Bulut güvenilirliği denince akla genelde kendi kurduğunuz mimariler gelir: bölge yedekli tasarımlar, failover senaryoları, yedekleme stratejileri. Platformun arka planda yaptığı iş de en az bunun kadar belirleyici. Microsoft’un Azure Failure Prediction and Detection (AFPD) sistemi işte bu tarafta duruyor; donanım arızasını siz bir olay kaydı açmadan tahmin etmeyi, etkisini azaltmayı ve ilgili düğümü onarmayı hedefliyor. Azure filosu genelinde AFPD, donanım kaynaklı sanal makine kesintilerinin önlenmesinde %36 iyileşme sağladı.
AFPD nedir, hangi sorunu çözüyor?
2024’te tam anlamıyla devreye alınan AFPD, makine öğrenmesi ve telemetriyle Azure filosundaki donanım arızalarını iş yüklerinize ulaşmadan öngören, hafifleten ve gideren uçtan uca bir sistem.
Klasik model şöyle işliyordu: bir bileşen bozulmaya başlar, iş yükü kesintiye uğrar, bir mühendis olayı inceler, ardından yeniden başlatma ya da donanım değişimi gelirdi. Kritik eskalasyonlara, tedarik zinciri kısıtlarına ve manuel kurtarmaya bağımlı bir zincirdi bu. AFPD zinciri üç koordineli faza dönüştürüyor.
1. Tahmin ve tespit
Makine öğrenmesi modelleri ve tespit kuralları, Azure filosu genelinde telemetriyi sürekli izliyor: düğüm davranışı, bileşen sinyalleri, SSD sağlığı gibi donanıma özgü göstergeler. Aranan şey, aktif ya da yakın gelecekte olası bir arızaya işaret eden desenler.
2. Hafifletme (mitigation)
Bir düğüm işaretlendiğinde hafifletme servisi o düğümü yeni iş yükleri için tahsis edilemez hale getiriyor. Uygun durumlarda üzerindeki müşteri iş yükleri yeniden başlatma olmadan sağlıklı bir düğüme live migration ile taşınıyor, tipik etki birkaç saniyelik bir duraklama oluyor. Live migration, M serisi sanal makine boyutlarının birçoğunda destekleniyor ama tamamında değil; o yüzden özellik destek tablosunu kontrol etmek gerekiyor.
Canlı taşımanın mümkün olmadığı senaryolarda sanal makinenin Resource Health ve Scheduled Events kayıtlarına bir bildirim düşüyor. Bildirimde yeniden dağıtım (redeploy) için son tarih ve önerilen eylem yer alıyor.
3. Onarım (remediation)
Etkilenen düğüm üretimden çekiliyor, teknisyenler aynı sorun giderme adımlarını baştan tekrarlamasın diye tanı detaylarıyla etiketleniyor, önceden hazır bekletilen yedek parçalarla onarılıyor, sonra filoya geri veriliyor. Microsoft’a göre bu koordineli yaklaşım aylık düğüm onarım oranını %80 artırdı.
Sonuçta birçok durumda kesinti size hiç ulaşmıyor, ulaştığında da tepki eskisinden hızlı geliyor. Yaklaşım, donanım kaynaklı yeniden başlatmaların toplam sayısını %36’dan fazla azalttı. Sistemin arkasındaki çalışma, bulut altyapısında düğüm kesintilerini ölçekte tahmin etme, hafifletme ve giderme yaklaşımıyla 2025 IEEE Cloud Summit’te Best Paper Award kazandı.
SAP örneği neden önemli?
Kesintilerin azalmasından her müşteri yararlanıyor, ama AFPD’nin değerini en görünür kılan iş yükü SAP. SAP sistemleri genellikle finansın, tedarik zincirinin ve operasyonun kayıt sistemidir; kısa süreli kesintiler bile orantısız biçimde büyük iş etkisi yaratır. Donanım sorununu önceden tahmin edip etkisini siz hissetmeden azaltabilen bir platform, SAP müşterileri için konfor olmaktan çıkıp Azure üzerinde SAP çalıştırmanın temel koşuluna dönüşüyor.
Microsoft ekibi burada bir boşluğu açıkça dile getiriyor; SAP müşterilerinin birçoğu kendilerine sunulan bildirim ve otomasyon seçeneklerinden henüz haberdar değil.
AFPD bulgularını hangi kanallardan alırsınız?
AFPD, tespitlerini müşteriye dönük dört tutarlı kanaldan sunuyor:
- Resource Health, tek tek sanal makineler için ayrıntılı sağlık olaylarını ve önerilen eylemleri gösteriyor; live migration uygunluğu ile yeniden dağıtım son tarihi de burada.
- Resource Graph Explorer ile filo genelinde sağlık durumu sorgulanıyor. Programatik görünürlük gerektiren büyük SAP ortamlarında özellikle işlevsel.
- Event Grid, AFPD olaylarını Azure Functions, webhook veya REST API üzerinden doğrudan kendi izleme ve otomasyon akışınıza bağlıyor.
- Scheduled Events, IMDS üzerinden önceden sanal makine olay bildirimi veriyor; böylece yapılandırılmış SAP yüksek erişilebilirlik kümeleri kaynakları etkilenen düğümlerden taşıyabiliyor.
Bildirim içeriği Resource Health, Resource Graph ve Event Grid arasında birebir aynı. Kanal seçimi bu yüzden tamamen ölçeğiniz ve entegrasyon tercihinizle ilgili bir karar, hangisini kullanırsanız kullanın aynı bilgiyi alıyorsunuz. Ölçekli çalışan SAP müşterilerinde elle müdahale gerektirmeyen otomatik dayanıklılık aksiyonlarını pratik kılan şey de bu tutarlılık.
AFPD yalnızca SAP’ye özel değil
AFPD’yi SAP’ye özgü bir özellik sanmak kolay. SAP, riskin yüksekliği nedeniyle sistemin değerinin en hızlı görünür olduğu alan, o kadar. AFPD; Azure Compute’un General Purpose ve Specialized Compute tekliflerinde, HPC/AI iş yüklerinde ve seçili Storage senaryolarında çalışıyor. Bugün SAP ortamlarını koruyan öngörücü ve kendi kendini onaran altyapı, Azure üzerinde barındırılan diğer kritik üçüncü taraf servislerin de altında duruyor.
AFPD ek ücretle alınan bir katman olarak satılmıyor, altyapı seviyesinde yapılandırmanız da gerekmiyor; filo genelinde otomatik çalışıyor. Modeller zamanla arızayı tahmin etmekte daha iyi hale geliyor, yedek parçalar önceden hazır bekletildiği için onarım hızlanıyor, çoğu zaman sorundan ilk haberiniz “sorun zaten giderildi” bildirimi oluyor.
Ne yapmalısınız?
Azure üzerinde SAP ya da başka bir kritik iş yükü çalıştırıyorsanız atabileceğiniz somut adımlar şunlar:
- Bildirim kurulumunuzu doğrulayın. AFPD olaylarını tükettiğinizden emin olun. Tek bir sanal makinede ne olduğunu ve nedenini görmek için Resource Health, çok sayıda abonelikte etkilenen sanal makineleri tek sorguyla bulmak için Resource Graph, polling yapmadan tepki verebilmek için ise sağlık değişimlerini iten Event Grid uygun. Event Grid olayları bir REST webhook uç noktasına veya Azure Functions’a, oradan da Logic Apps, Event Hubs ya da Azure Monitor uyarıları gibi servislere yönlendirilebiliyor.
- Otomasyonunuzu Scheduled Events için hazırlayın. Azure Virtual Machines için gelen Scheduled Events kayıtlarını işleyebildiğinizden emin olun;
NotBeforezamanı yedi gün sonrasına kadar uzanan olaylar da buna dahil. - SAP HA kümelerinde Pacemaker’ı yapılandırın. Yüksek erişilebilirlik kümeleri için
azure-events-azkaynak aracısını kullanan Pacemaker yapılandırma rehberlerini izleyin; Azure üzerinde SUSE Linux Enterprise Server (SLES) ve RHEL için ayrı kılavuzlar bulunuyor. - Teknik derinliğe inin. 2025 IEEE Cloud Summit Best Paper ödülünü alan “AFPD: System for Prediction, Mitigation and Remediation of Node Interruptions in Cloud Infrastructure” makalesi, ML modellerini ve sistem mimarisini ayrıntısıyla ele alıyor.
Kaynaklar ve İleri Okuma
- Predicting and detecting failures: How Azure strengthens reliability for mission-critical workloads (Azure Blog, Mark Russinovich)
- Revolutionizing Reliability: Introducing the Azure Failure Prediction and Detection (AFPD) system
- From Proactive Detection to Action: How Azure Protects Mission-Critical Workloads
- AFPD: System for Prediction, Mitigation and Remediation of Node Interruptions in Cloud Infrastructure (IEEE)
- M family VM size series ve özellik destek tablosu
- Azure Resource Health genel bakış
- Project Flash: Resource Health ile VM kullanılabilirliğini izleme
- Azure Resource Graph genel bakış
- Project Flash: Resource Graph ile VM kullanılabilirliğini izleme
- Event Grid system topic ile VM sağlık olayları
- Azure Scheduled Events genel bakış
- Azure Functions
- Azure Compute ürün ailesi
20+ yıl deneyimli Azure Solutions Architect. Microsoft sertifikalı bulut mimari ve DevOps danışmanı. Azure, yapay zekâ ve bulut teknolojileri üzerine Türkçe teknik içerikler üretiyor.
