Veri Merkezlerinde Kullanılan Sabit Disklerdeki Arızaların Önceden Kestirimi: Karar Ağacı Tabanlı Makine Öğrenmesi Modelleri ile Karşılaştırmalı Bir Çalışma

Authors : Aykut Müderrisoğlu, Mustafa Özkan

Pages : 34-44

View : 31 | Download : 66

Publication Date : 2025-12-31

Article Type : Research Paper

Abstract :Dijitalleşen dünyada veri merkezleri, bilgi teknolojilerinin omurgasını oluşturarak kritik altyapılar arasında yer almaktadır. Ancak, veri merkezlerinde kullanılan sabit diskler, yüksek arıza oranları nedeniyle veri kaybı, hizmet kesintisi ve maliyet artışları gibi ciddi sorunlara yol açabilmektedir. Bu çalışma, sabit disk arızalarının SMART (Self-Monitoring, Analysis and Reporting Technology) verileri üzerinden önceden kestirimi için karar ağacı tabanlı makine öğrenmesi yöntemlerini karşılaştırmalı olarak analiz etmektedir. Çalışmada, güncel veri merkezlerinden elde edilen geniş çaplı SMART verileri kullanılmıştır. Veriler, ön işleme adımlarıyla modellenebilir hale getirilmiş ve dört farklı makine öğrenmesi modeli (karar ağaçları, rastgele ormanlar, XGBoost ve LightGBM) kullanılarak değerlendirilmiştir. Modellerin başarımı, doğruluk, yanlış alarm oranı (YAO), kaçırılan alarm oranı (KAO) ve genel başarım ölçevi (GBÖ) gibi ölçevler üzerinden kıyaslanmış; bir ay önceden (uzun vadeli) ve bir hafta önceden (kısa vadeli) yapılan kestirimler ayrı ayrı incelenmiştir. Kapsamlı bir model seçimi sürecinin ardından, kısa vadeli kestirim için seçilen LightGBM modeli %85,2 doğruluk ve %82,9 GBÖ değerine ulaşırken, uzun vadeli kestirim için seçilen rastgele ormanlar modeli %88,7 doğruluk ve %87,6 GBÖ değeri ile daha yüksek bir performans göstermiştir.
Keywords : arıza kestirimi, karar ağaçları, kestirimci bakım, makine öğrenmesi, veri merkezleri

ORIGINAL ARTICLE URL