Yazılım performans optimizasyonu, sistemin yavaş kalan yerini ölçerek bulmak, yalnızca orayı düzeltmek ve düzeltmenin gerçek yük altında da işe yaradığını göstermektir. Sıra hep aynı: kullanıcının fark edeceği bir hedef koyun (örneğin "aramaların %95'i 300 ms'nin altında dönsün"), gerçek sistemi bu hedefe göre ölçün, trace ve profiler ile darboğazı bulun, onu düzeltin, düzeltmeyi gerçekçi yük altında doğrulayın ve sessizce geri gelmesini engelleyecek bir kontrol ekleyin. Bu döngünün tamamına performans mühendisliği deniyor; sürümden önce yapılan yük testi döngünün yalnızca bir adımı.
Kodu okuyup "yavaş olan herhalde burası" diye başlayan optimizasyon çoğu zaman yanlış yeri hızlandırır. Aşağıda her adımı, o adımda kullanacağımız araçlarla ve sizi yanlış sonuca götüren hatalarla birlikte anlatıyoruz.
Performans testi ile performans mühendisliği arasındaki fark
Yük testi tek bir soruya cevap verir: bu sürüm bu trafik altında nasıl davranıyor? Faydalıdır ama geç gelir. Testi koştuğunuzda veri modeli, her isteğin kaç servis çağırdığı ve hangi işlerin senkron yapıldığı çoktan koda girmiştir. Lansmandan bir hafta önce bunları değiştirmek pahalıdır.
Performans mühendisliği daha erken başlar, daha geç biter. Hedefleri tasarım aşamasında koyar, mimariyi onlara göre şekillendirir, CI'da kontrol eder ve gerilemelerin çoğu zaman ilk göründüğü canlı ortamda izler.
Önce fark edilecek bir hedef koyun
İşe yarar bir hedefin üç parçası vardır: kullanıcının ya da şirketin önemsediği bir işlem, bir yüzdelik ve bir eşik. "API hızlı olsun" bunların hiçbirini içermez. "Yük dengeleyicide ölçülen arama isteklerinin %99'u, 28 günlük pencerede 500 ms'nin altında dönsün" üçünü de içerir. Bu tür hedeflere SLO (service level objective, hizmet seviyesi hedefi) denir. Aynı hedefi yaptırımlarıyla birlikte bir müşteri sözleşmesine yazdığınızda SLA'ya dönüşür; onu SLA yönetimi yazımızda anlattık.
Hedeflerde ortalama yerine her zaman yüzdelik kullanın. Google'ın SRE kitabı, tipik bir isteğin 50 ms civarında sürdüğü ama isteklerin %5'inin bundan 20 kat yavaş olduğu bir servisi örnek verir. Kitaba göre yalnızca ortalama gecikmeye bakan bir alarm, en yavaş isteklerin gecikmesi (tail latency) gün içinde ciddi biçimde değişirken hiçbir değişiklik görmez (Site Reliability Engineering, 4. bölüm). Medyan tipik kullanıcıyı anlatır; p95 ve p99 ise şikâyet edenleri.
Yüzdeliklerin iki özelliği sık gözden kaçar:
- Toplanmazlar. Veritabanının p95'i 40 ms, uygulamanın p95'i 60 ms ise isteğin p95'i 100 ms değildir. Bileşen bazlı bütçe planlama için işe yarar, ama uçtan uca değeri ayrıca ölçün.
- Fan-out (tek bir isteğin birçok sunucuya dağıtılması) tail latency'yi büyütür. Jeff Dean ve Luiz Barroso "The Tail at Scale" makalesinde, genelde 10 ms'de cevap veren ama p99'u bir saniye olan bir sunucuyu ele alır. Bir kullanıcı isteği bu sunuculardan 100'ünün paralel cevabını beklemek zorundaysa, isteklerin %63'ü bir saniyeden uzun sürer (Communications of the ACM, 2013). On mikroservis çağıran bir sayfa aynı sorunu daha küçük ölçekte yaşar.
Web sayfaları için hedefleri Google zaten belirlemiş durumda. Core Web Vitals, Largest Contentful Paint (LCP) için en fazla 2,5 saniye, Interaction to Next Paint (INP) için en fazla 200 ms ve Cumulative Layout Shift (CLS) için en fazla 0,1 ister. Bu değerler sayfa yüklemelerinin 75. yüzdeliğinde, mobil ve masaüstü için ayrı ayrı ölçülür (web.dev).
Her hedef bir yanıt süresi olmak zorunda değil. Dublin merkezli EdgeHunters bahis analitiği araçları satıyor; oran verisi platformunu yaklaşık iki buçuk yıl boyunca biz geliştirip işlettik. Böyle bir üründe bayat bir oran öneriyi değersiz kılar. Burada hızın ölçüsü tazeliktir, yani oranın kullanıcının önüne geldiğinde ne kadar eski olduğu. Platform güncel oranları her beş dakikada bir paketleyip ürünün okuyacağı yere aktarıyordu. 2025'te uçtan uca gecikmeyi azaltmak için bir sonraki adımı da tasarladık: aynı maçı farklı bahis sitelerinde eşleştiren, akış tabanlı ve olay güdümlü (event-driven) bir mimari. İşlem hacmi (saatte işlenen belge, dakikada tamamlanan iş) ve istek başına maliyet de aynı şekilde hedef olabilir.
Bir şeyi değiştirmeden önce gerçek sistemi ölçün
Laboratuvar ölçümleri ile saha ölçümleri çoğu zaman birbirini tutmaz; kullanıcının yaşadığı ise sahadaki değerdir. Lighthouse sayfayı kullanıcısı olmayan, simüle edilmiş bir ortamda yüklediği için INP'yi hiç ölçemez; raporladığı Total Blocking Time (TBT) bunun laboratuvardaki yaklaşık karşılığıdır. Gerçek değerler için gerçek kullanıcı izleme (RUM) ya da Chrome'un saha verisi gerekir. Kullanıcılarınız telefondaysa bu ayrım daha da önem kazanır. Finlandiya'daki bir müşterimiz için geliştirdiğimiz emlak arama platformunda Eylül 2026'daki Google tıklamalarının çoğu mobil cihazlardan geldi; bir geliştiricinin dizüstünde çalışan Lighthouse testi bu ziyaretler hakkında pek bir şey söylemez.
Backend tarafında incelemelerin çoğu için üç sinyal yeter:
- Uç nokta başına gecikme histogramları. Böylece ortalama yerine p50, p95 ve p99'u okuyabilirsiniz.
- Yanlarında istek ve hata oranı. Hatalar artarken düşen gecikme iyileşme sayılmaz.
- Dağıtık izleme (distributed tracing). Tek bir yavaş isteğin zamanını servisler, sorgular ve dış çağrılar arasında nasıl harcadığını gösterir. Trace üretmek için belirli bir firmaya bağlı olmayan standart OpenTelemetry; büyük APM ürünleri bu veriyi kabul ediyor.
Span özniteliklerine ve loglanan URL'lere kişisel veri koymayın. Sorgu parametresinde e-posta adresi ya da T.C. kimlik numarası taşıyan bir trace, izleme hizmetini sağlayan şirketi o veri için veri işleyen konumuna sokar. Hizmet yurt dışında barındırılıyorsa bu, KVKK'nın 9. maddesi kapsamında yurt dışına aktarımdır; standart sözleşme yolunu seçtiyseniz sözleşmeyi imzaladıktan sonra beş iş günü içinde Kurum'a bildirmeniz gerekir (KVKK duyurusu). En kolayı bu veriyi telemetriye hiç almamak.
Koda dokunmadan önce darboğazı bulun
Yavaş bir isteğin trace'inden başlayın. Hangi span'in geniş olduğunu o söyler; şüphelendiğiniz kod, trace onu gösterene kadar bekleyebilir. Sonra o katmana uygun aracı seçin.
Zaman veritabanında harcanıyorsa
PostgreSQL'de pg_stat_statements'ı açın ve sorguları toplam süreye göre sıralayın. Günde iki milyon kez çağrılan 3 ms'lik bir sorgu veritabanını günde 100 dakika meşgul eder; günde iki kez çalışan 4 saniyelik bir rapor ise sekiz saniye. Ortalama süreye göre sıralasaydınız rapor en üstte çıkardı.
-- postgresql.conf içinde shared_preload_libraries = 'pg_stat_statements' olmalı
-- (değiştirmek sunucunun yeniden başlatılmasını gerektirir) ve sorguladığınız
-- veritabanında CREATE EXTENSION pg_stat_statements; çalıştırılmış olmalı.
SELECT left(query, 80) AS sorgu,
calls AS cagri,
round(total_exec_time) AS toplam_ms,
round(mean_exec_time::numeric, 2) AS ortalama_ms
FROM pg_stat_statements
ORDER BY total_exec_time DESC
LIMIT 10;Kurulum adımları ve sütun adları PostgreSQL belgelerinde var. Listenin başındaki sorguları EXPLAIN ANALYZE ile inceleyin: sorguyu gerçekten çalıştırır ve planın her düğümü için gerçek satır sayısını ve süreyi gösterir. PostgreSQL 18'den beri buffer kullanımını da varsayılan olarak raporluyor. Komut gerçekten çalıştığı için bir UPDATE ya da DELETE incelerken onu bir transaction içine alın ve sonunda ROLLBACK yapın.
Zaman sizin kodunuzda harcanıyorsa
Gerçek iş yükü üzerinde örneklemeli (sampling) bir profiler kullanın; canlı ortamda ya da canlıya yakın büyüklükte veri olan bir ortamda. Veritabanında on satır bulunan bir dizüstünde gördüğünüz sıcak nokta, çoğu zaman canlıdakiyle aynı değildir.
- Python: py-spy, çalışan bir sürece yeniden başlatmadan bağlanır ve alev grafiği (flame graph) üretir. Linux'ta kendi başlatmadığı bir sürece bağlanmak için root yetkisi, konteyner içinde de
SYS_PTRACEyetkisi gerekir. - JVM: async-profiler ya da JDK ile birlikte gelen JDK Flight Recorder.
- Go: standart kütüphanedeki
net/http/pprofpaketinin HTTP üzerinden sunduğu pprof. - Node.js:
node --cpu-prof, Chrome DevTools'ta açabileceğiniz bir.cpuprofiledosyası yazar.
Alev grafiğinde genişlik zamandır. Kendi kodunuza ait en geniş çerçevelere bakın ve her birinin size en fazla ne kazandırabileceğini aklınızda tutun: isteğin %8'ini alan bir fonksiyonu ne kadar akıllıca düzeltirseniz düzeltin, kazancınız en fazla %8 olur.
Geniş görünen bir şey yoksa
Hiçbir span ya da çerçeve öne çıkmıyorsa istek büyük ihtimalle bir şey bekliyordur: bir kilit, bağlantı havuzu, thread havuzu, disk ya da başka bir servis. CPU profiler'ları bekleme süresini göstermez. Burada Brendan Gregg'in USE yöntemi iyi bir kontrol listesidir: her kaynak için kullanım (utilization), doygunluk (saturation) ve hata (errors) değerlerine bakın. Tamamen dolu ve önünde bağlantı bekleyen isteklerin biriktiği bir bağlantı havuzu, dışarıdan bakınca tıpkı yavaş bir veritabanı gibi görünür.
Sık karşılaşılan düzeltmeler ve bedelleri
Yavaş bir web backend'inin sebebi çoğu zaman aşağıdakilerden biridir. Hiçbirinin düzeltmesi bedava değil.
N+1 sorguları
Bir liste uç noktası 50 sipariş yükler, sonra her siparişin müşterisini almak için ayrı bir sorgu atar: iki sorgunun yeteceği yerde 51 gidiş dönüş. ORM'ler bunu yazmayı kolaylaştırır, fark etmeyi zorlaştırır. Çözüm bir join ya da toplu yüklemedir: Django'da select_related ve prefetch_related, GraphQL sunucularında DataLoader. Ardından düzeltmeyi, sorgu sayısı veriyle birlikte artarsa başarısız olan bir testle sabitleyin:
from django.test import TestCase
from django.urls import reverse
from siparisler.tests.factories import OrderFactory # kendi factory_boy fixture'larınız
class SiparisListesiSorgulari(TestCase):
def test_sorgu_sayisi_kayit_sayisiyla_artmiyor(self):
OrderFactory.create_batch(25)
# View, select_related("customer").prefetch_related("items") kullanıyor:
# müşterileriyle birlikte siparişler için bir sorgu, kalemlerin tamamı için bir sorgu.
with self.assertNumQueries(2):
response = self.client.get(reverse("order-list"))
self.assertEqual(response.status_code, 200)Kesin sayı view'ınıza bağlı; oturum (session) ve sayfalama kendi sorgularını ekler. Önemli olan, sayının 25 siparişte de 5 siparişte de aynı kalması. Durum kodu kontrolü, giriş sayfasına yönlendiren ya da 404 dönen bir isteğin az sorguyla testi geçip hızlı bir uç nokta sanılmasını önler. Bedeli şu: önceden yükleme (eager loading), ilişkili veriye ihtiyacı olmayan çağrılarda da o veriyi çeker. Bu yüzden modelin varsayılan davranışını değiştirmeyin, uç nokta bazında uygulayın.
Eksik ya da yanlış indeksler
EXPLAIN ANALYZE çıktısında, seçici bir WHERE koşuluna rağmen büyük bir tablonun baştan sona taranması (Seq Scan) klasik işarettir. Çok sütunlu bir B-tree indeksi en çok, sorgu baştaki sütunlara göre filtrelediğinde işe yarar; yani sütun sırası önemlidir. Her indeks yazma işlemlerini yavaşlatır ve disk tüketir. En çok çalışan sorgularınızın ihtiyaç duyduklarını ekleyin, hiç kullanılmayanları da pg_stat_user_indexes görünümünden bulun.
Gereğinden büyük bağlantı havuzları
Daha çok bağlantı daha çok kapasite gibi gelir, ama belli bir noktadan sonra yalnızca veritabanının içindeki çekişmeyi artırır. PostgreSQL projesinin başlangıç formülü, HikariCP'nin "About Pool Sizing" sayfasıyla yaygınlaştı: connections = (core_count × 2) + effective_spindle_count. Burada core_count, veritabanı sunucusunun fiziksel çekirdek sayısıdır (hyperthread'ler sayılmaz); etkin disk sayısı olan effective_spindle_count da çalışma kümesi tamamen önbellekteyse sıfırdır. Aynı sayfa, formülün SSD'lerde nasıl davrandığının analiz edilmediğini kabul ediyor ve bu değerin çevresinde yük testi yapmanızı öneriyor. İki kontrol daha: veritabanı tüm uygulama örneklerinin toplamını görür, yani havuzu 20 olan on pod 200 bağlantıya kadar açabilir. Talep tarafını da Little yasası verir: saniyede 500 sorgu geliyor ve her biri bağlantıyı 10 ms tutuyorsa, aynı anda yaklaşık beş bağlantı meşgul olur.
Sırayla yapılan, paralel yapılabilecek ya da isteğin içinde hiç yapılmaması gereken çağrılar
Üç servisi sırayla çağıran bir istek, üç gecikmenin toplamı kadar sürer; üçünü aynı anda çağırırsa yaklaşık en yavaşı kadar. Yanıtı değiştirmeyen işler (e-posta göndermek, arama indeksini güncellemek, denetim kaydı yazmak) kuyruğa gitmeli. Her dış çağrının bir zaman aşımı (timeout) olmalı; yoksa yavaşlayan tek bir bağımlılık worker'larınızı ve bağlantılarınızı tutar ve her şey onun arkasında sıraya girer.
Fan-out yapan sistemlerde tail latency için Dean ve Barroso "hedged request" denen tekniği anlatır: bir replika kısa bir süre içinde cevap vermezse aynı isteği ikinci bir replikaya da gönderir, önce gelen cevabı kullanırsınız. Makaledeki BigTable ölçümünde, 10 ms sonra ikinci isteği göndermek 1.000 anahtarı okumanın 99,9. yüzdelik gecikmesini 1.800 ms'den 74 ms'ye indirmiş; bedeli %2 fazla istek. Bu yalnızca idempotent okumalarda güvenlidir; bir ödeme isteğini ya da herhangi bir yazma işlemini asla iki kez göndermeyin.
Önbellek
Önbellek (cache), aynı veri değiştiğinden çok daha sık okunuyorsa ve biraz bayat bir cevap kabul edilebiliyorsa kazandırır. Bedelini geçersizleme (invalidation) mantığıyla, yeni bir arıza biçimiyle (deploy sonrasında önbellek boştur ve yükün tamamı bir anda veritabanına biner) ve kullanıcının eski veriyi gördüğü hatalarla ödersiniz. TTL seçmeden önce ne kadar bayatlığa razı olduğunuza karar verin. Kullanım kalıpları için Redis yazımıza bakabilirsiniz.
Fazla JavaScript
Frontend'de kıt olan kaynak kullanıcının telefonudur. Büyük bir bundle INP'yi bozar, çünkü kullanıcı ekrana dokunduğunda ana thread kodu ayrıştırmak ve çalıştırmakla meşguldür. Kodu rota bazında bölün, ilk görünümün ihtiyaç duymadığı her şeyi erteleyin ve CI'a bir bundle boyutu bütçesi koyun ki bundle kimse fark etmeden iki katına çıkmasın.
Düzeltmeyi gerçekçi trafikle yük testinden geçirin
Bir yük testini bozmanın en kolay yolu yanlış trafik modelidir. Kapalı modelde (closed model) sabit sayıda sanal kullanıcı bir istek gönderir, cevabı bekler ve sonra bir sonrakini gönderir. Sistem yavaşladığında bu kullanıcılar daha uzun bekler ve daha az istek gönderir; yük, sistemi en çok zorlaması gereken anda düşer. k6 belgeleri bu sorunun literatürde "coordinated omission" adıyla bilindiğini belirtiyor. Gerçek kullanıcılar ise sunucunuz ne kadar yavaşlarsa yavaşlasın gelmeye devam eder. Bu yüzden geliş hızını sizin belirlediğiniz açık modeli (open model) kullanın (k6: açık ve kapalı modeller).
// ilan-arama-yuk.js
// Çalıştırmak için: k6 run -e BASE_URL=https://staging.example.com ilan-arama-yuk.js
import http from 'k6/http';
import { check } from 'k6';
export const options = {
scenarios: {
arama: {
executor: 'constant-arrival-rate', // açık model: yeni istekler cevapları beklemez
rate: 50, // timeUnit başına 50 yeni arama,
timeUnit: '1s', // yani saniyede 50
duration: '10m',
preAllocatedVUs: 100,
maxVUs: 500,
},
},
thresholds: {
http_req_duration: ['p(95)<300', 'p(99)<800'],
http_req_failed: ['rate<0.01'],
},
};
export default function () {
const res = http.get(`${__ENV.BASE_URL}/api/ilanlar?il=ankara&sayfa=1`);
check(res, { 'durum 200': (r) => r.status === 200 });
}Eşiklerden biri aşılırsa k6 sıfırdan farklı bir çıkış koduyla biter; yani aynı betikle bir CI işini de başarısız kılabilirsiniz. Özetteki dropped_iterations metriğine bakın. Testin başında atlanan iterasyonlar genelde k6'ya daha fazla VU ayırmanız gerektiğini gösterir. Test ilerledikten sonra başlayan atlamalar ise isteklerin uzadığını, yani test edilen sistemin zorlanmaya başladığını gösterir.
Yük testini yanıltan başka şeyler de var:
- Fazla küçük test verisi. 10.000 satırda anında dönen bir sorgu, 50 milyon satırda saniyelerce tarama yapabilir. Canlı ortam büyüklüğünde, anonimleştirilmiş veriyle test edin.
- Yalnızca ısınmış önbellek. Testi bir kez de deploy sonrasındaki gibi soğuk başlatın.
- Fazla kısa koşular. On dakikalık bir test bellek sızıntısını ya da loglarla dolan bir diski göstermez; birkaç saatlik bir dayanıklılık (soak) testi gösterir.
- Başkalarının limitleri. Kapasiteniz, çağırdığınız her API'nin kotasını da içerir. Bir otomasyon ajansıyla birlikte, petrol sahalarında hizmet veren bir şirket için kurduğumuz saha fişi otomasyonunda günde yaklaşık 100 belge LLM ile işleniyor. İşi en çok aksatan şey LLM API'lerinin hız limitlerine (HTTP 429) takılmaktı. Çözüm, limite takılan çağrıyı alternatif bir modele yönlendirmek oldu. Bu kotaları yoğun gününüzden önce öğrenin ve izin almadan başka birinin canlı API'sine yük testi yöneltmeyin.
Kapasite planlamasını da aynı araçlarla yaparsınız. Geliş hızını p99 eşiği aşılana kadar adım adım artırın. Testi geçen son hız bugünkü tavanınızdır; onunla beklediğiniz en yoğun trafik arasındaki fark da güvenlik payınızdır. Türkiye'de o en yoğun gün çoğu zaman takvimden okunur: kampanya günleri, maaş günü, bir sınav sonucunun açıklandığı saat. Testi o günün trafiğine göre kurun.
Gerilemelerin önünü kesin
Düzeltmeler kalıcı değildir. Biri serializer'a bir alan ekler ve martta düzelttiğiniz uç nokta haziranda yine N+1 yapıyordur. Birkaç ucuz önlem bunun çoğunu yakalar:
- En yoğun uç noktalarınızda yukarıdaki gibi sorgu sayısı testleri.
- Staging ortamında eşikli, kısa bir k6 koşusu: her gece ya da main dalına yapılan her merge'de. Böyle bir işi nasıl kuracağınızı GitHub Actions yazımızda anlattık.
- Laboratuvar metrikleri (LCP, CLS ve INP yerine TBT) için Lighthouse CI ve bir bundle boyutu bütçesi.
- Canlı ortamda her deploy öncesi ve sonrası uç nokta başına p95 ve p99 karşılaştırması. Alarmı da tek tük yavaş isteklere göre kurmak yerine SLO hata bütçesinin tükenme hızına (burn rate) bağlayın.
Ne zaman uğraşmaya değmez
Performans çalışması mühendislik zamanına mal olur ve bazen en doğrusu hiç girişmemektir. Beş kişinin kullandığı bir iç araç, çıktısına ihtiyaç duyulmadan saatler önce biten bir gece işi ya da hâlâ ilk kullanıcılarını arayan bir ürün, bir haftalık ince ayarı nadiren hak eder. Sorun gerçekten kapasiteyse daha büyük bir veritabanı sunucusunun aylık maliyeti, bir mühendisin o bir haftasından düşük kalabilir.
Donanım, her yeni müşteriyle büyüyen bir N+1 döngüsünü, kilit çekişmesini ya da fan-out'tan gelen tail latency'yi düzeltmez; sunucu eklemek bunları çoğu zaman kötüleştirir. Kaynakları büyütürseniz faturayı da izleyin. Bulut maliyet optimizasyonu yazımız, faturanın bir sonraki sorununuz olmaması için neler yapılabileceğini anlatıyor.
Sık sorulan sorular
Performans mühendisi ne iş yapar?
Performans hedeflerini tanımlar ve izler, yavaş kod yollarını profiler ile inceler, yük ve stres testlerini tasarlayıp koşar, düzeltmelerde geliştiricilerle birlikte çalışır. İş ilanlarında bu unvan farklı anlamlarda kullanılıyor, o yüzden görev tanımını okuyun: kimi yük testi uzmanı arar, kimi canlı ortamdaki kodu profiler ile inceleyip sık çalışan kod yollarını (hot path) yeniden tasarlayacak birini. Küçük ekiplerde bu, ayrı bir unvandan çok kıdemli bir backend mühendisinin üstlendiği bir roldür.
Yük testi, stres testi ve soak testi arasındaki fark ne?
Yük testi beklediğiniz trafiği, en yoğun anı da dahil olmak üzere çalıştırır ve sonucu hedeflerinizle karşılaştırır. Stres testi yükü bu noktanın ötesine taşımaya devam eder; amaç sistemin nerede ve nasıl çöktüğünü görmektir: yavaş yavaş mı ağırlaşıyor, yoksa istekleri reddetmeye başlayıp ancak yeniden başlatılınca mı toparlanıyor? Soak (dayanıklılık) testi ise normal yükü saatlerce sürdürür ve bellek sızıntısı ya da loglarla dolan bir disk gibi zamanla biriken sorunları yakalar. k6'da üçü de aynı betik, yalnızca senaryo değişir.
Performans çalışmasına ne zaman başlanmalı?
Sonradan değiştirmesi pahalı kararlar için tasarım aşamasında: bir isteğin kaç servise dokunduğu, neyin senkron çalıştığı, listelerin nasıl sayfalandığı. Tek tek fonksiyonların ince ayarı, profiler onları gösterene kadar bekleyebilir.
Performans mühendisliği ile SRE aynı şey mi?
Kesişirler. SRE, gecikme SLO'ları da dahil olmak üzere canlı ortamdaki güvenilirlikten sorumludur. Performans mühendisliği bunun yanında tasarım kararlarını ve sürüm öncesi testleri de kapsar. Küçük ekiplerde ikisini çoğu zaman aynı kişiler yapar.
Yavaşlayan bir backend'iniz varsa backend ve API geliştirme sayfamızdan bize yazabilirsiniz.
İlgili Makaleler
API Gateway Nedir? Ne İşe Yarar, Ne Zaman Gerekir?
API gateway'in ne yaptığını, load balancer ve service mesh'ten farkını, ne zaman gerektiğini ve Kong, Traefik ile AWS API Gateway arasında nasıl seçim yapılacağını anlatıyoruz.
Devamını Oku: API Gateway Nedir? Ne İşe Yarar, Ne Zaman Gerekir?gRPC Nedir? REST'ten Farkı ve Ne Zaman Kullanılmalı
gRPC nedir, .proto sözleşmesiyle nasıl çalışır, REST'ten nerede ayrılır? Servisler arasında ne zaman kullanmaya değdiğini, protobuf ile JSON'u karşılaştırdığımız kendi ölçümümüzle anlatıyoruz.
Devamını Oku: gRPC Nedir? REST'ten Farkı ve Ne Zaman KullanılmalıFintek Yazılım Çözümleri: Türkiye'de Lisans, Defter ve Mutabakat
Fintek kodunun çoğu sıradan yazılım. Zor kısımlar lisansın ve paranın kimde olduğu, bankayla her gün mutabakatı yapılan bir defter ve kart ile kimlik verisini dar bir kapsamda tutmak.
Devamını Oku: Fintek Yazılım Çözümleri: Türkiye'de Lisans, Defter ve Mutabakat
