Oracle PL/SQL Sorgularının Yapay Zekâ Tabanlı Performans Optimizasyonu


Özet Görüntüleme: 23 / PDF İndirme: 9

Yazarlar

  • Gökhan TOPSAKAL Migros
  • Önder ŞAHİNASLAN

DOI:

https://doi.org/10.5281/zenodo.17992614

Anahtar Kelimeler:

Oracle, PL/SQL, Performans Optimizasyonu, Yapay Zeka, SQL Analizi

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.

Referanslar

Abar, H. (2020). Prediction of gold prices using XGBoost and MARS methods. EKEV Academy Journal, 83, 427–446.

Asokan, E. (2025). The role of AI in predictive database performance tuning. International Journal of Scientific Research in Computer Science, Engineering and Information Technology, 11(2), 356–369. https://doi.org/10.32628/CSEIT25112365

Buldu, B., & Yıldız, M. (2021). Performance comparison of XGBoost and random forest algorithms for network-based intrusion detection. International Marmara Sciences Congress, 733–739.

Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. KDD 2016. https://doi.org/10.1145/2939672.2939785

Chicco, D., & Jurman, G. (2020). The advantages of the Matthews correlation coefficient (MCC) over F1 score and accuracy in binary classification evaluation. BMC Genomics, 21(6). https://doi.org/10.1186/s12864-019-6413-7

Dhanaraj, R. K., et al. (2021). Random Forest Bagging and X-Means Clustered Antipattern Detection from SQL Query Log for Accessing Secure Mobile Data. Wireless Communications and Mobile Computing, Article ID 2730246. https://doi.org/10.1155/2021/2730246

Doğanlı, B. (2025). Customer segmentation and behavior analysis: Examining income and spending behaviors using random forest. Business Economics and Management Research Journal, 8(1), 52–66. https://doi.org/10.58308/bemarej.1646966

Erdem, Ş., & Bakır, M. A. (2023). Detection of financial failure in the machinery and equipment manufacturing sector using isolation forest and resampling methods. Verimlilik Dergisi, 57(4), 719–734. https://doi.org/10.51551/verimlilik.1301865

Imani, M., Beikmohammadi, A., & Arabnia, H. R. (2025). Comprehensive analysis of Random Forest and XGBoost performance with SMOTE, ADASYN, and GNUS under varying imbalance levels. Technologies, 13(3), 88. https://doi.org/10.3390/technologies13030088

Karakaya, İ. (2025). Evaluation of Machine Learning and Ensemble Learning Models for Classification Using Delivery Data. Productivity for Logistics, 89–104. https://doi.org/10.51551/verimlilik.1526436

Marcus, R., & Narayanan, P. (2020). Bao: Learning to steer query optimizers. SIGMOD 2020. https://doi.org/10.1145/3448016.3452838

Oracle Corporation. (2023). Using SQL Trace and TKPROF (Oracle Database Reference Guide). https://docs.oracle.com/en/database/oracle/oracle-database/23/tgsql/performing-application-tracing.html

Shao, Z., Ahmad, M. N., & Javed, A. (2024). Comparison of Random Forest and XGBoost classifiers using integrated optical and SAR features for mapping urban impervious surface. Remote Sensing, 16(4), 665. https://doi.org/10.3390/rs16040665

Şahinaslan, E., & Şahinaslan, Ö. (2022). Microsoft SQL sunucusunda veritabanı kurtarma teknikleri. International Journal of Innovative Engineering Applications, 6(1), 158–169. https://doi.org/10.46460/ijiea.1070325

Şahinaslan, E., Şahinaslan, Ö., & Dalyan, H. (2022). Naive Bayes sınıflandırıcısı kullanılarak YouTube verileri üzerinden çok dilli duygu analizi. Avrupa Bilim ve Teknoloji Dergisi, (38), 320–327. doi: 10.17671/gazibtd.999960

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

İndir

Yayınlanmış

2025-12-20

Nasıl Atıf Yapılır

Gökhan TOPSAKAL, & Önder ŞAHİNASLAN. (2025). Oracle PL/SQL Sorgularının Yapay Zekâ Tabanlı Performans Optimizasyonu. ARCENG (INTERNATIONAL JOURNAL OF ARCHITECTURE AND ENGINEERING) ISSN: 2822-6895, 5(2), 384–399. https://doi.org/10.5281/zenodo.17992614

Sayı

Cilt 5 Sayı 2 (2025): ARCENG (INTERNATIONAL JOURNAL OF ARCHITECTURE AND ENGINEERING) ISSN: 2822-6895

Bölüm

Makaleler

Lisans

Telif Hakkı (c) 2025 ARCENG (INTERNATIONAL JOURNAL OF ARCHITECTURE AND ENGINEERING) ISSN: 2822-6895

Creative Commons License

Bu çalışma Creative Commons Attribution-NonCommercial 4.0 International License ile lisanslanmıştır.