smaple.tr
Yapay Zeka ve Veri

Zaman Serisi Veritabanı Nedir, Ne Zaman Gerekir?

Mehmet Kurtipek
4 Nisan 2026
14 dk okuma
Yapay Zeka ve Veri
Zaman serisi
PostgreSQL
InfluxDB
TimescaleDB

Zaman serisi veritabanı (time series database, TSDB), her biri bir zaman damgası taşıyan ölçümleri saklamak için tasarlanmış bir veritabanıdır: sensör okumaları, sunucu metrikleri, fiyatlar, sayaç değerleri gibi. Bu tür veride yeni kayıtlar durmadan eklenir, sorgular bir zaman aralığı seçip çoğunlukla onu özetler ("son 24 saatin beşer dakikalık ortalaması") ve eski veri belli bir takvime göre sıkıştırılır, özetlenir ya da silinir. TSDB'ler bu kullanım biçimine göre kurulur; en bilinenleri InfluxDB, Prometheus ve TimescaleDB.

Yine de her ekibin ayrı bir zaman serisi veritabanına ihtiyacı yok. Orta ölçekli hacimlerde zamana göre bölümlenmiş bir PostgreSQL tablosu işi görür. Kararı belirleyen, ne kadar veriyi ne kadar süre tuttuğunuz ve sorgularınızın geriye doğru ne kadar uzandığıdır.

Zaman serisi verisini farklı kılan ne?

Tipik bir uygulama veritabanındaki satırlardan üç özelliğiyle ayrılır.

Bir kez yazılır, nadiren değişir. Saat 10.04'te alınan bir okuma sonradan düzeltilmez, 10.05'teki okuma onun arkasından gelir. Veri çoğunlukla zaman sırasıyla gelir; tek tek satırları güncellemek ya da silmek istisnadır.

Zaman aralıkları halinde okunur. Sorguların neredeyse hepsinde bir zaman filtresi vardır ve çoğu bir özet ister: bu haftanın saatlik en yüksek sıcaklığı, son sürümden bu yana her uç nokta (endpoint) için p95 gecikme, her günün kapanış fiyatı. 48.213.551 numaralı satırı soran olmaz.

Eskidikçe değeri düşer. Dünkü saniyelik okumalar bir arızayı incelerken işe yarar; geçen yılınkiler ancak saatlik ya da günlük ortalama olarak anlam taşır. Bu yüzden ham veriyi kısa süre, özetleri çok daha uzun süre tutmak istersiniz.

Bir de hacim meselesi var; tahmin ettiğinizden çok daha hızlı büyür. Her 10 saniyede bir ölçüm gönderen 2.000 sensör düşünün. Bu saniyede 200 kayıt eder; her veritabanının kaldırabileceği bir yük. Öte yandan günde 17,28 milyon, yılda yaklaşık 6,3 milyar satır demektir.

Zaman serisi veritabanları neyi farklı yapar?

Ürünler birbirinden farklı, ama hepsinde aynı birkaç teknik var.

Veriyi zamana göre bölümlerler. Kayıtlar, her biri belli bir zaman aralığını kapsayan parçalarda (chunk ya da block) tutulur; TimescaleDB'de bir parça varsayılan olarak yedi günlüktür. Son 24 saati soran bir sorgu bir iki parçaya dokunur. Eski veriyi silmek de parçayı bütünüyle kaldırmak (drop) demektir ve birkaç saniyede biter. Yüz milyonlarca satırlık bir DELETE ise uzun süre çalışır ve arkasında şişkinlik (bloat) bırakır.

Sütun bazında sıkıştırırlar. Ardışık zaman damgaları neredeyse eşit aralıklıdır, ardışık değerler de yavaş değişir. Bu yüzden komşu değerler arasındaki farkı saklayıp birkaç bite sığdırmak çok iyi sonuç verir. Örneğin Prometheus örnek (sample) başına ortalama 1-2 bayt kullanır. Aynı ölçüm sıradan bir PostgreSQL satırı olarak, indeksler hariç yaklaşık 52 bayt tutar: 24 bayta tamamlanan 23 baytlık satır başlığı; zaman damgası, tamsayı sensör kimliği ve kayan noktalı (double) değer için hizalama boşluğuyla birlikte 24 bayt; bir de satırı sayfa içinde gösteren 4 baytlık işaretçi. Hesabı PostgreSQL'in sayfa düzeni belgesinden kendiniz de doğrulayabilirsiniz.

Sorgu dilleri zamanı tanır. Satırları sabit zaman aralıklarında (bucket) toplayan fonksiyonlar (TimescaleDB'de time_bucket, InfluxDB 3'ün SQL'inde date_bin), seyrek serilerdeki boşlukları dolduranlar ya da değişim hızını hesaplayanlar sizi aynı pencere fonksiyonu (window function) sorgusunu tekrar tekrar yazmaktan kurtarır.

Verinin yaşam döngüsünü de yönetirler. Saklama politikaları (retention policy) belli bir yaştan eski veriyi siler; sürekli güncellenen özet görünümler (continuous aggregate) ya da seyreltme (downsampling) işleri de saatlik ve günlük özetleri yeni veri geldikçe güncel tutar.

Ayrı bir TSDB'ye gerçekten ihtiyacınız var mı?

Ürün sayfalarını okumadan önce hesap yapın. Çoğu şirketin çalıştığı ölçekte darboğaz veri yazma hızı değildir: saniyede 200 kayıt, özellikle toplu (batch) ekleme yapıyorsanız, PostgreSQL'in özel bir ayar gerektirmeden taşıdığı bir yüktür. Zorlandığınız yer depolama ve aylarca geriye giden sorgulardır.

Yukarıdaki satır boyutuyla 2.000 sensörlük örnek, düz PostgreSQL'de günde yaklaşık 0,9 GB tablo verisi üretir. Bu ayda 27 GB, yılda 330 GB civarı eder ve indeksler buna dahil değildir; onlar da üstüne azımsanmayacak bir pay ekler. Prometheus'un örnek başına 1-2 baytlık oranıyla aynı gün 17-35 MB tutar. Aradaki 25 ila 50 katlık fark, bir zaman serisi motorunun size kazandırdığının büyük kısmıdır. Bu kararda yazma hızından çok saklama süresinin belirleyici olmasının nedeni de bu. Otuz günlük ham veri PostgreSQL'de sıradan bir tablodur; üç yıllık ham veri ise başlı başına bir depolama ve yedekleme işidir.

Bizim önerimiz şöyle:

  • Ham veri, saklama süresi boyunca tek bir sunucuya rahatça sığıyorsa ve ölçümleri müşteri, cihaz ya da sipariş tablolarınızla birleştirmeniz (JOIN) gerekiyorsa PostgreSQL'de kalın. Zamana göre bölümlemeyi baştan kurun; barındırma ortamınız izin veriyorsa ileride TimescaleDB'ye geçersiniz.
  • Gösterge panoları ve alarmlar için altyapı ve uygulama metrikleri topluyorsanız Prometheus'u ya da bulut sağlayıcınızın yönetilen karşılığını kullanın. İzlemeyi uygulama veritabanınızın üzerine kurmayın.
  • Çok sayıda cihazdan yüksek frekanslı telemetri geliyor, sorguların çoğu yakın tarihli veriye bakıyor ve iş tablolarınız zaten başka bir yerde duruyorsa InfluxDB 3 gibi ayrı bir motor masrafını çıkarır.
  • Asıl ihtiyacınız milyarlarca zaman damgalı olay üzerinde, çok boyutlu ve önceden kestiremediğiniz analizlerse (tıklama akışı, loglar, reklam gösterimleri) ClickHouse gibi sütun tabanlı bir analitik veritabanına da bakın. Bu ihtiyaç izlemeden çok veri ambarı tarafına yakındır.

Ekim 2026 itibarıyla başlıca seçenekler

Seçenek

Ne olduğu

Sorgu dili

Uygun olduğu iş

Dikkat edilecek nokta

Bölümlenmiş PostgreSQL

Zaten kullandığınız veritabanı

SQL

Orta hacimler, iş verisiyle JOIN

Satırlar sıkıştırılmaz; bölümleri siz yönetirsiniz

TimescaleDB

PostgreSQL eklentisi

SQL ve zaman fonksiyonları

Düz tablolara sığmamaya başlayan PostgreSQL ekipleri

Temel özellikler Community derlemesinde; RDS ve Cloud SQL'de yok

InfluxDB 3

Ayrı sunucu, veri Parquet dosyalarında

SQL, InfluxQL

Cihazlardan yüksek frekanslı telemetri, yakın tarihli panolar

Core dosya birleştirme (compaction) yapmaz; sorgu başına varsayılan sınır 72 saat civarı

Prometheus

Hedefleri tarayan (scrape) izleme sunucusu

PromQL

Altyapı ve servis metrikleri, alarmlar

Yerel, kopyalanmayan depolama; varsayılan saklama süresi 15 gün

QuestDB, ClickHouse, VictoriaMetrics

Ayrı sunucular

SQL; VictoriaMetrics'te MetricsQL

Piyasa ya da sensör verisinde hızlı SQL; büyük analitik taramalar; Prometheus için uzun süreli depolama

İşletilecek, izlenecek ve yedeklenecek bir sistem daha

Tek başına PostgreSQL

Yerleşik bölümleme (partitioning) ve iki indeks epey yol aldırır. Tabloyu aylara (hacim yüksekse günlere) bölün, sensör bazlı sorgular için bir B-tree indeksi tutun, zaman damgasına da bir BRIN indeksi ekleyin. BRIN her blok aralığı için yalnızca bir özet (en küçük ve en büyük değer) sakladığından, fiziksel sırası zamanı izleyen tablolarda çok küçük kalır.

CREATE TABLE readings (
    time       timestamptz      NOT NULL,
    sensor_id  integer          NOT NULL,
    value      double precision NOT NULL
) PARTITION BY RANGE (time);

CREATE TABLE readings_2026_10 PARTITION OF readings
    FOR VALUES FROM ('2026-10-01') TO ('2026-11-01');
CREATE TABLE readings_2026_11 PARTITION OF readings
    FOR VALUES FROM ('2026-11-01') TO ('2026-12-01');

-- sensör bazlı sorgular: WHERE sensor_id = 42 AND time > now() - interval '1 day'
CREATE INDEX ON readings (sensor_id, time DESC);
-- "bu aralıktaki tüm sensörler" taramaları için küçük bir indeks
CREATE INDEX ON readings USING brin (time);

-- aylar sonra, ekim ayı saklama süresinin dışına çıktığında.
-- CONCURRENTLY (PostgreSQL 14+) readings üzerindeki sorguları bekletmez,
-- ama transaction bloğu içinde çalıştırılamaz.
ALTER TABLE readings DETACH PARTITION readings_2026_10 CONCURRENTLY;
DROP TABLE readings_2026_10;

Gelecek ayın bölümünün önceden açılması gerekir: zaman damgası hiçbir bölüme düşmeyen bir INSERT hata verir. Bölümü açmayı unutursanız yeni ayın ilk saniyesinden itibaren bütün kayıtlar reddedilir. pg_partman eklentisi bölümleri önceden açar, eskilerini de kaldırır; Amazon RDS ile Google Cloud SQL'de de bulunur. Bu önemli, çünkü TimescaleDB bu iki serviste yok. Düz PostgreSQL'in yapmayacağı şey ise bu satırları sıkıştırmak: okuma başına 52 bayt, 52 bayt olarak kalır.

TimescaleDB

TimescaleDB bir PostgreSQL eklentisi (extension). SQL'i, JOIN'leri, sürücülerinizi ve yedekleme araçlarınızı korursunuz; üstüne hypertable'lar (zaman parçalarına kendiliğinden bölünen tablolar), sütun bazlı sıkıştırma, continuous aggregate'ler ve saklama politikaları gelir. Güncel sürüm, Eylül 2026'da çıkan 2.30; PostgreSQL 16, 17 ve 18'i destekliyor. Arkasındaki şirket 2025'te adını Tiger Data olarak değiştirdi, yönetilen servisin adı da artık Tiger Cloud. Eklentinin adı aynı kaldı.

Asıl dikkat edilmesi gereken konu lisans, çünkü eklentiyi nerede çalıştırabileceğinizi o belirliyor. TimescaleDB iki ayrı lisansla, iki derleme halinde dağıtılıyor ve Apache 2 lisanslı derlemede continuous aggregate'ler, sütun deposu (columnstore) ve saklama politikaları yok. Bunlar Tiger Data Lisansı altındaki Community derlemesinde; büyük bulut sağlayıcıları da bu derlemeyi sunmuyor. Pratikte durum şöyle:

  • Amazon RDS ve Google Cloud SQL, TimescaleDB'yi hiç sunmuyor.
  • Azure Database for PostgreSQL sunuyor, ama Microsoft yalnızca Apache lisanslı derlemeyi destekliyor.
  • Supabase, eklentiyi Postgres 17 projelerinde kullanımdan kaldırdı.
  • Özelliklerin tamamı için ya kendi sunucunuzda çalıştırırsınız ya da Tiger Cloud'u kullanırsınız.

Kendi sunucunuzda postgresql.conf içindeki shared_preload_libraries ayarına timescaledb ekleyip PostgreSQL'i yeniden başlatmanız gerekir; CREATE EXTENSION ancak bundan sonra çalışır. Aynı tablonun saatlik özetleri ve saklama süreleri tanımlanmış hypertable hali şöyle:

CREATE EXTENSION IF NOT EXISTS timescaledb;

CREATE TABLE readings (
    time       timestamptz      NOT NULL,
    sensor_id  integer          NOT NULL,
    value      double precision NOT NULL
) WITH (
    tsdb.hypertable,
    tsdb.segmentby = 'sensor_id',
    tsdb.orderby   = 'time DESC'
);

-- sensör başına saatlik özet, arka planda yenilenir
CREATE MATERIALIZED VIEW readings_hourly
WITH (timescaledb.continuous) AS
SELECT time_bucket(INTERVAL '1 hour', time) AS bucket,
       sensor_id,
       avg(value) AS avg_value,
       min(value) AS min_value,
       max(value) AS max_value
FROM readings
GROUP BY bucket, sensor_id
WITH NO DATA;

SELECT add_continuous_aggregate_policy('readings_hourly',
    start_offset      => INTERVAL '3 days',
    end_offset        => INTERVAL '1 hour',
    schedule_interval => INTERVAL '30 minutes');

-- ham okumalar 30 gün, saatlik özetler iki yıl saklanır
SELECT add_retention_policy('readings',        drop_after => INTERVAL '30 days');
SELECT add_retention_policy('readings_hourly', drop_after => INTERVAL '2 years');

TimescaleDB 2.23 ve sonrasında bu CREATE TABLE, bölümleme için ilk zaman damgası sütununu kullanır ve yaşı parça aralığını (varsayılan olarak yedi gün) geçen parçaları sıkıştıran bir columnstore politikasını kendiliğinden ekler. Kendi sunucusunda 2.20 ile 2.22 arasındaki bir sürümü çalıştıranların add_columnstore_policy çağrısını ayrıca yapması gerekir. Ne kadar yer kazanacağınız büyük ölçüde verinize bağlı; ilk parçalar dönüştükten sonra hypertable_size('readings') değerini öncesiyle karşılaştırın.

İki politikayı birlikte kullanırken dikkat edilmesi gereken bir tuzak var. Continuous aggregate yenilenirken kendi penceresini ham tablodan yeniden hesaplar. Saklama politikası bu pencerenin içinde kalan ham parçaları çoktan silmişse yenileme bunu veri silinmiş gibi yorumlar ve karşılık gelen özet satırlarını da siler. Yenileme penceresi, silinmiş veriye hiçbir zaman uzanmamalı: continuous aggregate'in start_offset değerini ham tablonun drop_after değerinden küçük tutun. Yukarıdaki örnekte bu, 30 güne karşı 3 gün.

InfluxDB 3

InfluxDB 3 sıfırdan yeniden yazıldı. Veriyi yerel diskte ya da nesne depolamada (S3, Google Cloud Storage, Azure Blob Storage, MinIO) Parquet dosyaları olarak saklıyor; sorgular SQL ya da InfluxQL ile yazılıyor. InfluxDB 2'nin sorgu dili Flux ise 3. sürümde çalışmıyor ve bakım moduna alınmış durumda, yani yeni bir işe Flux ile başlamayın. 2.x'ten geçiyorsanız Flux görevlerinizi (task) yeniden yazmayı plana ekleyin.

Kendi sunucunuzda çalıştırabileceğiniz iki ürün var: açık kaynak Core ve ticari Enterprise. Enterprise, Core'un üzerine dosya birleştirme (compaction), yüksek erişilebilirlik, okuma kopyaları (read replica) ve geçmiş veriyi sorgulama yeteneği ekliyor. Sonuncusu göründüğünden daha önemli. Core'da varsayılan query-file-limit değeri olan 432 Parquet dosyası, varsayılan 10 dakikalık dosya düzeniyle sorgu başına kabaca 72 saatlik veriye denk geliyor. Bu sınırı yükseltebilirsiniz, ama bedelini bellek ve hızla ödersiniz. Core yakın tarihli panolar, alarmlar ve uçta (edge) veri toplama için uygun. Geçen çeyreği sorgulamanız gerekiyorsa Enterprise için bütçe ayırın ya da uzun dönemli özetleri başka bir depoda tutun.

Veri yazmak, line protocol (tablo,etiketler alanlar) gönderen düz bir HTTP isteğinden ibaret. Zaman damgasını vermezseniz sunucu kendi saatini kullanır; veritabanı da ilk yazma işleminde kendiliğinden oluşturulur:

curl "http://localhost:8181/api/v3/write_lp?db=sensors" \
  --header "Authorization: Bearer $INFLUXDB3_AUTH_TOKEN" \
  --data-raw "readings,sensor=s-0042,site=depo-3 temp=4.1,humidity=81
readings,sensor=s-0043,site=depo-3 temp=3.8,humidity=79"

Sorgu ise SQL. Aşağıdaki komut son bir günün saatlik ortalamalarını getirir; CLI, token'ı INFLUXDB3_AUTH_TOKEN ortam değişkeninden okur:

influxdb3 query --database sensors \
  "SELECT date_bin(INTERVAL '1 hour', time) AS bucket, sensor, avg(temp) AS avg_temp
   FROM readings
   WHERE time >= now() - INTERVAL '1 day'
   GROUP BY 1, sensor
   ORDER BY 1, sensor"

AWS'de Amazon Timestream for InfluxDB, Core'u da Enterprise'ı da yönetilen servis olarak sunuyor. AWS'nin eski Timestream for LiveAnalytics servisi ise 20 Haziran 2025'ten beri yeni müşteri kabul etmiyor; yeni projeler için AWS'nin yönlendirdiği yer bu InfluxDB tabanlı servis.

Prometheus

Prometheus, içinde zaman serisi veritabanı bulunan bir izleme sistemi. /metrics uç noktalarını belli aralıklarla tarar (scrape), örnekleri yerel diskte saklar, alarm kurallarını değerlendirir ve Grafana panoları için PromQL sorgularını yanıtlar. Servis ve Kubernetes metrikleri için olağan seçim bu ve o işi çok verimli yapıyor. Performans çalışmaları için topladığınız metrikler de genellikle burada birikir.

Arşiv olarak tasarlanmadı; yukarıda andığımız depolama belgesi de bunu açıkça söylüyor: yerel depolama bir küme (cluster) halinde çalışmıyor ve başka bir sunucuya kopyalanmıyor (replication), varsayılan saklama süresi de 15 gün. Daha uzun saklama ya da birden çok Prometheus sunucusunu tek bir sorgu noktasında toplamak için örnekler remote write ile Thanos, Grafana Mimir ya da VictoriaMetrics'e gönderilir. Aynı belge bir boyutlandırma formülü de veriyor: saniye cinsinden saklama süresi × saniyedeki örnek sayısı × örnek başına bayt. 2.000 sensör Prometheus metriği olsaydı, örnek başına 2 baytla 15 günlük veri yaklaşık 520 MB tutardı.

Modelleme: etiketler, değerler ve kardinalite

Her TSDB, bir seriyi tanımlayan bilgiyle ölçtüğünüz değeri birbirinden ayırır. InfluxDB bunlara tag ve field der; Prometheus'ta etiketler (label) ve örnek değeri vardır; TimescaleDB'de ise sıradan sütunlardır ve tanımlayıcı olanlar segmentby ayarına yazılır. Bir seri, tanımlayıcıların tek bir kombinasyonudur: sensor=s-0042, site=depo-3 gibi.

Farklı serilerin sayısına kardinalite denir. Bir TSDB'yi en sık zora sokan şey de kontrolsüz büyüyen kardinalitedir. Üçer metrik gönderen 2.000 sensör 6.000 seri eder; bu, devede kulak. Değerleri hiç tekrarlanmayan bir etiket eklediğinizde (istek kimliği, kullanıcı kimliği, sorgu parametreleriyle birlikte tam URL) her yeni değer kendi indeks kaydı ve bellek payıyla yeni bir seri başlatır. Tanımlayıcıları sınırlı bir küme olarak tutun, sınırsız değerleri log ya da olay deposuna gönderin.

PostgreSQL ve TimescaleDB'de bir karar daha vermeniz gerekir: dar satır mı, geniş satır mı? Dar tasarımda her okuma bir satırdır (time, sensor_id, metric, value) ve farklı zamanlarda farklı şeyler ölçen sensörlere uyar. Geniş tasarımda her cihazın her zaman damgası için tek satır ve her metrik için bir sütun vardır. Satır başlığını birkaç değer için bir kez ödersiniz; bu yüzden cihaz bütün değerlerini aynı anda gönderiyorsa genellikle daha iyi seçimdir.

Kişisel veri içeren seriler ve KVKK

Zaman serisi her zaman makine verisi değildir. Bir aracın dakikalık konumu, giyilebilir bir cihazın nabız ölçümleri ya da bir abonenin akıllı sayaç tüketimi bir kişiyle ilişkilendirilebiliyorsa kişisel veridir. Kişisel Verilerin Silinmesi, Yok Edilmesi veya Anonim Hale Getirilmesi Hakkında Yönetmelik'e göre saklama ve imha politikası hazırlamış veri sorumlusu, silme yükümlülüğünün doğduğu tarihten sonraki ilk periyodik imhada veriyi siler, yok eder ya da anonim hale getirir. Periyodik imha aralığı da altı ayı geçemez. Politika hazırlamakla yükümlü olmayan veri sorumlularının ise bu işi yükümlülüğün doğduğu tarihten itibaren üç ay içinde yapması gerekir.

Bu süreleri tutturmanın teknik yolu saklama politikaları: ham parçaları silen bir add_retention_policy ya da takvime bağlanmış bir DROP TABLE, silme işini kimsenin hafızasına bırakmaz. İki noktayı atlamayın. Birincisi, kişi ya da cihaz bazındaki saatlik özetler de kişisel veri olmaya devam eder; onlara da bir süre tanımlayın ya da kişiyle bağlarını kopararak anonim hale getirin. İkincisi, silinen parçalar yedeklerde durmaya devam eder, dolayısıyla yedeklerin saklama süresi de imha politikanızla uyumlu olmalı.

Veri toplama ve görselleştirme

Cihazların bağlantısı kopar, veritabanları yeniden başlar; bu yüzden her cihaz doğrudan veritabanına yazmasın. Veriyi cihazda ya da bir ağ geçidinde (gateway) tamponlayın, toplu halde gönderin (bunun için yaygın protokol MQTT) ve veritabanına bir tüketici (consumer) yazsın. Böylece veritabanı yeniden başladığında veri kaybolmaz, biraz gecikmeyle yazılır. Cihaz tarafındaki mimari için uç bilişim yazımıza bakabilirsiniz. InfluxDB için olağan veri toplayıcı Telegraf; panolarda ise Grafana PostgreSQL'i, TimescaleDB'yi, InfluxDB'yi ve Prometheus'u aynı rahatlıkla okur.

Sık sorulan sorular

Prometheus bir zaman serisi veritabanı mı?

İçinde bir tane var, ama onu bir veritabanı gibi kullanmazsınız. Prometheus güncel değerleri servislerinizden belli aralıklarla kendisi çeker; remote write ile gönderilen örnekleri ancak bu alıcıyı bir komut satırı parametresiyle açarsanız kabul eder. SQL yoktur, saklanan örnekler güncellenmez; eski veriyi sonradan yüklemek (backfill) de promtool ile yapılan ayrı ve çevrimdışı bir adımdır.

InfluxDB ücretsiz mi?

InfluxDB 3 Core, MIT ya da Apache 2 lisanslı açık kaynak bir yazılım ve her yerde ücretsiz çalıştırılabilir. Enterprise ticari: 30 günlük deneme süresi ve ticari olmayan ev kullanımı için ücretsiz bir lisans var, üretimde kullanmak içinse ücretli lisans gerekiyor.

Redis zaman serisi saklayabilir mi?

Evet. Redis Open Source'ta seri bazında saklama süresi ve özetleme (compaction) kuralları tanımlanabilen bir zaman serisi veri tipi var. Canlı sayaçlar ya da son bir saatin okumaları gibi kısa ve sık erişilen pencereler için uygun; sınırı bellek belirler. Redis'in başka hangi işlere yaradığını Redis yazımızda anlattık.

Kendi ürününüz için bir zaman serisi yükünü boyutlandırıyor ve başka bir görüş almak istiyorsanız, veri mühendisliği hizmetimiz kapsamında buna birlikte bakabiliriz.

İlgili Makaleler

10 Ağustos 2026

MLOps Nedir? ML Modelini Canlıya Almanın Pratik Yolu

MLOps, bir modeli canlıya taşıyan ve orada işe yarar tutan pratiklerin toplamı. Hangi sırayla kurulacağını güncel MLflow ve DVC örnekleriyle anlattık, LLM tarafını da ekledik.

Devamını Oku: MLOps Nedir? ML Modelini Canlıya Almanın Pratik Yolu
8 Ağustos 2026

Bilgisayarlı Görü Uygulamaları: Nerede İşe Yarar, Nerede Zorlanır?

Fabrikadaki kalite kontrolden faturaya, tomografiden plaka tanımaya: bilgisayarlı görü nerede iş görüyor, nerede zorlanıyor, hazır modeller neyi değiştirdi?

Devamını Oku: Bilgisayarlı Görü Uygulamaları: Nerede İşe Yarar, Nerede Zorlanır?
5 Ağustos 2026

AI Agent Geliştirme: Ne Zaman Gerekir, Nasıl Kurulur?

AI agent, araçlarla döngü içinde çalışan bir dil modeli. Ne zaman gerektiğini, Python'da çalışan bir döngüyü, framework seçimini, güvenliği, KVKK'yı ve maliyeti anlattık.

Devamını Oku: AI Agent Geliştirme: Ne Zaman Gerekir, Nasıl Kurulur?