Merkezi İzleme Yazılımı ile Anomali Tespiti ve Yapay Zekâ Destekli Kapasite Planlama: AIOps Odaklı Bir Yaklaşım

Modern bilgi teknolojileri (BT) altyapılarının artan karmaşıklığı ve veri hacmindeki üstel artış, operasyonel sürekliliği sağlamakla yükümlü ekipler için geleneksel izleme yöntemlerini yetersiz kılmaktadır. Statik eşik değerlere dayalı reaktif sistemler, dinamik yük değişimlerine uyum sağlayamamakta; bu durum kritik performans sorunlarının gözden kaçırılmasına veya alarm yorgunluğuna yol açan yanlış uyarılara neden olmaktadır. Bu çalışmada, endüstri standardı Zabbix izleme yazılımı, TimescaleDB zaman serisi veritabanı ve gelişmiş derin öğrenme algoritmalarını entegre eden hibrit bir AIOps mimarisi önerilmiştir. Çalışma kapsamında, gerçek dünya sunucu verileri üzerinde istatistiksel (Z-Score), makine öğrenimi (Isolation Forest, LOF) ve derin öğrenme (LSTM, GRU) modelleri karşılaştırılmıştır. Deneysel sonuçlar, GRU modelinin %76.92 F0.5-Skoru ile yanlış alarmları minimize etmede en başarılı yöntem olduğunu göstermiştir. Kapasite planlama tarafında ise Facebook Prophet algoritması kullanılarak, disk doluluk oranları ve mevsimsel kaynak tükenişleri yüksek doğrulukla öngörülmüştür. Önerilen sistem, reaktif yönetimden proaktif yönetime geçişi sağlayarak operasyonel verimliliği artırmaktadır.