AI Agents for Kubernetes Incident Remediation: Evaluating the Reflexion Framework
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: TED Üniversitesi, Lisansüstü Programlar Enstitüsü, Bilgisayar Mühendisliği ABD, Türkiye
Tezin Onay Tarihi: 2026
Tezin Dili: İngilizce
Öğrenci: MUSTAFA MERT SÜERKAN
Asıl Danışman (Eş Danışmanlı Tezler İçin): Emin Kuğu
Eş Danışman: Hakan Emekci
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Kubernetes, dünya çapında birçok altyapıda konteyner yönetimi için kullanılan standart bir teknoloji haline gelmiştir. Bununla birlikte, Kubernetes ortamındaki hataların giderilmesi için uzman bilgisi de gereklidir. Kubernetes içindeki mevcut çözümler sınırlı otonom düzeltme yetenekleri sunmaktadır. Bu tez, Kubernetes ortamındaki sorunları otonom olarak gidermek için sözel pekiştirmeli öğrenme yaklaşımını kullanan Reflexion Çerçevesinin etkinliğini analiz etmektedir. Deneylerde, 5 Claude modeli, 10 sorun giderme senaryosu ve üç farklı deney düzeni (temel, iki denemeli, Reflexion) kullanılarak 1,500 ayrı test yapılmıştır. Sonuçlar, ajanlara ikinci bir deneme şansı verilmesinin başarı oranını %38,6'dan %68,4'e çıkardığını göstermektedir. Reflexion mekanizması dahil edildiğinde, teşhis ve onarım gerektiren çoklu problem olduğu durumlarda +%12'lik önemli bir iyileşme sağlarken, tek problem verilen senaryolarda ihmal edilebilir bir iyileşme göstermektedir. Model kapasitesi de Reflexion etkisini belirleyen önemli bir faktördür ve orta kapasiteli modellerle kullanıldığında en büyük faydayı sağlarken, zayıf modeller ise Reflexion içeriğini verimli bir şekilde kullanamadıkları gözlemlenmiştir. Yapılan deneylerde birçok durumda, güçlü modeller, Reflexion gerektirmeden yüksek başarı oranlarına ulaşarak en iyi sonuçları elde etmiştir, çünkü yüksek kapasiteli modeller Reflexion olmadan da ikinci denemede başarılı olmaktadır. Hız, başarı ve maliyet göz önüne alındığında ise, orta kapasiteli modeller optimal çözüm olarak gözlemlendi. Bu sonuçlar, Reflexion çerçevesinin her zaman faydalı olmadığını, ancak uygun model seçimiyle karmaşık problemlerde kullanıldığında önemli bir değer sağladığını göstermektedir.