Section 2: インフラ管理とプロビジョニング — 📘 基礎編

対象: 実務 1-2 年・GCP 初学者 / インフラ構築をこれから本格的に学ぶ人。 目標: ネットワーク・ストレージ・コンピュート・Vertex AI の基本構成要素を理解し、Cloud Console で実際にプロビジョニングできるようになる。

1. インフラ管理とプロビジョニングの全体像

クラウドアーキテクトが扱う 5 つのインフラレイヤー：

┌─────────────────────────────────────────────┐
│ 5. AI/ML レイヤー                            │  Vertex AI, Gemini, Model Garden, AI Hypercomputer
├─────────────────────────────────────────────┤
│ 4. アプリ/サーバーレス レイヤー                │  Cloud Run, Cloud Run functions, App Engine
├─────────────────────────────────────────────┤
│ 3. コンピュート レイヤー                      │  Compute Engine, GKE, VMware Engine
├─────────────────────────────────────────────┤
│ 2. ストレージ レイヤー                        │  GCS, Persistent Disk, Cloud SQL, BigQuery
├─────────────────────────────────────────────┤
│ 1. ネットワーク レイヤー                      │  VPC, LB, Cloud Armor, Interconnect
└─────────────────────────────────────────────┘

「プロビジョニング」とは、必要なリソースを 必要な量・場所・タイミング で確保すること。GCP では宣言的に IaC（Terraform / Deployment Manager / Config Connector）で行うのが標準です。

2. ネットワークトポロジーの構成

2.1 VPC の基本

VPC ネットワーク はプロジェクト内の仮想ネットワーク。GCP の VPC は グローバルリソース なので、複数リージョンのサブネットを 1 つの VPC で扱えます（AWS/Azure では VPC はリージョン単位）。

VPC ネットワーク（グローバル）
 ├─ サブネット A（us-central1, 10.0.0.0/24）
 ├─ サブネット B（asia-northeast1, 10.0.1.0/24）
 ├─ Firewall Rules（VPC 全体に適用）
 ├─ Routes
 └─ Cloud Router（BGP 用）

2.2 サブネット設計の基本

試験頻出: GKE で Pod 数が増える可能性 → セカンダリ範囲を広めに確保（後から縮小できない）。

2.3 ファイアウォールルール

優先順位（数値が小さいほど高優先）:
0 ──── Hierarchical Firewall（組織/フォルダ）
       ↓
65535 ─ VPC Firewall Rules（implied deny ingress / allow egress）

2.4 Cloud NAT と Private Google Access

            ┌─── Internet ───┐
            │                │
   ┌────────┴────────┐       │
   │  Cloud NAT      │ ←─ プライベート VM が egress
   └────────┬────────┘       │
            │                │
┌───────────┼───────────────┐│
│  VPC      │               ││
│  ┌────────┴───────┐       ││
│  │ Private VM     │ → Private Google Access → googleapis.com
│  │ （外部 IP なし） │       │
│  └────────────────┘       │
└──────────────────────────┘

2.5 セキュリティ保護機能

試験頻出: 「SQL インジェクション/XSS 防御」 → Cloud Armor（L7 WAF）。「侵入検知」 → Cloud IDS。

2.6 ハイブリッド/マルチクラウド接続

2.7 ロードバランサ（基本）

GCP の Cloud Load Balancing は 7 種類 あり、3 つの軸で選びます：

1. スコープ: Global / Regional
2. 公開範囲: External / Internal
3. 方式: Application (L7) / Network Passthrough (L4) / Network Proxy

3. ストレージシステムの構成

3.1 オブジェクトストレージ（Cloud Storage）

バケット作成時の主要設定

新規バケットは Uniform access が推奨（IAM だけで管理がシンプル）。

ライフサイクル管理

オブジェクトの 自動移行・削除 を定義します。

ライフサイクルルール例:
- 30 日経過 → Nearline へ移行
- 90 日経過 → Coldline へ移行
- 365 日経過 → 削除
- バージョン違い → 7 日後に削除

設定例（JSON）：

{
  "lifecycle": {
    "rule": [
      { "action": {"type": "SetStorageClass", "storageClass": "NEARLINE"},
        "condition": {"age": 30} },
      { "action": {"type": "Delete"},
        "condition": {"age": 365} }
    ]
  }
}

保持ポリシーとオブジェクトロック

試験頻出: 「7 年の監査保持」 → Retention Policy + Bucket Lock + Archive クラス。

3.2 ブロックストレージ（Persistent Disk / Hyperdisk）

Hyperdisk は IOPS とサイズを独立に調整可能（PD は連動）。AI ワークロードでは Hyperdisk ML が推奨。

3.3 ファイルストレージ（Filestore）

NFS v3 互換のマネージドファイルシステム。複数 VM から共有マウント したい場合に使用。

3.4 データベース（運用設定の基本）

3.5 Backup and DR Service

旧 Actifio。VM・DB・GKE・ファイルシステムを統合的にバックアップ。

主な特徴：

• アプリケーション整合性 のあるスナップショット
• クロスリージョンレプリケーション
• インスタントマウント で素早く復旧
• VMware Engine、Compute Engine、Cloud SQL、GKE PV をサポート

4. コンピュートシステムの構成

4.1 Compute Engine（VM）

マシンファミリー

課金単位

• 秒単位課金（最低 1 分）
• 継続使用割引（Sustained Use Discounts）: 1 ヶ月の使用率に応じ最大 30% 自動割引
• Committed Use Discounts (CUD): 1 / 3 年契約で 30-55% 割引
• Spot VM: 最大 91% 割引（24 時間以内に終了の可能性）

4.2 Managed Instance Group（MIG）

VM を テンプレートから複数起動・自動修復・自動スケール するグループ。

Instance Template ─┬─ MIG (us-central1-a) ─ VM × N
                   ├─ MIG (us-central1-b) ─ VM × N
                   └─ MIG (us-central1-c) ─ VM × N
                            ↑
                    Regional MIG = ゾーン跨ぎ

主な機能：

• Autohealing: ヘルスチェック失敗で VM 再作成
• Autoscaling: CPU / LB / カスタム指標 / スケジュール
• Rolling Update: 段階的更新（Canary / Phased rollout）
• Stateful MIG: 個別 VM の状態（ディスク/メタデータ）を保持

4.3 OS 管理（VM Manager / OS Config）

VM のパッチ管理・設定管理を行うマネージドツール。

4.4 GKE の基本

Autopilot vs Standard

GKE のネットワーク

• VPC-native cluster: デフォルト。Pod IP に Alias IP を使用
• Private cluster: コントロールプレーン/ノードがプライベート IP
• Workload Identity: Pod 単位で IAM 権限を付与（推奨）

4.5 サーバーレスコンピューティング

4.6 Google Cloud VMware Engine (GCVE)

VMware vSphere/NSX-T/vSAN をフルマネージドで GCP 上に提供 するサービス（2025 年改訂で試験対象に）。

オンプレ vSphere ──── HCX ────→ GCVE（GCP 上）
                                ├── vCenter
                                ├── ESXi (ベアメタル)
                                ├── NSX-T
                                └── vSAN
                                     ↕ VPC Peering
                                Cloud SQL / BigQuery / GCS

用途: VMware 環境をそのまま残したい、Refactor の時間がない、Oracle on VMware を移行 など。

5. Vertex AI で ML ワークフロー

5.1 Vertex AI の構成要素

データ準備
  ├── Cloud Storage / BigQuery（生データ）
  └── Vertex AI Feature Store（特徴量管理）

モデル開発
  ├── Vertex AI Workbench（マネージド Jupyter）
  ├── AutoML（コード不要）
  ├── Custom Training（独自モデル）
  └── Model Garden（事前学習モデルカタログ）

オーケストレーション
  └── Vertex AI Pipelines（Kubeflow Pipelines ベース）

デプロイ・推論
  ├── Vertex AI Endpoints（オンライン推論、リアルタイム）
  ├── Vertex AI Batch Prediction（バッチ推論）
  └── Model Registry（バージョン管理）

監視
  ├── Vertex AI Model Monitoring（ドリフト検知）
  └── Vertex AI Explainable AI（説明可能性）

5.2 Vertex AI Pipelines（基本）

ML ライフサイクルを DAG（有向非巡回グラフ） として宣言し、自動実行する仕組み。

• Kubeflow Pipelines (KFP) または TFX (TensorFlow Extended) で記述
• 各ステップは コンテナ として実行される
• パラメータ・成果物・実行履歴を Vertex ML Metadata に保存
• スケジュール実行 / イベント駆動が可能

簡単な KFP の例：

from kfp import dsl

@dsl.component(base_image="python:3.10")
def preprocess(data_uri: str) -> str:
    return f"preprocessed: {data_uri}"

@dsl.component(base_image="python:3.10")
def train(preprocessed: str) -> str:
    return f"model from {preprocessed}"

@dsl.pipeline(name="simple-pipeline")
def pipeline(data_uri: str):
    p = preprocess(data_uri=data_uri)
    train(preprocessed=p.output)

5.3 データ統合の準備

Vertex AI で扱うデータは以下から取り込み：

5.4 AI Hypercomputer（最新追加）

大規模 AI ワークロードのための 統合インフラ製品。

コンピュート層
├── TPU v5e / v5p / Trillium（学習に最適）
├── A3 / A3 Ultra（H100 GPU）
└── A4（最新 GPU）

ネットワーク層
└── Jupiter（光回線スイッチング、ノード間 3.2 Tbps）

ストレージ層
├── Hyperdisk ML（複数 VM 同時アタッチ可）
├── Anywhere Cache（オブジェクトキャッシュ）
└── Parallel Filesystem (Lustre)

ソフトウェア層
├── JAX / PyTorch / TensorFlow
├── Pathways（マルチホスト分散）
└── XLA コンパイラ

試験頻出: 「大規模 LLM 学習」「TPU と GPU を混在」 → AI Hypercomputer。

6. Vertex AI のプリビルトソリューションと API

6.1 Google AI API（事前学習済み）

コードなしで即利用できる API：

6.2 Gemini Enterprise（最新・必須）

Gemini を企業向けに統合した AI エージェント基盤。旧 Vertex AI Agent Builder を含む。

主要構成要素：

Gemini Enterprise
├── Agents（業務特化 AI）
│   ├── Customer Service Agent
│   ├── Sales Agent
│   └── Coding Agent
├── NotebookLM（ナレッジ統合 AI）
└── Agentspace（全社向け AI アシスタント）

6.3 Model Garden（最新・必須）

Google + サードパーティ + OSS の 200+ モデル を統一インターフェースで利用できるカタログ。

含まれるモデル：

• Google: Gemini (Pro/Flash/Nano)、PaLM 2、Imagen、Chirp、Codey、Embeddings
• サードパーティ: Anthropic Claude、AI21 Jurassic、Mistral Large
• OSS: Llama、Stable Diffusion、Falcon、Gemma

利用パターン：

• API として利用（Vertex AI Endpoints 経由）
• ファインチューニング（自社データで再学習）
• デプロイ（GKE / Vertex AI Endpoints に配置）

試験頻出: 「Claude や Llama を GCP で使いたい」 → Model Garden。

7. 簡単なプロビジョニング例

7.1 VPC + 2 サブネット（gcloud）

# VPC 作成
gcloud compute networks create my-vpc \
  --subnet-mode=custom

# サブネット作成
gcloud compute networks subnets create subnet-us \
  --network=my-vpc \
  --region=us-central1 \
  --range=10.0.0.0/24

gcloud compute networks subnets create subnet-asia \
  --network=my-vpc \
  --region=asia-northeast1 \
  --range=10.0.1.0/24

7.2 MIG + Autoscaler

# インスタンステンプレート
gcloud compute instance-templates create web-template \
  --machine-type=e2-medium \
  --image-family=debian-12 \
  --image-project=debian-cloud

# MIG（リージョナル）
gcloud compute instance-groups managed create web-mig \
  --template=web-template \
  --size=3 \
  --region=us-central1

# Autoscaler
gcloud compute instance-groups managed set-autoscaling web-mig \
  --region=us-central1 \
  --min-num-replicas=2 \
  --max-num-replicas=10 \
  --target-cpu-utilization=0.6

7.3 Cloud Storage + Lifecycle

gcloud storage buckets create gs://my-bucket \
  --location=us \
  --uniform-bucket-level-access

# ライフサイクル設定
cat > lifecycle.json <<EOF
{
  "lifecycle": {
    "rule": [
      { "action": {"type": "SetStorageClass", "storageClass": "COLDLINE"},
        "condition": {"age": 90} },
      { "action": {"type": "Delete"},
        "condition": {"age": 365} }
    ]
  }
}
EOF
gcloud storage buckets update gs://my-bucket --lifecycle-file=lifecycle.json

7.4 Vertex AI Pipelines をスケジュール実行

# パイプライン定義 (pipeline.json) をアップロードしスケジュール
gcloud ai pipelines schedules create \
  --display-name="daily-training" \
  --pipeline-spec-uri=gs://my-bucket/pipeline.json \
  --cron="0 2 * * *" \
  --region=us-central1

8. 章末まとめ

各レイヤーで覚える「最初のサービス」

試験頻出キーワード

• Private Google Access … 外部 IP なしで Google API へ
• Cloud NAT … プライベート VM のインターネット egress
• Cloud Armor … L7 WAF / DDoS
• Cloud IDS … 侵入検知
• Hierarchical Firewall … 組織レベルで強制
• MIG / Autoscaler / Autohealing … VM 自動運用
• GKE Autopilot … Pod 単位課金、運用最小化
• GCVE … VMware をそのまま GCP に
• Vertex AI Pipelines … ML オーケストレーション
• AI Hypercomputer … TPU/GPU 統合
• Gemini Enterprise … AI エージェント基盤
• Model Garden … 200+ モデルカタログ

次のステップ

• 中堅レベルへ進む方: 02_応用.md で 設計トレードオフ、運用判断、Pipelines/AI Hypercomputer の詳細 を学ぶ
• 試験準備中の方: 03_要点と暗記.md で要点を整理
• 演習を始める方: ../../03_問題集/section2_問題集.md