Oracle PL/SQL Sorgularının Yapay Zekâ Tabanlı Performans Optimizasyonu

ARCENG INTERNATIONAL JOURNAL OF ARCHITECTURE AND ENGINEERING ISSN 2822-6895 Year 5 (2025) Vol:5 Issue: 2 Issued in December 2025 www.e-arceng.com 384 384 Article Arrival Date Article Published Date 30.11.2025 20.12.2025 Oracle PL/SQL Sorgularının Yapay Zekâ Tabanlı Performans Optimizasyonu Artificial Intelligence-Based Performance Optimization of Oracle PL/SQL Queries Gökhan TOPSAKAL 1 Önder ŞAHİNASLAN 2 1Bilgisayar Mühendisi, Migros Ticaret A.Ş, Bilgi Teknolojileri, Orcid: 0009-0007-9219-4226 2Dr. Ögr. Üyesi, Maltepe Üniversitesi, Bilişim Bölümü, Orcid: 0000-0003-2695-5078 Özet Bu çalışma, Oracle PL/SQL ve Forms tabanlı uygulamalarda yavaş çalışan sorguları analiz ederek performansı artırmayı amaçlayan yapay zekâ destekli bir optimizasyon sistemi geliştirmeyi hedeflemektedir. Araştırmada, Oracle veri tabanında çalıştırılan sorguların performans verileri SQL_TRACE ve EXPLAIN PLAN kullanılarak toplanmış, Python ortamında analiz edilmiştir. Çalışma süresi, mantıksal okuma ve I/O işlemleri gibi metriklere dayalı özellik seçimiyle veri seti oluşturulmuş; sorgu yavaşlığının nedenlerini belirlemek için Random Forest ve XGBoost algoritmaları uygulanmıştır. Tarihsel performans kayıtlarıyla eğitilen modellerin doğruluğu çeşitli metriklerle değerlendirilmiş, sistem gerçek ortamdan alınan yeni sorgularla test edilerek öneri yeteneği geliştirilmiştir. Sonuçlar, önerilen sistemin sorgu yürütme süresini %82,4, mantıksal okuma oranını %84,8, fiziksel okuma oranını %90,9 ve toplam Oracle maliyetini %97 oranında iyileştirdiğini göstermektedir. Model karşılaştırmasında XGBoost, %96,1 doğruluk ve F1 skoru ile daha yüksek sınıflandırma başarısı sergilerken, Random Forest daha hızlı tahmin süreleri sağlamıştır. Bu çalışma, Oracle PL/SQL performans sorunlarını yapay zekâ ile analiz eden özgün bir sistem sunarak veri tabanı yöneticilerine karar desteği sağlamaktadır. Anahtar kelimeler: Oracle, PL/SQL, Performans Optimizasyonu, Yapay Zeka, SQL Analizi. Abstract This study aims to develop an artificial intelligence–based optimization system to analyze and improve the performance of slow-running queries in Oracle PL/SQL and Forms-based applications. Performance data from Oracle queries were collected using SQL_TRACE and EXPLAIN PLAN and analyzed in a Python environment. A dataset was constructed through feature selection based on metrics such as execution time, logical reads, and I/O operations. Random Forest and XGBoost algorithms were applied to identify factors contributing to query slowness, with historical performance records used for model training and evaluation through standard performance metrics. The system was further refined and validated using real-world queries to enhance its recommendation capability. Results indicate substantial improvements: execution time reduced by 82.4%, consistent read rate by 84.8%, physical read rate by 90.9%, and total Oracle cost by 97%. In model comparison, XGBoost achieved superior classification accuracy with 96.1% accuracy and F1-score, while Random Forest provided faster prediction times. This research introduces a novel AI-driven system for diagnosing and optimizing Oracle ARCENG INTERNATIONAL JOURNAL OF ARCHITECTURE AND ENGINEERING ISSN 2822-6895 Year 5 (2025) Vol:5 Issue: 2 Issued in December 2025 www.e-arceng.com 385 385 PL/SQL performance issues, offering decision support for database administrators and contributing to improved query efficiency. Keywords: Oracle, PL/SQL, Performance Optimization, AI, SQL Analysis 1. GİRİŞ Dijital dönüşüm çağında, veri yönetimi ile verilerin etkin ve güvenilir bir şekilde işlenmesi, kuruluşlar için stratejik açıdan kritik bir önem kazanmıştır. Artan veri hacmi, iş süreçlerinin giderek karmaşıklaşması ve erişilebilirlik talebinin yükselmesi, ilişkisel veritabanı yönetim sistemlerinin (RDBMS) performansını hayati bir unsur haline getirmiştir. Oracle gibi kurumsal düzeydeki sistemlerde, sorgu yürütme süresinin azaltılması ve sistem kaynaklarının verimli kullanılması, uygulamaların genel başarısını doğrudan etkilemektedir. Oracle PL/SQL ve Oracle Forms, kurumsal uygulamalarda veri işleme ve iş mantığının kontrolünde temel bir rol üstlenmekte, bu yapılar sistemin omurgasını oluşturmaktadır. Ancak, sistem mimarilerinin zamanla genişlemesiyle birlikte performans sorunlarının ortaya çıkması kaçınılmazdır. Yavaş sorgular, tam tablo taramaları ve verimsiz indeks kullanımı gibi problemler, hem kullanıcı deneyimini hem de sistemin genel verimliliğini olumsuz yönde etkileyebilmektedir. Bu çalışma, Oracle PL/SQL ve Forms ortamlarında karşılaşılan performans darboğazlarını belirlemek, analiz etmek ve iyileştirmek amacıyla gerçekleştirilmiştir. Geleneksel performans iyileştirme yöntemlerinin ötesine geçilerek, yapay zeka (YZ) ve makine öğrenmesi (ML) teknikleriyle desteklenen bir sistem geliştirilmiştir. Bu yapı, Python programlama dili ile entegre edilerek SQL sorgu performans izlerini analiz etmekte ve otomatik optimizasyon önerileri üretmektedir. Araştırmanın temel amacı, Oracle tabanlı uygulamalarda performansı artırmaya yönelik bilimsel temelli ve pratik olarak uygulanabilir bir çözüm önermek ve bu çözümü, veritabanı performans optimizasyonu için YZ destekli bir karar destek mekanizmasına dönüştürmektir. 2. LİTERATÜR TARAMASI Bu bölümde, ilişkisel veritabanı yönetim sistemlerinde performans optimizasyonu, Oracle PL/SQL ve Forms tabanlı uygulamalarda karşılaşılan yaygın performans sorunları ile bu sorunların giderilmesine yönelik geliştirilen yöntemler ele alınmıştır. Ayrıca, son yıllarda veritabanı performans yönetiminde yapay zeka ve makine öğrenmesi tekniklerinin kullanımına odaklanan çalışmalar incelenerek, mevcut yaklaşımların güçlü ve sınırlı yönleri ortaya konmuştur. Bu bağlamda, çalışmanın konumlandığı bilimsel çerçeve belirlenmiş ve önerilen yaklaşımın literatürdeki yeri değerlendirilmiştir. (Zongheng Yang, 2022) geliştirdiği Balsa adlı sistemde olduğu gibi, klasik sorgu optimizasyon süreçleri yerine makine öğrenmesine dayalı yeni nesil yaklaşımlarla, veritabanı sorgularının yapısal örüntüleri üzerinden optimizasyon stratejileri öğrenilebilmekte ve bu stratejiler uzman müdahalesi olmaksızın sistemler tarafından uygulanabilmektedir. Böylece, hem manuel hatalar en aza indirgenmekte hem de veri tabanı sistemlerinin adaptif ve dinamik şekilde kendini optimize edebilmesi mümkün hale gelmektedir. Bu yaklaşım sayesinde, veritabanı yöneticilerinin veya geliştiricilerin manuel müdahalesine gerek kalmaksızın; veritabanı sorgularının gerçek zamanlı performans değerleri üzerinden değerlendirilmesi, potansiyel darboğazların önceden belirlenmesi ve iyileştirme yollarının önerilmesi hedeflenmektedir. ARCENG INTERNATIONAL JOURNAL OF ARCHITECTURE AND ENGINEERING ISSN 2822-6895 Year 5 (2025) Vol:5 Issue: 2 Issued in December 2025 www.e-arceng.com 386 386 Özellikle (Ryan Marcus, 2020) Learning to Steer Query Optimizers çalışmasında, karmaşık sorgu iyileştirme sürecine makine öğrenmesi (takviye öğrenmesi ve sinir ağları) uygulanarak büyük performans kazanımları elde edildiği görülmektedir. Makine öğrenmesi sınıflandırma modellerini kullanarak youtube verileri üzerinde duygu analizi yapabilen başarılı bir örnek çalışmadır(Şahinaslan, 2022). (Asokan, 2025) Veri tabanı performansı üzerinde yapay zekâ destekli optimizasyonun, otomatik indeksleme ve anomalilerin tespitiyle birlikte organizasyonlara hem hız hem de verimlilik kazandırdığını belirtmektedir. Makine öğrenmesi algoritmalarının gerçek bir süreçte uygulanmasını incelemiş ve metodolojik olarak YZ-tabanlı sistemlerin performans kazanımlarına dair kanıtlar ortaya koymuştur(Şahinaslan, 2023. Random Forest, birden fazla karar ağacının (decision tree) birleşiminden oluşan topluluk öğrenme (ensemble learning) yöntemidir. Her bir karar ağacı, rastgele örneklenen veri alt kümeleri üzerinde eğitilir ve modelin çıktısı, tüm ağaçların oylamasıyla belirlenir. Bu algoritma, overfitting riskini minimize ederken yüksek doğruluk sağlar. SQL sorgularının sahip olduğu çeşitli performans metrikleri (örneğin: elapsed_time, buffer_gets, physical_reads) modelin giriş değişkenleri olarak kullanılmış, etiket ise “optimizasyon önerisi gerektiriyor mu?” sorusunun cevabı olarak belirlenmiştir. Bu çalışma kapsamında kullanılan Random Forest tabanlı sınıflandırma yaklaşımı, (Dhanara, 2021)tarafından önerilen “Random Forest Bagging X-Means SQL Query Clustering” yöntemine dayanmaktadır. Bu yöntem, SQL günlüklerinden anomali sorguları başarılı biçimde belirlemek amacıyla Random Forest ile öğrenme sağlamakta, ardından X-Means kümelemesi ve majority voting ile kötü yapılandırılmış sorguları ayırt edebilmektedir. XGBoost, Chen ve Guestrin (2016) tarafından geliştirilen, denetimli öğrenme problemlerinde yüksek doğruluk sunan, ağaç tabanlı bir topluluk (ensemble) makine öğrenmesi yöntemidir. Özellikle büyük veri setlerinde ve yüksek boyutlu problemlerde hızlı çalışması ve overfitting'e karşı direnci sayesinde günümüzde akademik ve endüstriyel birçok çalışmada tercih edilmektedir. XGBoost algoritması, karar ağaçları üzerinde gradyan artırma (gradient boosting) tekniğini optimize eden, paralel işlemeye uygun, düzenlileştirme (regularization) içeren gelişmiş bir versiyonudur. Bu sayede hem eğitim süresi kısalmakta hem de modelin genellenebilirliği artmaktadır. (Chen, XGBoost: A Scalable Tree Boosting System., 2016), çalışmada XGBoost’un temel algoritması sunulmuş, GBM (Gradient Boosting Machine) algoritmasına yapılan optimizasyonlar detaylı olarak açıklanmıştır. Özellikle sparse veri yapıları, paralel işleme kabiliyeti ve düzenlileştirme mekanizmaları gibi performans artırıcı teknikler ön plana çıkarılmıştır. 2021 yılında yapılan bir tez çalışmasında, ağ tabanlı saldırı tespiti problemlerinde XGBoost ve Rastgele Orman algoritmaları karşılaştırılmıştır. XGBoost’un daha yüksek doğruluk ve F1Skoru sağladığı, ancak eğitim süresi bakımından biraz daha fazla kaynak tükettiği vurgulanmıştır (Buldu, 2021). Veritabanı yönetimi ve kurtarma tekniklerini ele alan ve ilişkisel veritabanlarının kritik operasyonlarına odaklanan bir diğer çalışma da veri kaybı-önleme/pratik sorun çözümleri sunmuştur(Sahinaslan, 2022) Özetle, literatürde yer alan çalışmalar; veritabanı sorgu optimizasyonu ve performans yönetimi alanında yapay zeka ve makine öğrenmesi tabanlı yaklaşımların, geleneksel kural tabanlı ve manuel yöntemlere kıyasla daha ölçeklenebilir, adaptif ve yüksek doğruluklu çözümler sunduğunu ortaya koymaktadır. Özellikle Random Forest ve XGBoost gibi ağaç tabanlı topluluk öğrenme yöntemlerinin, sorgu performans metriklerini etkin biçimde analiz ederek anomali tespiti ve optimizasyon kararlarında başarılı sonuçlar verdiği görülmektedir. Bu bağlamda, mevcut literatürden elde edilen bulgular ışığında, bu çalışmada Oracle PL/SQL ve Forms ortamlarına özgü performans izlerinin YZ destekli modellerle analiz edilmesi ve otomatik optimizasyon önerileri üretilmesi hedeflenerek, literatürdeki yaklaşımları kurumsal ARCENG INTERNATIONAL JOURNAL OF ARCHITECTURE AND ENGINEERING ISSN 2822-6895 Year 5 (2025) Vol:5 Issue: 2 Issued in December 2025 www.e-arceng.com 387 387 veritabanı sistemlerine uyarlayan bütüncül ve uygulanabilir bir çözüm sunulması amaçlanmaktadır. 3. MATERYAL Çalışmanın deneysel altyapısı, kullanılan yazılım ve donanım bileşenleri ile performans ölçüm ve veri toplama sürecine ilişkin ayrıntılar sunulmaktadır. Oracle tabanlı kurumsal veritabanı sistemlerinde sorgu performansının gerçekçi ve tekrarlanabilir koşullar altında değerlendirilebilmesi amacıyla, kontrollü bir deneysel ortam oluşturulmuş ve bu ortamda farklı sorgu senaryoları sistematik olarak test edilmiştir. Elde edilen performans izleri, yapay zeka ve makine öğrenmesi tabanlı modellerin eğitimi ve değerlendirilmesi için girdi verisi olarak kullanılmıştır. Bu kapsamda, deneysel ortamda kullanılan teknolojiler ve bileşenler Tablo 1’de özetlenmektedir. Bu çalışma kapsamında Oracle 18c Express Edition üzerinde yapılandırılmış bir veritabanı ortamı kullanılmıştır. Bu ortamda oluşturulan tablolar, sorgu performansının gerçekçi koşullar altında gözlemlenebilmesi için milyonlarca kayıtla doldurulmuştur. Performans ölçümleri, Oracle’ın SQL_TRACE çıktıları ve EXPLAIN PLAN komutları kullanılarak elde edilmiştir. Ölçümler sırasında Elapsed Time, Consistent Reads (CR), Physical Reads (PR) ve Total Cost gibi temel performans metrikleri değerlendirilmiştir. Python ile Oracle arasında oracledb kütüphanesi aracılığıyla bağlantı kurulmuş ve toplanan performans verileri makine öğrenmesi modellerinin eğitimi için kullanılmıştır. Veritabanı şeması, aşağıdaki tabloları birincil veri kaynakları olarak içermektedir: T1_CUSTOMERS (500.000 kayıt) T2_ORDERS (500.000 kayıt) T3_PRODUCTS (500.000 kayıt) T4_ORDER_DETAILS (1.000.000 kayıt) Bu tablolar; müşteri, sipariş, ürün ve sipariş detaylarını kapsayarak gerçekçi iş senaryolarının simülasyonunu mümkün kılmıştır. Testlerin Oracle’ın standart yapılandırmaları (bellek, listener, arka plan süreçleri vb.) altında gerçekleştirilmesinin, diğer sürümlerde benzer sonuçlar vereceği varsayılmıştır. Ayrıca, SQL_TRACE ve EXPLAIN PLAN çıktılarının sorgu performansını doğru şekilde yansıttığı kabul edilmiştir. Modelleme sürecinde, Random Forest ve XGBoost algoritmalarının yeterli çeşitlilikte yavaş ve hızlı sorgu örnekleriyle eğitildiği varsayılmıştır. Bu varsayım, yapay zeka modellerinin yeni sorgular için güvenilir tahminler sunabileceği beklentisini desteklemektedir. Tablo 1. Deneysel ortamlar Teknoloji Açıklama Oracle XE 18c Deneysel Veritabanı Ortamı Python 3.11+ Veri İşleme ve Model Eğitimi Pandas Trace Verilerinin İşlenmesi Scikit-learn Makine Öğrenmesi Algoritmaları ARCENG INTERNATIONAL JOURNAL OF ARCHITECTURE AND ENGINEERING ISSN 2822-6895 Year 5 (2025) Vol:5 Issue: 2 Issued in December 2025 www.e-arceng.com 388 388 Oracledb (cx_Oracle) Oracle ile Bağlantı Kurulması SQL Developer Sorgu Analizi ve Plan İzleme Arka planda Oracle veritabanı performansı izlenmiş ve analiz edilmiştir. Python programlama dili, veri işleme, analiz ve makine öğrenmesi modellerinin geliştirilmesi için kullanılmıştır. Performans analizleri Scikit-learn, pandas ve matplotlib gibi kütüphaneler aracılığıyla gerçekleştirilirken, veritabanı bağlantısı için oracledb kütüphanesi kullanılmıştır. Tablo 1, deneysel ortamda gerekli teknolojileri özetlemektedir. 3.1. Yöntem Bu çalışmada, Oracle veritabanı üzerinde SQL sorgularının performans analizi gerçekleştirilmiştir. Analiz süreci aşağıdaki adımlardan oluşmaktadır: Veri Toplama SQL sorgularının çalıştırılması sırasında, ALTER SESSION SET SQL_TRACE = TRUE komutu kullanılarak izleme etkinleştirilmiş ve oluşturulan iz dosyaları kaydedilmiştir. Ayrıca, sorguların yürütme planları EXPLAIN PLAN komutu ile elde edilmiştir. Bu verilerden aşağıdaki performans metrikleri çıkarılmıştır: Elapsed Time Consistent Reads (CR) Physical Reads (PR) Estimated Query Cost Full Table Scan Join Count İz Dosyalarının Analizi Oluşturulan .trc uzantılı iz dosyaları Python betikleri kullanılarak işlenmiş, performans metrikleri ayrıştırılmış ve bir veri kümesine dönüştürülmüştür. Bu süreçte Elapsed Time, CR, PR, Executions, Plan Cost, Join Count ve Full Table Scan Count gibi özellikler çıkarılmıştır. Oracle İz Dosyalarının Oluşturulması ve Analizi Oracle iz dosyalarının (.trc) oluşturulması ve TKPROF gibi araçlarla analiz edilmesi, sorgu yürütme süresi (elapsed time), yürütme sayısı ve tam tablo taramaları gibi kritik performans metriklerinin elde edilmesini sağlar (Oracle Corporation, 2023). Bu çalışmada benzer şekilde, Oracle PL/SQL ortamında üretilen iz dosyaları Python betikleri ile işlenmiş; Elapsed Time, Executions ve Full Table Scan Count gibi metrikler çıkarılarak modelleme amacıyla bir veri kümesine dönüştürülmüştür. Makine Öğrenmesi Modeli Elde edilen veri kümesi, scikit-learn kütüphanesi aracılığıyla uygulanan Random Forest ve XGBoost algoritmaları kullanılarak eğitilmiştir. Bu modeller, sorgu performansını sınıflandırmakta ve “Yeterli”, “Indeks Ekle”, “Partition Önerisi” ve “JOIN Optimize Et” gibi optimizasyon önerileri üretmektedir. Bu çalışmada kullanılan Random Forest tabanlı sınıflandırma yaklaşımı, (Dhanaraj ve ark., 2021) tarafından önerilen Random Forest Bagging X Means SQL Query Clustering yöntemine dayanmaktadır. Bu yöntem, SQL günlüklerinden anormal sorguları Random Forest ile belirlemekte, ardından X-Means kümeleme ve çoğunluk oylaması ile zayıf yapılandırılmış ARCENG INTERNATIONAL JOURNAL OF ARCHITECTURE AND ENGINEERING ISSN 2822-6895 Year 5 (2025) Vol:5 Issue: 2 Issued in December 2025 www.e-arceng.com 389 389 sorguları ayırt etmektedir. XGBoost, (Chen & Guestrin, 2016) tarafından geliştirilen, yüksek doğruluk sağlayan ağaç tabanlı bir topluluk makine öğrenmesi yöntemidir. Hızı ve aşırı öğrenmeye karşı dayanıklılığı, özellikle büyük ve yüksek boyutlu veri kümelerinde hem akademik hem de endüstriyel uygulamalarda tercih edilmesini sağlamaktadır. XGBoost algoritması, düzenlileştirme (regularization) ve paralel işlem desteği gibi geliştirmelerle Gradient Boosting yönteminin ileri bir versiyonudur. Bu iyileştirmeler, hem eğitim verimliliğini hem de modelin genellenebilirliğini artırmaktadır. Bu çalışmada, sınıflandırma modelleri olarak XGBoost ve Random Forest seçilmiştir. Bu tercih, literatürde bu iki algoritmanın güçlü karşılaştırmalı performansını gösteren çalışmalarla desteklenmektedir. Örneğin, (Shao ve ark., 2024) XGBoost’un Random Forest’a kıyasla daha yüksek doğruluk sağladığını rapor etmiştir. Ayrıca, sınıf dengesizliği sorununu ele almak kritik öneme sahiptir; (Imani ve ark., 2025) SMOTE + XGBoost kombinasyonunun yüksek oranda dengesiz veri kümelerinde en iyi performansı sağladığını vurgulamıştır. Bu nedenle, tez kapsamında önce SMOTE uygulanmış, ardından her iki algoritma aynı veri kümesi üzerinde eğitilmiş ve karşılaştırılmıştır. (Chen & Guestrin, 2016) tarafından sunulan XGBoost: A Scalable Tree Boosting System çalışması, XGBoost’un temel algoritmasını ve Gradient Boosting Machine (GBM) üzerindeki optimizasyonları detaylandırmaktadır. Seyrek veri işleme, paralel işlem yetenekleri ve düzenlileştirme mekanizmaları gibi performans artırıcı teknikler vurgulanmaktadır. Tahmin ve Öneri Yeni sorgular için aynı performans metrikleri çıkarılmış ve model tarafından analiz edilerek performans iyileştirme önerileri sunulmuştur. Bu öneriler hem istatistiksel analiz hem de yürütme planları ile desteklenmiştir. Model Karşılaştırması 2021 yılında gerçekleştirilen bir tez çalışmasında, ağ tabanlı saldırı tespit problemleri bağlamında XGBoost ve Random Forest algoritmaları karşılaştırılmıştır. Bulgular, XGBoost’un daha yüksek doğruluk ve F1 skoru sağladığını, ancak eğitim sırasında biraz daha fazla hesaplama kaynağı gerektirdiğini göstermiştir (Buldu & Yıldız, 2021). Bu çalışmada, Random Forest ve XGBoost modelleri doğruluk, F1 skoru ve hata oranları açısından karşılaştırılmış ve en iyi performans gösteren model belirlenmiştir. 3.1.1. Veri kaynağı Bu çalışmada kullanılan veri seti, Oracle veritabanı üzerinde gerçekleştirilen gerçek sorgu çalışmaları ve simülasyon verilerinden oluşmaktadır. Performans analizi için SQL sorguları, Oracle 18c Express Edition üzerinde oluşturulan test ortamında çalıştırılmıştır. İzleme sürecinde ALTER SESSION SET SQL_TRACE = TRUE komutu ile sorguların yürütülme detaylarını içeren trace dosyaları elde edilmiştir. Ayrıca, sorguların yürütme planları EXPLAIN PLAN komutu ile kaydedilmiştir. Bu kaynaklardan elde edilen veriler arasında sorgu çalışma süresi (Elapsed Time), mantıksal okuma (Consistent Reads), fiziksel okuma (Physical Reads), maliyet (Cost), tam tablo taraması (Full Table Scan) ve JOIN sayısı gibi performans metrikleri bulunmaktadır. Toplanan bu veriler, Python betikleri ile işlenerek makine öğrenmesi modellerinin eğitimi için kullanılacak veri kümesine dönüştürülmüştür. 3.1.2 Veri toplama Çalışmada kullanılan veriler dört ana tablodan oluşan ve sorgu performansını ölçmeye olanak sağlayacak kadar veri ile yapılmıştır. Tablo ve veri sayıları tablo 2’ de verilmiştir. ARCENG INTERNATIONAL JOURNAL OF ARCHITECTURE AND ENGINEERING ISSN 2822-6895 Year 5 (2025) Vol:5 Issue: 2 Issued in December 2025 www.e-arceng.com 390 390 Tablo 2. DB Tablo Veri Seti Tablo İsimleri Kayıt Sayısı İndex T1_CUSTOMERS 500.000 Yok T2_ORDERS 500.000 Yok T3_PRODUCTS 500.000 Yok T4_ORDER_DETAILS 1.000.000 Yok 3.1.3 Makine Öğrenmesi ile Model Eğitimi Bu çalışmada, Oracle veritabanında gerçekleştirilen SQL sorgularının performansını analiz etmek ve iyileştirme önerileri sunmak amacıyla gözetimli öğrenme yöntemi tercih edilmiştir. Özellikle düşük performans gösteren sorguların karakteristiklerinden yola çıkarak, hangi durumlarda optimizasyon gerektiğini belirlemek üzere Random Forest algoritması kullanılarak bir sınıflandırma modeli oluşturulmuştur. Modelin eğitimi için kullanılan veri seti, çeşitli sorguların performans özelliklerini içermektedir. Bu özellikler arasında; sorgunun tam tablo taraması yapıp yapmadığı (0 veya 1), sorguda yer alan join sayısı, tahmini yürütme maliyeti (cost) ve indeks kullanım durumu gibi parametreler bulunmaktadır. Her bir veri noktası, bu dört özelliği içeren bir vektör şeklinde temsil edilmiştir. Şekil 1’de örnek veri seti gösterilmektedir. Şekil 1. Model Eğitim Girdileri Sorgulara ait sınıf etiketleri (y), alan uzmanlarının değerlendirmeleri doğrultusunda belirlenmiştir. Bu etiketler, sorgunun mevcut haliyle yeterli olup olmadığını veya ek optimizasyona ihtiyaç duyup duymadığını ifade etmektedir. Şekil 1’de bu sınıflandırma etiketleri görselleştirilmiştir. Şekil 2. Model Eğitim Çıktıları ARCENG INTERNATIONAL JOURNAL OF ARCHITECTURE AND ENGINEERING ISSN 2822-6895 Year 5 (2025) Vol:5 Issue: 2 Issued in December 2025 www.e-arceng.com 391 391 Modelin eğitimi sürecinde RandomForestClassifier sınıfı kullanılmıştır. Bu algoritma, çok sayıda karar ağacından oluşan bir topluluk (ensemble) yapısı ile çalışarak sınıflandırma işlemini gerçekleştirir. Bu yöntem, hem aşırı öğrenmeyi (overfitting) azaltmakta hem de modelin doğruluk oranını artırmaktadır. Şekil 2’da modelin eğitilmesi ve kalıcı olarak saklanması süreci yer almaktadır. Şekil 3. Model Eğitim Kütüphanesi Şekil 3’da görüldüğü üzere, n_estimators=100 parametresi ile 100 adet karar ağacı oluşturulmuştur. Ayrıca random_state=42 parametresi, modelin tekrar üretilebilirliğini sağlamak amacıyla kullanılmıştır. Eğitim tamamlandıktan sonra model, joblib kütüphanesi aracılığıyla. pkl uzantılı bir dosya olarak kaydedilmiştir. Bu sayede model, ilerleyen aşamalarda yeni sorgular üzerinde gerçek zamanlı tahminler yapmak üzere tekrar kullanılabilir hale gelmiştir. Sonuç olarak, bu aşamada geliştirilen sınıflandırma modeli, geçmiş sorgu verilerine dayanarak yeni sorguların performansını analiz edebilmekte ve gerektiğinde "indeks ekleme" gibi optimizasyon önerileri sunabilmektedir. Bu yapı, performans iyileştirme sürecinde yapay zekâ destekli karar verme mekanizmasının temelini oluşturmaktadır. 3.2. İyileştirme Önerisi ve Uygulama Modelin aldığı girdiler doğrultusunda, sorgunun Total Cost ve Consistent Reads değerlerinin oldukça yüksek olduğu, ayrıca üç tabloya da Full Table Scan yöntemiyle erişim sağlandığı tespit edilmiştir. Bu analiz sonucunda, model tarafından ilgili tabloya indeks eklenmesi yönünde bir performans iyileştirme önerisi sunulmuştur. Gerçekleştirilen müdahale, öneriye uygun olarak tabloya indeks eklenmesi şeklinde uygulanmıştır. Şekil 4’de görüldüğü gibi T4_ORDER_DETAILS tablosuna Index eklenmiştir. Şekil 4. Index Oluşturulması Model tarafından önerilen indeks eklendikten sonra, sorgu üzerinde yeniden Trace ve SQL Execution Plan alınmıştır. Yapılan analiz sonucunda, Total Cost ve Consistent Reads değerlerinde belirgin bir düşüş gözlemlenmiş; ayrıca sorgunun artık Full Table Scan gerçekleştirmediği tespit edilmiştir. Çıktılar aşağıdaki gibidir. • Elapsed Time: 0,49 saniye • Consistent Reads: 789 • Physical Reads: 13 ARCENG INTERNATIONAL JOURNAL OF ARCHITECTURE AND ENGINEERING ISSN 2822-6895 Year 5 (2025) Vol:5 Issue: 2 Issued in December 2025 www.e-arceng.com 392 392 • Full Table Scan: 0 • Total Cost: 78 3.2.1 Performans İyileştirme Oranı Performans iyileştirme yüzdesi Şekil 5’de olduğu gibi formülle hesaplanmıştır: İyileştirme (%) = ((Eski SüreYeni Süre) / Eski Süre) * 100 Sonuç: %82,37 performans artışı. 3.2.2 Elapsed Time Karşılaştırması Index öncesi: 2,78 saniye, Index sonrası: 0,49 saniye. Yaklaşık %82 azalma (iyileşme) sağlanmıştır. Formül: İyileştirme Yüzdesi = ((2.780.49) / 2.78) × 100 ≈ 82.37% Şekil 6’da ise sorgu performansı artırılmadan önce ve sorası içim grafik gösterilmiştir. Şekil 6. Elepsed Time Grafiği 3.2.3 Consistent Reads Karşılaştırması Index öncesi: 5201 Index sonrası: 789 Yaklaşık %84,8 azalma sağlanmıştır. Şekil 7 ‘de sorgu performans artırımı yapıldıktan sonra Consistent Reads okuma grafiği gösterilmiş, Consisten Reads okumasında ciddi performans artırımı gözlemlenmiştir. İyileştirme Yüzdesi = ((5201789) / 5201) × 100 ≈ 84.83% 2,78 0,49 0 0,5 1 1,5 2 2,5 3 İndex Öncesi İndex Sonrası Süre (sn) Elepsed Time Karşılaştırılması eski_sure = 2.78 yeni_sure = 0.49 iyilesme_orani = ((eski_sure - yeni_sure) / eski_sure) * 100 print(f"%{iyilesme_orani:.2f} performans artışı") Şekil 5. Performans İyileştirme oranı ARCENG INTERNATIONAL JOURNAL OF ARCHITECTURE AND ENGINEERING ISSN 2822-6895 Year 5 (2025) Vol:5 Issue: 2 Issued in December 2025 www.e-arceng.com 399 399 Şahinaslan, E., & Şahinaslan, Ö. (2023). Gümrük beyannamesi sürecinde öğrenmeye dayalı algoritmaların etkinliğinin incelenmesi. Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi, 15(2), 410–421. doi: 10.26650/acin.1057060 Tartuk, M., Nurdağ, T. F., Acar, V., Erdem, S., Akay, F., & Abut, F. (2022). Forecasting call center arrivals using XGBoost combined with consecutive and periodic lookback. Eastern Anatolian Journal of Science, 8(1), 20–25. Veranyurt, Ü., Deveci, A., Esen, M. F., & Veranyurt, O. (2020). Disease classification using machine learning techniques: Application of Random Forest, K-Nearest Neighbour and AdaBoost algorithms. International Journal of Health Management and Strategies Research, 6(2), 275–286. Yang, Z., & Chiang, W.-L. (2022). Balsa: Learning a query optimizer without expert demonstrations. SIGMOD 2022. https://doi.org/10.1145/3514221.3517885 Yangın, G. (2019). Application of XGBoost and decision tree-based algorithms on diabetes datasets [Master’s thesis]. Mimar Sinan Güzel Sanatlar University. Yeşilyurt, S. N., & Dalkılıç, H. Y. (2021). XGBoost ve Gradient Boost Machine ile günlük nehir akımı tahmini [Daily river flow prediction using XGBoost and Gradient Boost Machine]. In Proceedings of the 3rd International Symposium on Civil Engineering and Earth Sciences, 36–44. Örgerim, A., Tunç Abubakar, T., & Tokmak, M. (2025). Performance comparison of neural networks: A case of data scientists’ job change prediction. Osmaniye Korkut Ata University Journal of the Institute of Science and Technology, 8(3), 1100–1119. https://doi.org/10.47495/okufbed.1481893