deploying-on-gcp

GCP のパターン

Google Cloud Platform サービスを適切に選択し、アーキテクチャパターンとベストプラクティスを活用して、アプリケーションとインフラストラクチャを構築します。

目的

このスキルでは、コンピューティング、ストレージ、データベース、データ分析、機械学習、ネットワーキング、セキュリティにわたる Google Cloud Platform（GCP）サービスの選定フレームワークと実装パターンを提供します。ワークロード要件に基づくサービス選定を支援し、Terraform、Python SDK、gcloud CLI を使用した本番環境に対応したパターンを紹介します。

使用する場面

次の場合にこのスキルを使用します。

• GCP のコンピューティングサービス（Cloud Run、GKE、Cloud Functions、Compute Engine、App Engine）を選択する
• ストレージサービスまたはデータベースサービス（Cloud Storage、Cloud SQL、Spanner、Firestore、Bigtable、BigQuery）を選択する
• データ分析パイプライン（BigQuery、Pub/Sub、Dataflow、Dataproc、Composer）を設計する
• ML ワークフロー（Vertex AI、AutoML、事前学習済み API）を実装する
• ネットワークインフラストラクチャ（VPC、Load Balancing、CDN、Cloud Armor）を設計する
• IAM、セキュリティ、コスト最適化を設定する
• AWS または Azure から GCP に移行する
• マルチクラウドまたは GCP 中心のアーキテクチャを構築する

基本概念

GCP サービスのカテゴリ

コンピューティングの選択肢：

• Cloud Run： ステートレスな HTTP サービス向けのサーバーレスコンテナ（ゼロまで自動スケール）
• GKE（Google Kubernetes Engine）： 複雑なオーケストレーション向けのマネージド Kubernetes
• Cloud Functions： シンプルな処理向けのイベント駆動型関数
• Compute Engine： OS を完全に制御できる仮想マシン
• App Engine： Web アプリケーション向けの Platform-as-a-Service

ストレージとデータベース：

• Cloud Storage： Standard／Nearline／Coldline／Archive の各階層を備えたオブジェクトストレージ
• Cloud SQL： マネージド PostgreSQL／MySQL／SQL Server（最大 96 TB）
• Cloud Spanner： 99.999% の SLA を備えたグローバル分散 SQL
• Firestore： リアルタイム同期に対応した NoSQL ドキュメントデータベース
• Bigtable： 時系列データと IoT 向けのワイドカラム NoSQL（ペタバイト規模）
• AlloyDB： PostgreSQL 互換で、パフォーマンスが 4 倍向上

データと分析：

• BigQuery： サーバーレスデータウェアハウス（ペタバイト規模の SQL 分析）
• Pub/Sub： グローバルなメッセージングとイベントストリーミング
• Dataflow： ストリーム処理とバッチ処理向けの Apache Beam
• Dataproc： マネージド Spark および Hadoop クラスター
• Cloud Composer： ワークフロー向けのマネージド Apache Airflow

AI／ML サービス：

• Vertex AI： 統合 ML プラットフォーム（トレーニング、デプロイ、モニタリング）
• AutoML： 標準的なタスク向けのノーコード ML
• 事前学習済み API： Vision、Natural Language、Speech、Translation
• TPU： 大規模モデルのトレーニング向け Tensor Processing Unit

選定フレームワーク：コンピューティングサービスの選択

Need to run code in GCP?
├─ HTTP service?
│  ├─ YES → Stateless?
│  │  ├─ YES → Cloud Run (auto-scale to zero)
│  │  └─ NO → Need Kubernetes? → GKE | Compute Engine
│  └─ NO (Event-driven)
│     ├─ Simple function? → Cloud Functions
│     └─ Complex orchestration? → GKE | Cloud Run Jobs

選定ガイド：

• 最初の選択肢： Cloud Run（状態管理または Kubernetes が必要な場合を除く）
• Kubernetes が必要： GKE Autopilot（マネージド）または Standard（完全な制御）
• シンプルなイベント： Cloud Functions（実行時間は最大 60 分）
• 完全な制御： Compute Engine（カスタム構成の VM）

選定フレームワーク：データベースの選択

Choose database type:
├─ Relational (SQL)
│  ├─ Multi-region required? → Cloud Spanner
│  ├─ PostgreSQL + high performance? → AlloyDB
│  └─ Standard RDBMS → Cloud SQL (PostgreSQL/MySQL/SQL Server)
│
├─ Document (NoSQL)
│  ├─ Mobile/web with offline sync? → Firestore
│  └─ Flexible schema, no offline? → MongoDB Atlas (Marketplace)
│
├─ Key-Value
│  ├─ Time-series or IoT data? → Bigtable
│  └─ Caching layer? → Memorystore (Redis/Memcached)
│
└─ Analytics
   └─ Petabyte-scale SQL analytics → BigQuery

選定フレームワーク：ストレージの選択

Storage type needed?
├─ Objects/Files
│  ├─ Frequent access → Cloud Storage (Standard)
│  ├─ Monthly access → Cloud Storage (Nearline)
│  ├─ Quarterly access → Cloud Storage (Coldline)
│  └─ Yearly access → Cloud Storage (Archive)
│
├─ Block storage → Persistent Disk (SSD/Standard/Extreme)
└─ Shared filesystem → Filestore (NFS)

GCP、AWS、Azure のサービス対応表

カテゴリ	GCP	AWS	Azure
サーバーレスコンテナ	Cloud Run	Fargate	Container Instances
Kubernetes	GKE	EKS	AKS
関数	Cloud Functions	Lambda	Functions
VM	Compute Engine	EC2	Virtual Machines
オブジェクトストレージ	Cloud Storage	S3	Blob Storage
SQL データベース	Cloud SQL	RDS	SQL Database
NoSQL ドキュメント	Firestore	DynamoDB	Cosmos DB
データウェアハウス	BigQuery	Redshift	Synapse
メッセージング	Pub/Sub	SNS/SQS	Service Bus
ML プラットフォーム	Vertex AI	SageMaker	Machine Learning

アーキテクチャパターン

パターン 1：サーバーレス Web アプリケーション

ユースケース： データベースとキャッシュを備えたステートレス HTTP API

アーキテクチャ：

Internet → Cloud Load Balancer → Cloud Run → Cloud SQL (PostgreSQL)
                                            → Memorystore (Redis)
                                            → Cloud Storage

主なサービス：

• API サービス向けの Cloud Run（自動スケーリングされるコンテナ）
• トランザクションデータ向けの Cloud SQL
• キャッシュ向けの Memorystore
• ファイルアップロード向けの Cloud Storage

Terraform の詳細な設定については、references/compute-services.md を参照してください。

パターン 2：データ分析プラットフォーム

ユースケース： リアルタイムのイベント処理と分析

アーキテクチャ：

Data Sources → Pub/Sub → Dataflow → BigQuery → Looker/Tableau
                          ↓
                     Cloud Storage (staging)

主なサービス：

• イベントの取り込み向けの Pub/Sub（少なくとも 1 回の配信）
• ストリーム処理向けの Dataflow（Apache Beam）
• 分析向けの BigQuery（パーティション分割テーブル、クラスタリング）
• ステージングとバックアップ向けの Cloud Storage

BigQuery の最適化パターンについては、references/data-analytics.md を参照してください。

パターン 3：ML パイプライン

ユースケース： エンドツーエンドの機械学習ワークフロー

アーキテクチャ：

Training Data (GCS) → Vertex AI Training → Model Registry → Vertex AI Endpoints
                                                              ↓
                                                         Predictions

主なサービス：

• ノートブック開発向けの Vertex AI Workbench
• カスタムモデル向けの Vertex AI Training（GPU／TPU に対応）
• モデルのサービング向けの Vertex AI Endpoints（自動スケーリング）
• オーケストレーション向けの Vertex AI Pipelines（Kubeflow）

ML の実装例については、references/ml-ai-services.md を参照してください。

パターン 4：GKE マイクロサービスプラットフォーム

ユースケース： 複数のサービスを伴う複雑なオーケストレーション

アーキテクチャ：

Internet → Cloud Load Balancer → GKE Cluster
                                   ├─ Ingress Controller
                                   ├─ Service Mesh (optional)
                                   ├─ Microservice A
                                   ├─ Microservice B
                                   └─ Microservice C

主な機能：

• GKE Autopilot（ノードの完全マネージド）または Standard（カスタム設定）
• GCP サービスへのセキュアなアクセスを実現する Workload Identity
• Private Google Access を備えたプライベートクラスター
• Kubernetes 経由で GCP リソースを管理する Config Connector

GKE の設定とベストプラクティスについては、references/compute-services.md を参照してください。

ベストプラクティス

コストの最適化

コンピューティング：

• 予測可能なワークロードには Committed Use Discounts を使用します（57% 割引）
• フォールトトレラントなワークロードには Spot VM を使用します（60～91% 割引）
• Cloud Run はアイドル時にゼロまでスケールするため、料金は発生しません
• GKE Autopilot ではノードではなく、Pod のリソースに対してのみ料金が発生します

ストレージ：

• 用途に適した Cloud Storage クラス（Standard／Nearline／Coldline／Archive）を使用します
• Object Lifecycle Management を有効にして、アクセス頻度の低いデータを移行します
• バックアップは Coldline または Archive にアーカイブします（Standard より 99% 安価）

データ：

• BigQuery では、パーティション分割テーブルとクラスタ化テーブルを使用します
• 必要な列だけをクエリします（SELECT * は避けます）
• キャッシュには BI Engine を使用します（最大 10TB まで無料）
• BigQuery を大量に使用する場合は、定額料金を検討します

詳細なコスト戦略については、references/cost-optimization.md を参照してください。

セキュリティの基本

IAM のベストプラクティス：

• 最小権限の原則に従います
• アプリケーションではユーザーアカウントではなく、サービスアカウントを使用します
• GKE ワークロードでは Workload Identity を有効にします（サービスアカウントキーは不要です）
• シークレットには環境変数ではなく Secret Manager を使用します

ネットワークセキュリティ：

• Private Google Access を使用します（パブリック IP なしで GCP サービスにアクセスできます）
• プライベートインスタンスからのアウトバウンドインターネット接続には Cloud NAT を有効にします
• データの持ち出しを防ぐため、VPC Service Controls を実装します
• ゼロトラストアクセスには Identity-Aware Proxy（IAP）を使用します

データセキュリティ：

• 保存時（デフォルト）と転送中の暗号化を有効にします
• 機密データには Customer-Managed Encryption Keys（CMEK）を使用します
• データ保護のため、VPC Service Controls の境界を実装します
• すべてのプロジェクトで監査ログを有効にします

包括的なセキュリティパターンについては、references/security-iam.md を参照してください。

高可用性

マルチリージョン戦略：

• Cloud Storage：マルチリージョンロケーション（US、EU、ASIA）を使用します
• Cloud SQL：リージョン HA（自動フェイルオーバー）を有効にします
• Cloud Spanner：マルチリージョン構成を使用します（SLA 99.999%）
• グローバルロードバランシング：トラフィックを最も近い正常なバックエンドにルーティングします

バックアップと災害復旧：

• Cloud SQL：自動バックアップとポイントインタイムリカバリを有効にします
• Persistent Disk：スナップショットのバックアップをスケジュールします
• Cloud Storage：重要なデータのバージョニングを有効にします
• BigQuery：タイムトラベルにはテーブルスナップショットを使用します

ネットワーキングと HA のパターンについては、references/networking.md を参照してください。

クイックリファレンス

一般的な gcloud コマンド

# Project management
gcloud projects list
gcloud config set project PROJECT_ID

# Cloud Run
gcloud run deploy SERVICE_NAME --image IMAGE_URL --region REGION
gcloud run services list

# GKE
gcloud container clusters create-auto CLUSTER_NAME --region REGION
gcloud container clusters get-credentials CLUSTER_NAME --region REGION

# Cloud Storage
gsutil mb gs://BUCKET_NAME
gsutil cp FILE gs://BUCKET_NAME/

# BigQuery
bq mk DATASET_NAME
bq query --use_legacy_sql=false 'SELECT * FROM dataset.table LIMIT 10'

# Cloud SQL
gcloud sql instances create INSTANCE_NAME --database-version=POSTGRES_15 --region=REGION
gcloud sql connect INSTANCE_NAME --user=postgres

コマンドの全リファレンスについては、examples/gcloud/common-commands.sh を参照してください。

Python SDK クイックスタート

# Cloud Storage
from google.cloud import storage
client = storage.Client()
bucket = client.bucket('my-bucket')
blob = bucket.blob('file.txt')
blob.upload_from_filename('local-file.txt')

# BigQuery
from google.cloud import bigquery
client = bigquery.Client()
query = "SELECT * FROM `project.dataset.table` LIMIT 10"
results = client.query(query).result()

# Pub/Sub
from google.cloud import pubsub_v1
publisher = pubsub_v1.PublisherClient()
topic_path = publisher.topic_path('project', 'topic-name')
future = publisher.publish(topic_path, b'message data')

Python の完全なサンプルについては、examples/python/ を参照してください。

Terraform クイックスタート

# Provider configuration
terraform {
  required_providers {
    google = {
      source  = "hashicorp/google"
      version = "~> 5.0"
    }
  }
}

provider "google" {
  project = "my-project-id"
  region  = "us-central1"
}

# Cloud Run service
resource "google_cloud_run_service" "api" {
  name     = "api-service"
  location = "us-central1"

  template {
    spec {
      containers {
        image = "gcr.io/project/api:latest"
      }
    }
  }
}

Terraform の完全なサンプルについては、examples/terraform/ を参照してください。

サービス選択早見表

要件	推奨サービス	代替サービス
ステートレスな HTTP API	Cloud Run	App Engine
複雑なオーケストレーション	GKE Autopilot	GKE Standard
イベント処理	Cloud Functions	Cloud Run Jobs
オブジェクトストレージ	Cloud Storage	N/A
リレーショナルデータベース	Cloud SQL	AlloyDB、Spanner
NoSQL ドキュメント	Firestore	MongoDB Atlas
時系列データ	Bigtable	N/A
データウェアハウス	BigQuery	N/A
メッセージキュー	Pub/Sub	N/A
ストリーム処理	Dataflow	Dataproc
バッチ処理	Dataflow	Dataproc
ML トレーニング	Vertex AI	GKE 上のカスタム実装
キャッシュ	Memorystore Redis	N/A

他のスキルとの連携

関連スキル：

• infrastructure-as-code： Terraform を使用して GCP リソースをプロビジョニングします（examples/terraform/ を参照）
• kubernetes-operations： GKE 上でアプリケーションをデプロイし、管理します
• building-ci-pipelines： Cloud Build を使用して Cloud Run または GKE への CI/CD を行います
• secret-management： 機密性の高い設定に Secret Manager を使用します
• observability： メトリクスとログに Cloud Monitoring と Cloud Logging を使用します
• data-architecture： BigQuery と Cloud Storage を使用してデータレイクとデータウェアハウスを設計します
• mlops-patterns： Vertex AI を使用して ML パイプラインを実装します
• aws-patterns： マルチクラウド環境向けに AWS と GCP の同等サービスを比較します
• azure-patterns： Azure と GCP の同等サービスを比較します

段階的な情報開示

詳細なドキュメントについては、以下を参照してください。

• コンピューティングサービス： Cloud Run、GKE、Cloud Functions、Compute Engine、App Engine のパターンについては、references/compute-services.md を参照してください
• ストレージとデータベース： サービス選択と設定の詳細については、references/storage-databases.md を参照してください
• データ分析： BigQuery、Pub/Sub、Dataflow、Dataproc のパターンについては、references/data-analytics.md を参照してください
• ML/AI サービス： Vertex AI、AutoML、事前トレーニング済み API の使用方法については、references/ml-ai-services.md を参照してください
• ネットワーキング： VPC、Load Balancing、CDN、Cloud Armor のパターンについては、references/networking.md を参照してください
• セキュリティと IAM： IAM パターン、Workload Identity、Secret Manager については、references/security-iam.md を参照してください
• コスト最適化： 詳細なコスト削減戦略については、references/cost-optimization.md を参照してください

実例については、以下を参照してください。

• Terraform の設定： インフラストラクチャのテンプレートについては、examples/terraform/ を参照してください
• Python SDK の使用方法： クライアントライブラリの例については、examples/python/ を参照してください
• gcloud CLI コマンド： コマンドリファレンスについては、examples/gcloud/common-commands.sh を参照してください

主な判断のまとめ

GCP を選択する場合：

• データ分析ワークロード（BigQuery はクラス最高水準です）
• ML/AI アプリケーション（Vertex AI、TPU、Google Research の支援）
• Kubernetes ネイティブアプリケーション（Kubernetes の開発者が GKE を開発）
• サーバーレスコンテナ（Cloud Run は成熟しており、費用対効果に優れています）
• リアルタイムストリーミング（Pub/Sub + Dataflow）

GCP 独自の利点：

• BigQuery：サーバーレス、ペタバイト規模、最速のデータウェアハウス
• Cloud Run：最も成熟したサーバーレスコンテナプラットフォーム
• GKE：最も高度なマネージド Kubernetes（Autopilot モード）
• Vertex AI：統合 ML プラットフォーム（トレーニング、デプロイ、モニタリング）
• 秒単位の課金と継続利用割引（自動的なコスト削減）

マルチリージョンの推奨事項：

• 本番ワークロード：99.95％以上の SLA を実現するには、マルチリージョンを使用します
• Cloud Storage：グローバルアクセスにはマルチリージョンを使用します
• Cloud Spanner：グローバルトランザクションにはマルチリージョンを使用します
• Global Load Balancing：最も近い正常なバックエンドにルーティングします