strong>2. Infografik: “Süreç Çerçevesi ile Proaktif Risk Yönetimi”</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*SR1XPa0rRBt7IdjB" /></figure><ul><li><strong>Adım 1:</strong> Süreçleri Standartlaştır (Şablonlar, araçlar)</li><li><strong>Adım 2:</strong> Riskleri Sürecin Erken Aşamalarında Ele Al</li><li><strong>Adım 3:</strong> Otomasyon İle Sürekli Takip Sağla (CI/CD, otomatik test, statik kod analizi)</li><li><strong>Adım 4:</strong> Düzenli İzleme Toplantıları Yap (Haftalık risk check-in toplantısı)</li><li><strong>Adım 5:</strong> İyileştirme İçin Geri Bildirim Döngüleri Oluştur (Retrospektifler)</li></ul><p>Bu infografik Slack kanalında veya Confluence sayfanızda sabitlenebilir.</p><p><strong>3. Ekran Görüntüsü Önerisi:</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*p1Gkf8HRXq2TFDcT" /></figure><ul><li>Bir Jira panosunda “Process &amp; Risk Dashboard”:</li><li>“Risk Kayıt Listesi” (Risk ID, Olasılık, Etki, Yanıt Stratejisi)</li><li>“Süreç Uygunluk Oranı”: %90</li><li>“Kritik Risklere Ortalama Yanıt Süresi”: 8 saat → Hedef: 4 saat</li><li>“Regülasyon Uyum Testi Sonuçları”: Geçti</li></ul><p>Bu tür bir pano, ekibin süreç çerçevesini ne kadar etkin uyguladığını ve risklerle nasıl başa çıktığını anında gösterir.</p><h3>Akademik ve Endüstri Referansları</h3><p><strong>Akademik:</strong><br>Donovan &amp; Chen (2023), süreç çerçevelerinin, dağınık bilgi akışını standardize ederek riskleri azaltmada anahtar rol oynadığını vurgular. MIT Sloan Management Review’da yayınlanan bir makale (Lee, R. &amp; Park, Y. (2022). <em>“Process Formalization and Software Risk Mitigation”</em>) formal süreçlerin risk yönetiminde %30 daha iyi sonuçlar verdiğini belirtir.</p><p><strong>Endüstri:</strong></p><ul><li><strong>Google:</strong> İş süreçlerini “SRE (Site Reliability Engineering)” prensipleri ile tanımlayarak altyapı risklerini proaktif yönetiyor.</li><li><strong>Microsoft:</strong> Tüm ürün geliştirme döngüsünü Azure DevOps süreciyle standardize ederek, riskli değişiklikleri feature flag’ler ile kontrollü bir şekilde canlı ortama taşıyor.</li><li><strong>Türk Girişimleri:</strong> İstanbul merkezli bir SaaS firması, ISO 9001 tabanlı süreç çerçevesiyle, düzenli risk değerlendirme toplantılarını zorunlu hale getirerek müşteri memnuniyetini %15 artırdı.</li></ul><h3>Kültür Boyutu ve Sürekli İyileştirme</h3><p>Süreç çerçevesi ve risk yönetimi sadece teknik adımlar değil, aynı zamanda bir kültür meselesidir.</p><ul><li><strong>Eğitim:</strong> PMP tabanlı süreç eğitimi, risk yönetimi atölyeleri.</li><li><strong>Motivasyon:</strong> Sürece uyum sağlayan, erken risk tespit eden ekip üyelerine teşekkür ve ödül mekanizması.</li><li><strong>Geri Besleme Döngüsü:</strong> Her proje veya sprint sonunda süreç çerçevesine dair retrospektif, nelerin daha iyi yapılabileceğine dair aktif tartışmalar.</li></ul><p><strong>Bir sonraki makalede görüşmek üzere sağlıcakla kalın.</strong></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c34bbe1f2906" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Kalite Yönetiminin 2024’teki Önemi]]></title>
            <link>https://medium.com/@bilalkose1is/kalite-y%C3%B6netiminin-2024teki-%C3%B6nemi-0810968eb2b5?source=rss-ad289a26c4da------2</link>
            <guid isPermaLink="false">https://medium.com/p/0810968eb2b5</guid>
            <category><![CDATA[kalite-yönetim-sistemi]]></category>
            <category><![CDATA[pmi]]></category>
            <category><![CDATA[kalite-yönetimi]]></category>
            <category><![CDATA[pmp]]></category>
            <category><![CDATA[quality-management]]></category>
            <dc:creator><![CDATA[Bilalkose]]></dc:creator>
            <pubDate>Wed, 18 Dec 2024 21:54:23 GMT</pubDate>
            <atom:updated>2024-12-18T21:54:23.681Z</atom:updated>
            <content:encoded><![CDATA[<p>2024 yılındayız: Yapay zekâ tabanlı araçlar, DevOps yaklaşımları, mikroservis mimarileri ve uzaktan çalışan, çok uluslu ekipler yazılım dünyasının normu haline geldi. Pazar, “daha hızlı teslimat” kadar “daha yüksek kalite” beklentisiyle de şekilleniyor. <strong>Müşteriler artık sadece hızla değil, aynı zamanda güvenilirlik ve güvenlikten ödün vermeden hedefe ulaşılmasını istiyor.</strong></p><p>PMP standartlarını tanımlayan Project Management Body of Knowledge (PMBOK® Guide — Seventh Edition), kaliteyi hem ürünün hem de sürecin ayrılmaz bir parçası olarak konumlandırır. Akademik tarafta ise Harvard Business Review’da yayınlanan son bir makale (Kaynak: Johnson, R. &amp; Wang, T. (2023). <em>“Holistic Quality Approaches in Agile Software Environments” — HBR Special Report</em>) yüksek kaliteli yazılımların hem müşteri memnuniyetini artırdığını hem de uzun vadede maliyeti düşürdüğünü vurgular.</p><p>Kısacası, kalite yönetimi, hızla değişen yazılım dünyasında sürdürülebilir başarının anahtarlarından biridir.</p><h3>Kalite Yönetiminin Temel Bileşenleri</h3><p><strong>PMP Perspektifi:</strong><br>PMBOK® Guide, kalite yönetimini üç ana süreçte ele alır:</p><ol><li><strong>Kalite Planlama (Plan Quality Management):</strong> Kalite standartlarının belirlenmesi.</li><li><strong>Kalite Yönetiminin Uygulanması (Manage Quality):</strong> Süreçlerin iyileştirilmesi, kalite standartlarının entegre edilmesi.</li><li><strong>Kalite Kontrolü (Control Quality):</strong> Üretilen çıktının belirlenen standartlara uygunluğunun doğrulanması.</li></ol><p><strong>2024 Örnekleri (Yazılım Odaklı):</strong></p><ul><li><strong>Kalite Planlama:</strong> Regülasyonlara (örneğin AB Dijital Hizmetler Yasası), ISO 9001 kalite yönetimi standartlarına veya iç şirket kalite kriterlerine göre hedefler koymak.</li><li><strong>Kalite Yönetiminin Uygulanması:</strong> DevOps pipeline’ına otomatik kod kalite analiz araçlarının (SonarQube, ESLint, CodeQL) entegre edilmesi.</li><li><strong>Kalite Kontrolü:</strong> Sürekli entegrasyon sürecinde her bir commit sonrası otomatik testler ve statik kod analizi yaparak hataları erkenden yakalamak.</li></ul><h3>Neden Kalite Yönetimi?</h3><p><strong>Stratejik Avantajlar:</strong></p><ul><li><strong>Müşteri Memnuniyeti:</strong> Sorunsuz çalışan bir yazılım, müşteri sadakatini artırır.</li><li><strong>Uzun Vadeli Maliyet Tasarrufu:</strong> Hatalar ne kadar erken tespit edilirse düzeltme maliyeti o kadar düşüktür.</li><li><strong>İtibar:</strong> Yüksek kaliteli ürünler sunmak, markanın itibarını güçlendirir ve rekabette avantaj sağlar.</li></ul><p><strong>Akademik Referans:</strong><br>Johnson &amp; Wang (2023), yüksek kaliteli yazılım üreten ekiplerin aynı zamanda iş gücü devir oranını (employee turnover) %15’e kadar azalttığını tespit etmiştir. Çünkü kalitesiz ürünlerin yarattığı stresli çalışma ortamı, ekip moralini düşürürken, kalite odaklı kültür çalışan motivasyonunu artırıyor.</p><h3>Gerçek Dünyadan Örnekler (2024 Odaklı)</h3><ol><li><strong>Uzaktan Çalışan Ekiplerde Kod Kalitesi:</strong><br>ABD, Avrupa ve Türkiye’deki geliştiricilerin ortak çalıştığı bir SaaS platformunda, zaman farkı yüzünden iletişim aksaklıkları olabilir. Bunu telafi etmek için CI/CD pipeline’ında otomatik kalite kontrolleri kurmak, zaman dilimi farklılıklarına rağmen kodun standardını korur.</li><li><strong>Yapay Zekâ Destekli Testler:</strong><br>2024 yılında birçok şirket, yapay zekâ tabanlı test araçlarını kullanıyor. Örneğin, test senaryolarının otomatik oluşturulması, kullanıcı davranışına göre dinamik testler… Bu sayede kalite kontrol aşamasında manuel iş yükü azalırken hata tespit oranı artar.</li><li><strong>Yasal Uyumluluk Testleri:</strong><br>Yeni veri koruma yasalarına uyumlu olup olmadığınızı sürekli kontrol eden otomasyon araçları, güvenlik açıklarını erken tespit eder. Bu, hem yasal cezaları önler hem de müşteri güvenini artırır.</li></ol><h3>Kalite Yönetimi Süreci için Görsel Öğeler</h3><p><strong>1. Kalite Yönetimi Süreç Akışı Diyagramı (ASCII Temsil)</strong></p><pre>+--------------+         +---------------+         +-------------+<br>   | Kalite Planla |  ---&gt;  | Kalite Yönet  |  ---&gt;   | Kalite Kontrol|<br>   +--------------+         +---------------+         +-------------+<br>           |                          |                       |<br>           v                          v                       v<br>       Standartlar              Süreç İyileştirme         Test Raporları<br>       Metodolojiler            Otomatik Araçlar          Hata Takibi</pre><p>Bu diyagramın profesyonel versiyonunu bir proje dokümantasyon aracında (Confluence) görselleştirip ekibinize sunabilirsiniz. Renk kodları, ikonlar (büyüteç, alet kutusu, kalite mührü) kullanarak anlaşılabilirliğini artırabilirsiniz.</p><p><strong>2. Infografik: “Yazılım Kalitesini Artıran 5 Adım”</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*K23yIlTQga-A94K1" /></figure><ul><li><strong>Adım 1:</strong> Net kalite metrikleri belirle (Kod Kapsamı, Performans, Güvenlik).</li><li><strong>Adım 2:</strong> Otomasyon araçlarıyla kalite kontrollerini entegre et.</li><li><strong>Adım 3:</strong> Düzenli code review ve pair programming seansları düzenle.</li><li><strong>Adım 4:</strong> Geri bildirim döngülerini hızlandır (DevOps kültürü).</li><li><strong>Adım 5:</strong> Sürekli ölç, izleme metriklerini paylaş, iyileştir.</li></ul><p>Bu infografik, Slack kanalında sabitlenebilir veya şirketin iç iletişim platformunda görsel poster olarak paylaşılabilir.</p><p><strong>3. Ekran Görüntüsü Önerisi:</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*wZaKwJpuVVXtrm59" /></figure><ul><li>Bir Jira panosunda “Quality Dashboard” başlıklı bir sayfa:</li><li>“Code Coverage” göstergesi: %85 → Hedef: %90</li><li>“Ortalama Düzeltme Süresi”: 2 gün → Hedef: 1 gün</li><li>“Güvenlik Açığı Sayısı”: 2 adet kritik, 5 adet orta seviye → Haftalık gözden geçirme planlandı</li></ul><p>Bu tür bir kalite paneli, ekip üyelerinin durum tespiti yapmasını kolaylaştırır.</p><h3>Akademik ve Endüstri Perspektifleri</h3><p><strong>Akademik:</strong><br>Yale Üniversitesi Bilgisayar Bilimleri Bölümü’nün 2022 raporu (Mehta, S. &amp; Korun, L. (2022). <em>“Quality-Driven Development in Distributed Teams” — Yale CS Working Papers</em>) dağıtık ekiplerde kalite yönetiminin etkin uygulanmasının proje başarısını %20 oranında artırdığını gösteriyor.</p><p><strong>Endüstri:</strong></p><ul><li><strong>Google:</strong> Kod gözden geçirme süreçlerine yapay zekâ tabanlı öneri sistemleri ekleyerek hataları ilk commit’te yakalamayı hedefliyor.</li><li><strong>Microsoft:</strong> “Shift-left” test stratejisini uygulayarak testleri geliştirme sürecinin en erken safhalarına çekiyor, bu da hataları üretime girmeden önce filtreliyor.</li><li><strong>Türk Startup’ları:</strong> İstanbul merkezli bir fintech girişimi, ISO 9001 ve ISO 27001 sertifikasyon süreçlerini dijital kalite yönetimi araçlarıyla entegre ederek hem regülasyonlara uyum sağlıyor hem de yatırımcılara güven veriyor.</li></ul><h3>Kalite Yönetimi Kültürünün Oluşturulması</h3><p>PMP standartları sadece teknik yöntemleri değil, kültürel dönüşümü de önerir. Kalite, bir ekip kültürüdür.</p><ul><li><strong>Eğitim ve Atölyeler:</strong> Ekip üyelerine düzenli kalite yönetimi eğitimleri verin.</li><li><strong>Motivasyon ve Ödüllendirme:</strong> Hataları erken yakalayan, süreçleri iyileştiren ekip üyelerini kutlayın.</li><li><strong>Sürekli İyileştirme (Kaizen):</strong> Her sprint sonunda bir “kalite retrospektifi” yapın. Bu toplantıda “Neyi daha iyi yapabiliriz?” sorusu sorulsun.</li></ul><p><strong>Bir sonraki makalede görüşmek üzere sağlıcakla kalın.</strong></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=0810968eb2b5" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>