smaple.tr
serverless

Sunucusuz (Serverless) Mimari: AWS Lambda ve Olay Tabanlı Geliştirme [2026]

Mehmet Kurtipek
8 Haziran 2026
8 dk okuma
serverless
aws lambda
sunucusuz mimari
faas
olay tabanlı
bulut bilişim

Serverless Mimarisi: Bulut Bilişiminin Yeni Çağı

Geçtiğimiz yılda, sunucusuz (serverless) teknolojiler işletmeler arasında hızla yaygınlaşmaya başladı. Ancak birçok karar verici, sunucusuz mimarinin temel avantajlarını ve sınırlamalarını tam olarak anlamamaktadır. Bu makale, sunucusuz hesaplama modelinin iş gerçekleri üzerindeki etkisini açıklayarak, AWS Lambda, Azure Functions ve Google Cloud Functions gibi hizmetlerin ne zaman ve nasıl kullanılacağını gösterecektir.

Sunucusuz Kavramı: Teknik Terminolojiye Karşı İş Değeri

Sunucusuz mimari, altyapı yönetiminden kaynaklanan yükü tamamen ortadan kaldırmaktadır. Geleneksel bulut mimarinde, en az bir sanal sunucuyu çalışır durumda tutmanız gerekmektedir. Sunucusuz yaklaşımda ise yalnızca kodunuzu çalıştırdığınız zaman ödeme yaparsınız.

İşletme perspektifinden bu değişim önemlidir. Operasyon ekiplerinin sunucu yönetimi, güncelleme ve izleme görevleri ortadan kalkmaktadır. Kod yazma ve iş mantığına odaklanmak mümkün hale gelir. Bu, özellikle küçük ve orta ölçekli şirketler için önemli bir avantajdır.

Ancak sunucusuz mimari, tüm senaryolar için uygun değildir. Bu makale, karar verici pozisyondaki profesyonellerin ne zaman sunucusuz çözümlere yatırım yapması gerektiğini belirlemelerine yardımcı olacaktır.

FaaS ve BaaS: Temel Ayrım

Sunucusuz hesaplama iki ana kategoriye ayrılır: Functions as a Service (FaaS) ve Backend as a Service (BaaS).

Functions as a Service (FaaS), kodu belirli tetikleme olaylarına yanıt olarak çalıştırır. AWS Lambda, Azure Functions ve Google Cloud Functions tipik örneklerdir. İşletme için bu, yalnızca gerekli zaman hesaplama kaynağını satın almak anlamına gelir.

Backend as a Service (BaaS), veritabanı, kimlik doğrulama ve depolama gibi tam arka uç hizmetleri sunar. Firebase, AWS Amplify ve Supabase örneklerdir. Bu hizmetler FaaS'ı tamamlayarak tam bir uygulama geliştirme platformu oluşturur.

İş stratejisi açısından FaaS, mevcut mimarinize entegre edilebilecek esneklik sağlarken, BaaS, hızlı prototipleme ve MVP geliştirme için ideal çözümler sunmaktadır.

Bulut Sağlayıcıların Sunucusuz Teklifleri

Hizmet AWS Azure Google Cloud
Ana Ürün AWS Lambda Azure Functions Google Cloud Functions
Desteklenen Diller 15+ 7+ 6+
Ücretsiz Ayılık İstek 1 Milyon 1 Milyon 2 Milyon
Soğuk Başlangıç Süresi 100-500ms 50-200ms 200-1000ms
Maksimum Yürütme Süresi 15 dakika 10 dakika 9 dakika

Her sağlayıcı farklı güçlü ve zayıf yönlere sahiptir. AWS Lambda, en geniş entegrasyon seçenekleri ve olgun ekosistem sunmaktadır. Azure Functions, Microsoft teknoloji yığını kullanan kurumlar için mükemmeldir. Google Cloud Functions, basitlik ve hız konusunda öne çıkmaktadır.

Pratik Kullanım Durumları

Sunucusuz mimarisi belirli iş problemleri için idealdir:

API Arka Uçları: E-ticaret sitelerinin ürün listesi API'leri veya rezervasyon sistemleri Lambda ile kolayca oluşturulabilir. Trafik dalgalanmalarına otomatik ölçeklenir.

Olay İşleme: Bir müşteri satın aldığında, faturalandırma sistemi, e-posta bildirimi ve envanter güncelleme gibi işlemleri koordine etmek için olay tabanlı işlevler idealdir. Her işlem bağımsız olarak ölçeklenebilir.

Zamanlanmış Görevler: Günlük raporlar üretme, veritabanı temizliği veya dış API'lerle eşitleme işleri sunucusuz fonksiyonlarla yönetilir. Saatlerce beklemek yerine, yalnızca çalışma süresi ödeme yapılır.

Dosya İşleme: Bir S3 depolama klasörüne yüklenen görüntüleri otomatik olarak sıkıştırmak veya dönüştürmek için Lambda, fotoğraf hizmetleri için mükemmel bir çözümdür.

Real-time Veri Analizi: IoT cihazlarından gelen veri akışını işlemek ve tahmin yapmak için sunucusuz fonksiyonlar oldukça etkilidir.

Fiyatlandırma Modeli: Ödediğiniz Kadar Öde

Sunucusuz hesaplamanın en ilgi çekici yönü fiyatlandırma modelidir. Saatlik sabit ücret yerine, çalışma zamanı ve istek sayısına göre ödeme yapılır.

AWS Lambda örneğinde:

  • İlk 1 milyon istek aylık ücretsizdir
  • Sonraki her 1 milyon istek için 0,20 dolar ödenir
  • Her 100 milisaniyelik çalışma zamanı için 0,0000083334 dolar ödenir (1GB bellek için)

Diyelim ki bir şirketnin aylık 5 milyon isteği var ve her istekte ortalama 200 milisaniye geçiyor. Maliyet yaklaşık 15-20 dolardır. Aynı iş yükünü sunucuda çalıştırmak, aylık en az 50-100 dolar tutacaktır.

Ancak yüksek trafikli uygulamalarda durum değişebilir. Aylık 500 milyon istek işleyen bir platform için sunucusuz maliyet, ayrılmış sunuculara kıyasla daha pahalı olabilir. Bu noktada Reserved Instance veya ayrılmış kapasiteye geçmek daha ekonomik hale gelir.

Soğuk Başlangıç Sorunu

Sunucusuz mimarinin temel zorlukları arasında "soğuk başlangıç" yatmaktadır. Bir fonksiyon belirli bir süre çalışmadığında, sağlayıcı kaynakları serbest bırakır. Fonksiyon tekrar çağrıldığında, ortamı yeniden başlatmak için zaman gerekir.

AWS Lambda için bu zaman 100-500 milisaniye arasında değişir. Yüksek hız gerektiren uygulamalarda bu kayıplar sorunlu olabilir. Örneğin, gerçek zamanlı oyun sunucuları veya finansal ticaret sistemleri bu latensiye tolerans gösteremez.

Şirketler bu sorunu çözmek için birkaç strateji uygulayabilir:

  • Fonksiyonları sıcak tutmak için periyodik çağrılar yapma
  • Provisioned Concurrency seçeneğini kullanma (ek maliyet taşır)
  • Yerel test ortamında geliştirme yaparak soğuk başlangıç etkisini ölçme

Sunucusuz Mimarinin Uygun Olmadığı Durumlar

Tüm iş problemleri sunucusuz çözümlerle çözülemez:

Uzun İşlemler: 15 dakikayı aşan işlemler (AWS Lambda'nın maksimum süresi) uygun değildir. Aylık denetim raporu oluşturma gibi ağır işlemler için geleneksel sunucular daha uygundur.

Stateful Uygulamalar: Kalıcı bir oturum durumu gerektiren gerçek zamanlı iletişim uygulamaları (chat, sohbet) sunucusuz mimariye uygun değildir.

Yüksek Trafikli Sistemler: Saniyede milyonlarca istek işleyen sosyal ağlar veya ticari platformlar, ayrılmış sunucu altyapısı kullanmaya devam etmektedir.

Genel Amaçlı Bilgisayar: Kompleks makine öğrenmesi modellerini eğitmek veya ağır grafik işleme işlemler sunucusuz ortamda pratik değildir.

Maliyet Karşılaştırması: Sunucusuz vs Geleneksel

Tipik bir orta ölçekli API uygulaması düşünelim: aylık 10 milyon istek, ortalama yanıt süresi 300 milisaniye.

Sunucusuz (AWS Lambda):

  • İstek maliyeti: (10 - 1) × 0,20 = 1,80 dolar
  • Hesaplama maliyeti: 10 milyon × 0,3 sn × 0,0000083334 = 25 dolar
  • Toplam aylık maliyet: ~27 dolar
  • Yıllık maliyet: ~324 dolar

Geleneksel Sunucu (AWS EC2):

  • t3.medium örneği (2GB RAM, 2vCPU) aylık maliyeti: ~33 dolar
  • Minimum 2 örnek yüksek kullanılabilirlik için: ~66 dolar/ay
  • Yılık maliyet: ~800 dolar

Bu durumda sunucusuz, %60 daha ekonomik bir çözüm sunmaktadır.

Ancak aynı trafiği 500 milyon isteğe çıkarırsak:

Sunucusuz:

  • Yıllık maliyet: ~1.200 dolar

Geleneksel (4 örnek):

  • Yıllık maliyet: ~1.600 dolar

Yüksek trafikte fark küçülür, ancak yine de sunucusuz avantajlıdır. 1 milyar isteğe ulaşıldığında, ayrılmış kapasite daha ekonomik hale gelir.

Olay Tabanlı Geliştirme Paradigması

Sunucusuz mimarinin gücü, olay tabanlı bir düşünme şekli gerektirmesidir. Geleneksel uygulamalar senkron iş akışıyla çalışır: bir görev biterse sonraki başlar.

Olay tabanlı mimariler, bağımsız fonksiyonların çeşitli olaylara yanıt vermesi ilkesine dayanır. Bir sipariş oluştuğunda:

  1. Faturalandırma fonksiyonu çalışır
  2. Depo fonksiyonu çalışır
  3. Bildirim fonksiyonu çalışır

Tüm bunlar paralel ve bağımsız olarak gerçekleşir. Bir hata, diğerlerini etkilemez.

Bu mimari, ölçeklenebilirlik ve esneklik sağlarken, yönetim karmaşıklığını arttırabilir. Olay akışlarını izlemek ve hatalar konusunda bilgiye sahip olmak kritik hale gelir.

Sunucusuz Mimaride Gözlemlenen Zorluklar

Sunucusuz mimarinin güzelliğine rağmen, pratik uygulamada bazı zorluklar ortaya çıkabilir. Bu zorlukları anlamak, karar verme sürecinde önemlidir.

Distributed Tracing ve Hata Ayıklama: Sunucusuz ortamda, bir istek birden fazla fonksiyondan geçebilir. Bir sorunu takip etmek, geleneksel uygulamalardan daha karmaşıktır. X-Ray (AWS) veya Application Insights (Azure) gibi araçlar gerekli hale gelir ve ek maliyete neden olur.

State Yönetimi: Sunucusuz fonksiyonlar stateless olması gerekir. Eğer durum tutmanız gerekirse, veritabanı veya cache sistemi kullanmanız gerekir. Bu, tasarım kararlarını önemli ölçüde etkiler.

Kütüphane ve Bağımlılık Boyutu: Fonksiyonlar paketlenirken, boyut sınırlamaları vardır. AWS Lambda'nın 250MB sınırı, büyük kütüphaneler içeren projelerde sorunlu olabilir.

Vendor Lock-in: AWS Lambda'ya yatırım yaptığınızda, başka sağlayıcıya geçmek zorlaşabilir. Belirli Lambda özelliklerine bağlı kalırsınız. Bu, uzun vadeli stratejide göz önünde bulundurulması gereken bir risk faktörüdür.

Sunucusuz Mimarinin İş Etkinlikleri

Belirli iş türleri, sunucusuz mimariye özellikle uygun olmuştur. Bu örnekler, karar verici pozisyondakilere ilham verebilir.

Pazarlama Otomasyonu Şirketleri: Her müşteri eylemi (e-posta açma, bağlantıya tıklama) bir olayı tetikler. Sunucusuz mimarisi, bu olayları hızlı ve verimli bir şekilde işleyebilir. Maliyet, gerçek iş yüküne göre ölçeklenir.

IoT Veri Toplama: Milyonlarca sensörden dakika başına milyarlarca veri noktası gelebilir. Sunucusuz mimarisi, bu veri akışını otomatik olarak ölçeklendirerek işler.

Mevsimsel İşletmeler: Kara Cuma öncesinde trafiği 100 kat artıran e-ticaret sitelerinde, sunucusuz mimarisi sayesinde otomatik ölçekleme sağlanır. Ekim ayında sunucu maliyeti ödemeniz gerekmez.

Smart Maple'ın Sunucusuz Yaklaşımı

Smart Maple olarak, sunucusuz mimarisini, iş hedeflerine uygun bir araç olarak görmekteyiz. Her proje için ayrıntılı bir analiz yaparak, sunucusuz çözümlerin gerçekten uygun olup olmadığını değerlendiririz.

Tipik bir Smart Maple sunucusuz proje şöyle ilerler:

  1. Maliyet analizi: Sunucusuz vs alternatifler arasında kapsamlı karşılaştırma yapılır. Aylık 1 milyondan 1 milyar isteğe kadar olan senariyolar için detaylı hesaplamalar sunulur.

  2. Iş yükü modelleme: Pik saatler, günlük ortalama trafiği, mevsimsel dalgalanmalar analiz edilir. Geçmiş verilerin bulunmadığı durumlarda tahminler yapılır.

  3. Soğuk başlangıç değerlendirmesi: Uygulamanın latens gereksinimlerinin kontrol edilmesi. Örneğin, API yanıt süresi 500ms ise, 300ms soğuk başlangıç problemli olabilir.

  4. Olay mimarisi tasarımı: Bağımsız fonksiyonlar ve integrasyonların planlanması. Hangi olaylar hangi fonksiyonları tetikleyeceği belirlenir.

  5. Monitoring ve uyarı kurulması: Üretim ortamında sorunları hızlı tespit etme için CloudWatch, X-Ray ve tercih edilen gözlem araçları yapılandırılır.

  6. Başarılı Geçiş: Mevcut sistemlerden sunucusuz mimariye geçiş adım adım gerçekleştirilir, riskleri minimize ederek.

Bulut Bilişim ve DevOps hizmetleri konusunda daha fazla bilgi için, Bulut Bilişim ve DevOps Hizmetleri makalesini inceleyebilirsiniz.

Sonuç ve Karar Verme Kriterleri

Sunucusuz mimarisi, doğru senaryolarda devrim yaratabilecek güçlü bir teknolojidir. Ancak tüm işletmelerin tüm iş problemleri için uygun değildir.

Sunucusuz'u seçmek için sorulan sorular:

  • Trafiğimiz mevsimsel olarak değişiyor mu?
  • İşlemlerimiz kısa ve müstakil midir?
  • Operasyon ekibimiz uzmanlaşmış midir?
  • Maliyet kontrolü büyük bir öncelik midir?

Tüm sorulara evet yanıtı verdiyseniz, sunucusuz mimari sizin için ideal çözüm olabilir. Aksi takdirde, hibrid bir yaklaşım veya geleneksel altyapı daha uygun olabilir.

Bulut mimarisi konusunda emin değilseniz, Smart Maple'ın deneyimli danışmanları sizin için doğru yolu belirlemekte yardımcı olabilir. Serverless teknolojisinden en iyi şekilde yararlanmak için, smart-maple.com adresini ziyaret ederek bize ulaşın ve bulut stratejinizi birlikte geliştirin.

İlgili Makaleler

10 Ağustos 2026

MLOps Rehberi: Makine Öğrenmesi Modellerini Production'a Taşıma

Giriş: MLOps Nedir ve Neden Önemlidir? Makine öğrenmesi modelleri geliştirmek günümüzde nispeten kolaydır. Açık kaynak kütüphaneleri kullanarak son derece başarılı modeller oluşturabiliriz. Ancak bu modelleri production ortamına taşıyarak, ölçeklendirebilir, güvenilir ve sürdürülebilir şekilde çalıştırmak tamamen farklı bir hikayedir. Araştırmalara göre, veri bilimcileri tarafından geliştirilen makine öğrenmesi modellerinin %87'si hiçbir zaman production ortamına ulaşmaz. Bu başarısızlı

Devamını Oku: MLOps Rehberi: Makine Öğrenmesi Modellerini Production'a Taşıma
9 Ağustos 2026

LLM Fine-Tuning ve Özel Model Eğitimi Rehberi [2026]

LLM Fine-Tuning: Kurumsal Yapay Zeka Stratejisinin Temel Taşı Büyük dil modelleri (LLM), genel amaçlı metin üretimi ve anlama konusunda etkileyici performans sergiliyor. Ancak kurumsal ortamlarda belirli bir alan, terminoloji veya iş sürecine uyum sağlamaları gerektiğinde, genel bilgileri çoğu zaman yetersiz kalıyor. Bu noktada fine-tuning, yani ince ayar süreci devreye giriyor. Fine-tuning sayesinde mevcut bir temel modeli, kendi verileriniz ve ihtiyaçlarınız doğrultusunda özelleştirmek

Devamını Oku: LLM Fine-Tuning ve Özel Model Eğitimi Rehberi [2026]
8 Ağustos 2026

Bilgisayarlı Görü Uygulamaları: Nesne Tespiti, OCR ve Endüstriyel AI

Bilgisayarlı Görü Uygulamaları: Endüstriyel ve Medikal AI'nin Temel Teknolojisi Bilgisayarlı görü, makine öğrenmesinin en etkili alanlarından biridir. Türkiye'de yaşanan dijital dönüşüm sürecinde, özellikle üretim, sağlık ve lojistik sektörlerinde görü tabanlı otomasyon kritik hale gelmiştir. Smart Maple olarak Ankara'da geliştirdiğimiz çözümler, son beş yılda 150+ kuruluşunun üretim verimliliğini ortalama %35 oranında artırmıştır. Bu rehberde, bilgisayarlı görü teknolojisinin iş değeri

Devamını Oku: Bilgisayarlı Görü Uygulamaları: Nesne Tespiti, OCR ve Endüstriyel AI