← 一覧へ
インフラ・クラウド
#용량관리#Capacity Planning#리틀의 법칙#Auto Scaling#FinOps
最終更新 · 2026-11-22

キャパシティプランニングとキャパシティ管理(Capacity Planning & Capacity Management)

1. 概要

A. 定義

キャパシティ管理(Capacity Management) とは、ビジネスが要求するサービス水準(応答時間・スループット・可用性)を適時かつコスト効率よく満たすため、IT資源(計算・メモリ・ストレージ・ネットワーク・人員)の現在の使用量を測定し将来需要を予測して、資源を見積り・確保・調整する継続的な管理活動である。そのうちキャパシティプランニング(Capacity Planning) とは、「目標性能を満たすにはどの資源をどれだけ確保すべきか」という問いに定量的に答える設計・予測の過程を指す。

キャパシティ管理の本質は、「不足」と「過剰」の間の均衡を見いだすことにある。資源が不足すると性能低下・障害・サービス拒否が発生しビジネス損失と信頼失墜につながり、逆に資源が過剰だと活用されない設備に資本と運用費が縛られ投資収益率(ROI)が低下する。従来、企業は不確実性に備えて「余裕をもって買っておく」過剰プロビジョニング(over-provisioning)戦略をとったが、これは平均20〜30%台にとどまる低い資源利用率に帰着しがちであった。キャパシティ管理はこの二つの失敗類型をいずれも避けつつ、サービス水準目標(SLO)を守る最小コスト点を目指す。

B. 登場背景と必要性

過去のメインフレーム・オンプレミス時代には、サーバ1台を導入するのに数か月の調達リードタイムが必要であったため、キャパシティは「一度買えば3〜5年もたせねばならない」固定資産であった。したがって将来3〜5年の需要を見越してピーク基準で設備を確保する、先行的・保守的なキャパシティプランニングが核心であった。この時期のキャパシティ管理は、調達・予算・減価償却と直結した重大な経営意思決定であった。

クラウドと仮想化が普及し資源確保のリードタイムが「分単位」に短縮されると、キャパシティ管理の性格も変化した。いまや将来を完璧に予測して先に買っておく代わりに、需要に応じてリアルタイムに増減させる弾力性(elasticity) をいかに設計・運用するかが鍵となった。しかしリードタイムが縮んだからといってキャパシティ管理が不要になったわけでは決してない。むしろ使用量に比例して課金されるクラウドでは、誤ったキャパシティ決定が即座にコストに換算されるため、性能とコストを同時に最適化する精緻なキャパシティ管理の重要性はいっそう増した。大規模トラフィックイベント(年末セール、履修登録、連休の予約)で数分のうちに平常時の10倍以上の負荷が集中する現象が日常化した点も、事前のキャパシティプランニングと自動スケーリング設計を併せて要求する背景である。

C. 性能・コスト・リスクの三角トレードオフ

キャパシティ管理は、性能(SLO充足)・コスト(TCO最小化)・リスク(余裕分確保) という三つの目標間の均衡問題として理解できる。三つを同時に極大化することはできない。余裕分(headroom)を大きくとれば急増トラフィックに安全だがコストが上がり、コストを減らそうと利用率を高めれば変動性に弱くなりリスクが大きくなる。成熟した組織はこの均衡を「勘」ではなくデータとモデルで決める。たとえば「平常時の目標利用率60〜70%、自動スケーリングのトリガー70%、ハード上限85%」のように各点を数値で定義し、その根拠を待ち行列モデルと負荷テスト結果で裏づける。

2. キャパシティ管理の全体プロセスと構成要素

キャパシティ管理は一度きりの見積りではなく、測定 → 予測 → 見積り → 検証 → 調整が反復される循環(closed-loop)プロセスである。下図は全体の流れとフィードバック構造を示す。

flowchart LR
  BIZ["ビジネス需要(イベント・成長率)"] --> FC["需要予測(Forecasting)"]
  MON["監視(現在の使用量・傾向)"] --> FC
  FC --> SIZE["キャパシティ見積り(資源量の導出)"]
  SIZE --> PLAN["キャパシティ計画(調達・拡張ポリシー)"]
  PLAN --> PROV["プロビジョニング(確保・配備)"]
  PROV --> OPS["運用サービス"]
  OPS --> MON
  OPS -.->|"SLO違反・閾値超過"| TUNE["性能チューニング・再見積り"]
  TUNE --> SIZE
  style FC fill:#fff3cd,stroke:#d39e00,stroke-width:2px
  style SIZE fill:#e8f0fe,stroke:#2f6fed,stroke-width:2px

A. 三階層のキャパシティ管理(ITILの観点)

ITIL 4の「キャパシティ・パフォーマンス管理(Capacity and Performance Management)」プラクティスは、キャパシティ管理を三つの層位に区分する。この区分は「ビジネス言語と技術言語をつなぐ」ことに目的があり、技術士の答案でしばしば求められる観点である。

ビジネスキャパシティ管理(Business Capacity Management) は、売上目標・加入者成長・新規サービス投入といったビジネス計画をIT需要に翻訳する。たとえば「来年の加入者40%増」という経営目標を「API呼び出し量が月1.4倍、ストレージが年50TB増」に換算するのがこの層の仕事である。ビジネス需要を取り逃がせば技術的見積りがいかに精緻でも方向がずれるため、キャパシティ管理の出発点となる。

サービスキャパシティ管理(Service Capacity Management) は、個別サービス(決済・検索・推薦など)が端から端まで(end-to-end)の性能目標を守るかに焦点を置く。一つのサービスは複数のコンポーネントが鎖のように絡み合って動作するため、特定のコンポーネントではなく、利用者が体感する応答時間・スループットを基準に管理する。サービス単位のSLO(例:検索p95 300ms以下)がこの層の管理指標である。

コンポーネントキャパシティ管理(Component Capacity Management) は、CPU・メモリ・ディスクIOPS・ネットワーク帯域・コネクションプールといった個別資源の利用率と飽和時点を管理する。この層は事後反応型(インシデント対応)でも、傾向に基づく先行型(trend予測)でもありうる。三つの層は上から下へ需要を分解し、下から上へ制約を伝える双方向の関係をなす。

B. 中核の管理指標

キャパシティ管理の基準となる指標は、利用率(utilization)・スループット(throughput)・応答時間(latency)・飽和点(saturation) である。このうち利用率だけを単独で見るのはよくある誤りである。CPU利用率50%でも、特定のスレッドプールが飽和して要求がキューで待機していれば、利用者の応答時間はすでに悪化している可能性があるからである。したがって成熟したキャパシティ管理は、USE手法(Utilization・Saturation・Errors) のように利用率とともに飽和・エラーを束ねて観察し、利用者体感指標(応答時間分布の裾、p95・p99)と結びつけて解釈する。

指標 意味 キャパシティ管理での含意
利用率(ρ) 資源が忙しい時間の割合 100%に近づくほど待ちが急増、70%付近が実務的な境界
スループット(λ) 単位時間の処理要求数 需要規模の直接指標、予測の基本入力
応答時間(W) 待ち+サービス時間 利用者体感品質、SLOの核心
飽和(Saturation) 待ち行列の滞留の度合い 先行指標、利用率より先に警告信号

3. キャパシティ見積りの技法

キャパシティを見積るアプローチは、大きく傾向ベース・分析的モデリング・シミュレーション・ベンチマーキングに分かれる。いずれか一つが絶対的に優れているわけではなく、予測地平・精度要求・利用可能データに応じて選択または併用する。下図は入力から見積り結果へ至る方法論の構造を示す。

flowchart TB
  subgraph INPUT["入力データ"]
    H["過去の使用量履歴"]
    P["性能プロファイル(単位資源あたり処理能力)"]
    G["成長・イベントシナリオ"]
  end
  subgraph METHOD["見積り技法"]
    T["傾向分析(回帰・時系列)"]
    A["分析的モデル(待ち行列・リトルの法則)"]
    S["シミュレーション(離散事象)"]
    B["ベンチマーキング・負荷テスト"]
  end
  INPUT --> METHOD
  METHOD --> R["必要資源量 + 余裕分(headroom)"]
  R --> V["検証:負荷テストでモデル補正"]
  V -.->|"誤差フィードバック"| METHOD
  style METHOD fill:#e8f0fe,stroke:#2f6fed,stroke-width:2px
  style R fill:#d4edda,stroke:#28a745,stroke-width:2px

A. 傾向分析と時系列予測

もっとも直観的な方法は、過去の使用量履歴に回帰・時系列モデルを適用して将来を外挿することである。線形傾向で「月3%ずつ増加」のような成長を投影したり、季節性(平日/週末、四半期締め)が顕著ならHolt-Winters・ARIMA・Prophetのような季節分解モデルを用いる。長所はデータさえあれば適用が容易なことであり、限界は過去になかった急変(新規サービス投入、バイラル) を捉えられない点である。そのため傾向予測は必ずビジネスイベントのシナリオで補正しなければならない。たとえば平常の傾向では日100万要求が予測されても、大型プロモーションが予定されていれば過去の類似イベントの倍率(例:8倍)を掛けてピーク需要を別途見積る。

B. 分析的モデリング — リトルの法則と待ち行列

キャパシティ見積りの理論的基盤はリトルの法則(Little's Law) である。これは安定状態のシステムで、平均同時処理件数L、到着率λ、平均滞在時間Wの間に L = λ × W が成り立つという普遍法則である。この単純な式が見積りで強力な理由は、三つの変数のうち二つが分かれば残りを求められ、「目標応答時間を守るには同時処理スロット(スレッド・コネクション)が何個必要か」を直ちに計算してくれるからである。たとえば毎秒2,000件(λ)を受け、平均処理時間が50ms(W=0.05秒)なら、必要な同時処理容量は L = 2,000 × 0.05 = 100スロットである。ここに変動性の余裕分を加えてスレッドプール・コネクションプールの大きさを定める。

待ち行列理論はさらに一歩進み、利用率が高まるほど待ち時間が非線形に急増することを定量化する。M/M/1モデルで平均応答時間は W = 1 / (μ − λ) であり、利用率 ρ = λ/μ が1に近づくと分母が0に収束し応答時間が発散する。これが「利用率を100%まで絞り込んではならない」数学的根拠である。利用率を50%から90%へ上げると資源は1.8倍多く使うが、平均待ち時間は数倍に増える。実務で目標利用率を60〜70%に置く慣行はまさにこの非線形性のためであり、見積りはこの余裕分を必ず含めねばならない。

C. シミュレーションとベンチマーキング

分析的モデルが仮定(ポアソン到着、指数サービス)を単純化する一方、離散事象シミュレーション(Discrete-Event Simulation) は複雑な相互作用(再試行、優先度、多段キュー)をそのまま模写し、より現実的な予測を提供する。コストはモデル構築の工数である。一方、ベンチマーキング・負荷テストは実際のシステムに漸増負荷をかけて飽和点を経験的に見つける方法で、すべての見積りの最終検証手段である。いかに精緻なモデルも実測の前では補正されねばならないため、成熟した組織はモデル見積りと負荷テストを循環させる。たとえばリトルの法則で一次見積り → 負荷テストで実際の飽和点を測定 → モデルパラメータ(実際の処理時間、オーバーヘッド)を補正 → 再見積り、のループを回す。

4. クラウド時代のキャパシティ管理 — 弾力性と自動スケーリング

クラウドはキャパシティ管理を「所有」から「購読」へ変え、その中核手段が自動スケーリング(Auto Scaling) である。拡張方式は垂直拡張(scale-up、サーバ仕様の増強)と水平拡張(scale-out、インスタンス数の増加)に分かれ、弾力的キャパシティ管理の主力は状態を分散しやすい水平拡張である。自動スケーリングポリシーは性格によって三つに区分される。

反応型(Reactive)拡張は、CPU・要求数のような指標が閾値を超えるとインスタンスを追加する。実装は単純だが、インスタンスの起動・ウォームアップに数十秒〜数分かかるため、急激なスパイクには遅れて反応する限界がある。予測型(Predictive)拡張は、過去のパターンを機械学習で学習し、需要が上がる「前に」あらかじめ容量を増やす。AWSは2018年から予測スケーリングを提供し、現在はEC2 Auto Scalingグループに直接設定できるが、公式ガイドは予測型を単独で使わず、反応型の動的ポリシーとともに運用するよう勧めている。予測が外れた残余需要を反応型が埋め、不要になった容量を動的ポリシーが縮小するからである。スケジュールベース(Scheduled)拡張は、履修登録やオープンランのように時点が確定したイベントに合わせて事前に容量を確保する。

flowchart LR
  subgraph VERT["垂直拡張(Scale-up)"]
    V1["小さいインスタンス"] --> V2["大きいインスタンス(CPU・RAM増強)"]
  end
  subgraph HORZ["水平拡張(Scale-out)"]
    H1["インスタンス1"] --- H2["インスタンス2"] --- H3["インスタンスN"]
    LB["ロードバランサ"] --> H1
    LB --> H2
    LB --> H3
  end
  METRIC["指標収集(CPU・要求数・キュー長)"] --> POLICY{"拡張ポリシー"}
  POLICY -->|"閾値超過"| HORZ
  POLICY -->|"予測・スケジュール"| PRE["事前に容量確保"]
  style HORZ fill:#e8f0fe,stroke:#2f6fed,stroke-width:2px
  style POLICY fill:#fff3cd,stroke:#d39e00,stroke-width:2px

自動スケーリングは万能ではない。状態をもつ(stateful)データベースは水平拡張が難しく、コールドスタート遅延、従属サービス(ダウンストリームのDB)の連鎖飽和、無限拡張によるコスト暴騰といった制約がある。したがって自動スケーリングにも、上限(max capacity)とサーキットブレーカ・負荷遮断(load shedding) を併せて設計せねばならない。Google SREが過負荷処理で強調するように、容量を超える要求は優雅に拒否(graceful degradation)するほうが全体崩壊よりはよい。

5. 比較と適用事例

オンプレミスとクラウドのキャパシティ管理は指向が異なる。その差は単に「どこに置くか」ではなく、リードタイムとコスト構造に由来する。オンプレミスは調達リードタイムが長く費用が先行投資(CapEx)の固定費であるため、ピーク基準の先行的な過剰確保が合理的である。一方クラウドはリードタイムが分単位で費用が使用量比例(OpEx)であるため、平常時は最小に保ち、需要に合わせて弾力的に調節するほうが有利である。

区分 オンプレミス クラウド
調達リードタイム 数週間〜数か月 数秒〜数分
コスト構造 CapEx(先行投資・固定) OpEx(使用量比例)
見積り基準 将来ピーク基準の過剰確保 平時最小 + 弾力拡張
中核リスク 過剰投資・早期老朽化 コスト暴騰・従属サービス飽和
余裕分戦略 物理的余裕分を常時保有 自動スケーリング + 上限・遮断

具体事例1 — 大型コマースのセール対応。 平常時に毎秒5,000要求を処理するコマースが大型セールで平時の10倍のトラフィックを予想するなら、傾向予測だけでは不十分である。過去のセールデータでピーク倍率を見積り、スケジュールベースの事前拡張で開始10分前に容量をあらかじめ確保し、決済・在庫のような状態型バックエンドは水平拡張が難しいためキューベースの非同期処理と負荷遮断を併用する。核心は「最初に飽和するボトルネック」を事前の負荷テストで見つけ、その地点を集中的に補強することである。

具体事例2 — ストリーミングサービスの予測型拡張。 世界中の利用者をもつストリーミング事業者は、視聴ピーク(夜のゴールデンタイム)が時間帯別に規則的である。この規則性は予測型自動スケーリングに理想的で、ピークの1〜2時間前から容量を先行的に増やしコールドスタート遅延を吸収する。ただし新作公開のようにパターンにない急増は、スケジュール・反応型を併用して備える。

6. 深化 — 最新動向と発展方向

キャパシティ管理は、AIOps・FinOps・SRE と結合しながら進化している。第一に、AIOpsベースの予測スケーリングは、単純な閾値の代わりに多変量機械学習で需要を予測し、異常検知で非正常な急増を早期に警告する。先に見たAWSの予測スケーリングが代表的で、Kubernetesの生態系でもHPA(水平ポッドオートスケーラ)に加えKEDA(イベント駆動)・VPA(垂直)・予測型スケーラが併用される。

第二に、FinOpsとの結合である。クラウドでキャパシティ決定はすなわちコスト決定であるため、キャパシティ管理はもはやインフラチームだけの仕事ではなく、財務・開発がともに責任を負う活動となった。予約インスタンス(RI)・セービングスプランで基底負荷(baseline)を安く確保し、スポットインスタンスで耐障害性のある可変負荷を安価に処理し、オンデマンドで予測不能な残余を埋める3層構成が、コスト最適なキャパシティ管理の定石として定着した。遊休資源のリサイジング(rightsizing)と遊休資源の回収もFinOpsキャパシティ管理の核心である。

第三に、SREのキャパシティプランニングはキャパシティを信頼性工学の一部とみなす。エラーバジェット(error budget)と連携して「どれだけの余裕分がSLOを守るか」をデータで決め、非正常状況に備えてN+1・N+2冗長とリージョン障害時の吸収容量まで計画に含める。過負荷を優雅に処理する負荷遮断・優先度キュー・適応的同時実行制御(adaptive concurrency)もSREキャパシティ管理の標準ツールである。

7. 考慮事項および示唆点

技術士の観点から、キャパシティ管理を設計・運用する際に考慮すべき戦略的含意は次のとおりである。

  • 単一指標の罠の回避と先行指標中心の管理。 CPU利用率のような単一・事後指標だけを見ると飽和を遅れて認知する。飽和・キュー長のような先行指標と利用者体感指標(p95・p99)を束ねて管理し、USE・RED手法で資源とサービスの両面をともに観察せねばならない。

  • 性能・コスト・リスクの明示的な均衡点の定義。 目標利用率・拡張トリガー・ハード上限・余裕分を「勘」ではなく待ち行列モデルと負荷テストで数値化し文書化する。この均衡点はビジネス重要度に応じてサービスごとに差をつけて適用(中核サービスは余裕分を大きく、非中核は小さく)するのが合理的である。

  • 自動スケーリングの限界と防御設計の併行。 自動スケーリングにはコールドスタート、状態型資源の拡張難度、ダウンストリームの連鎖飽和、コスト暴騰という限界がある。したがって上限・サーキットブレーカ・負荷遮断・優雅な性能低下を併せて設計し、拡張が失敗したり遅いときでもサービス全体が崩壊しないようにする。

  • キャパシティ管理のガバナンス化と組織能力。 キャパシティ管理は一度きりの見積りではなく測定→予測→見積り→検証の継続循環であり、ITILのビジネス・サービス・コンポーネントの三層をつなぐガバナンスが必要である。FinOpsで財務と、SREで信頼性と結合し、インフラ・開発・財務が共同で責任を負う運用モデルを備えてこそ持続可能である。

  • 予測不確実性に対するシナリオベースの備え。 傾向予測は過去になかった急変を見逃すため、平時予測とは別にイベント・バイラル・障害のシナリオを立て、各シナリオ別のピーク需要と確保戦略(事前拡張・事前予約・遮断閾値)をあらかじめ定めておかねばならない。

参考資料


一言まとめ: キャパシティ管理はSLOを守る最小コスト点を探す測定・予測・見積り・検証の継続循環であり、リトルの法則・待ち行列モデルで資源を見積り、傾向・イベント予測と自動スケーリング(反応・予測・スケジュール)を結合しつつ上限・負荷遮断で過負荷を防御し、今日ではAIOps・FinOps・SREと融合して性能・コスト・リスクの均衡をデータで最適化する。