Skip to main content

K3sでイベント駆動オートスケーリングが必要になったら。HPAとKEDA、どちらを選ぶかの判断基準

HPAで足りると思っていたが、K3sの現場で起きていること

section01

K3sクラスタを運用していて、HPA(Horizontal Pod Autoscaler)を設定したのに「思ったようにスケールしない」と感じた経験はないでしょうか。CPU使用率は正常な範囲なのに、メッセージキューにはリクエストが溜まり続けている。逆にPodはCPU使用率だけを見て律儀にスケールアウトするのに、実際の処理待ちはほとんど解消されない。

これは設定ミスではなく、HPAという仕組み自体の前提の問題です。Kubernetesの公式APIリファレンスによれば、HPAはresource・pods・object・externalの4種類のメトリクスタイプに対応していますが、デフォルトで参照されるのはCPU使用率80%というリソースメトリクスです。キュー長やイベント数のような「Pod内部からは観測できない」指標を扱うには、追加の設計が必要になります。

K3s環境では特にこの差が表面化しやすい構造があります。K3sは metrics-server を標準搭載しているため、HPAをCPU/メモリベースで動かすところまでは非常に手軽です。しかしその手軽さゆえに、「まずHPAで組んでみる」→「イベント駆動のワークロードで限界に気づく」という順番でこの問題に遭遇するチームが多いのです。

本記事では、K3s上でオートスケーリングの限界に直面したときに、標準のHPAを拡張して使い続けるべきか、KEDA(Kubernetes Event-driven Autoscaling)を導入すべきかを、3つの判断基準で整理します。このあたりの監視基盤をどこまで自前で構築する必要があるかは、KuboのようなマネージドK8sサービスを選ぶ段階から意識しておきたいポイントです。

HPAとKEDAは何が違うのか

section02

まず前提を揃えておきます。KEDAはHPAを置き換えるものではありません。 KEDA公式サイトが明記している通り、KEDAは「標準のKubernetesコンポーネントであるHorizontalPodAutoscalerと連携して動作し、重複や上書きなしに機能を拡張する」設計になっています。KEDA自体はHPAのControllerの前段に立ち、外部イベントソースをKubernetesのメトリクスAPIとして翻訳する役割を担っています。

両者の違いを整理すると次のようになります。

HPAの標準的な仕組み

  • CPU/メモリ使用率をmetrics-server経由で取得し、Pod数を増減
  • カスタムメトリクスを使う場合はPrometheus Adapterのような追加コンポーネントで custom.metrics.k8s.io API を実装する必要がある
  • 長らく「ゼロレプリカへのスケールイン」は対応外だった

KEDAの標準的な仕組み

  • CNCFのGraduatedプロジェクトとして、Kafka・RabbitMQ・Prometheus・各種クラウドキューなど60種類以上のイベントソース(スケーラー)を標準サポート
  • ScaledObjectというCRDで「何をスケールするか」と「どのイベントをトリガーにするか」を定義
  • イベントがゼロになればゼロレプリカまでスケールインできる。Google CloudのGKE向けチュートリアルでも、Pub/Sub連携やGPU推論ワークロードでのスケールtoゼロ活用例が紹介されている

なお、この前提は2026年に入って変化し始めています。Kubernetes v1.37のリリースブログでは、HPA自体がobject/externalメトリクスを使ったゼロレプリカへのスケールインをBeta機能としてデフォルト有効化したことが発表されました。つまり「HPAはスケールtoゼロができない」という制約は、今後のKubernetesバージョンでは前提として置けなくなりつつあります。ただし現時点でも、60種類以上のイベントソースをすぐに使えるコネクタ群を持つ点や、認証プロバイダとの統合の豊富さは、KEDAが持つ実務上の優位性として残ります。

どちらを選ぶか。3つの判断基準

section03

「HPAとKEDA、どちらを選ぶべきか」を考えるとき、次の3つの軸で整理すると判断しやすくなります。

判断基準1: スケーリングの根拠がリソース使用率で説明できるか

Webアプリケーションのようにリクエスト量とCPU使用率がある程度連動するワークロードであれば、標準のHPAで十分です。一方、メッセージキューの滞留数やジョブの待ち件数のように、Pod内部のリソース使用率とは独立して増減する指標でスケールしたい場合は、KEDAのイベントソース連携が有効です。

判断基準2: スケールtoゼロが必須要件か

夜間・週末はまったくトラフィックがないバッチ処理系や、GPUを使う推論ワークロードのようにアイドル時のコストが大きいケースでは、ゼロレプリカまで落とし切れるかどうかがコストに直結します。前述の通りKubernetes本体でもBeta機能として対応が進んでいますが、KEDAはGraduatedプロジェクトとしてFedEx・Reddit・Xboxなど本番導入実績が積み上がっており、枯れた運用ノウハウを頼りにできる点は現時点でも大きな差です。

判断基準3: カスタムメトリクス基盤を運用チームが維持できるか

HPAだけでカスタムメトリクスを使う場合、Prometheus Adapterのようなアダプタ層を自前で構築・運用する必要があります。設定ルールでPrometheusクエリをKubernetesリソースにマッピングする作業は、思ったよりも運用負荷がかかります。KEDAはこの部分をScaledObjectの定義だけで完結させられるため、運用チームの人数が少ない、あるいは監視基盤の専任者がいない環境ほどKEDA導入のメリットが相対的に大きくなります。

K3s環境でKEDAを導入する際の注意点

section04

K3sはmetrics-serverを標準搭載しているため、HPAのCPU/メモリベースのスケーリングはインストール直後から動きます。ここにKEDAを追加導入する場合、いくつか気をつけたいポイントがあります。

  • 既存のHPAと競合させない: KEDAはScaledObject経由で内部的にHPAリソースを生成します。同じDeployment/StatefulSetに対して手動のHPAとKEDAのScaledObjectを二重に定義しないよう注意が必要です
  • メトリクスソースの選定: Prometheusをすでに監視基盤として使っているなら、KEDAのPrometheusスケーラーを使うことで新規コンポーネントの追加を最小限にできます
  • エッジ/オンプレでのリソース制約: エッジやオンプレのようにノードリソースが限られる環境では、KEDA Operator自体の常駐コストも考慮に入れる必要があります。すべてのノードにイベントソース用の追加コンポーネントを載せられるとは限らないため、監視基盤とオートスケーリング機能がどこまで標準搭載されているかは、環境選定時の判断材料になります

このあたりの「監視基盤をどこまで自前で持つか」という論点は、K3sベースのマネージドサービスを選ぶかどうかの判断にも直結します。KuboはK3sベースでPrometheus + Grafanaを標準搭載しているため、KEDAのPrometheusスケーラーを使う際にゼロから監視基盤を構築する手間を省けます。カスタムメトリクス連携をこれから検討するチームにとっては、この標準搭載範囲の広さがそのまま初期構築コストの差になります。

データ主権の要件でオンプレ運用が前提になる場合も、Kubo On-Premiseであれば同じK3sベースの構成をそのまま自社インフラに持ち込めるため、クラウド版で検証したKEDAの設計をオンプレ環境に移植しやすいという利点があります。

まとめ

HPAは依然として、CPU/メモリ使用率で説明できるワークロードに対するデフォルトの選択肢です。一方で、イベント駆動のワークロードやスケールtoゼロが必要になった時点で、KEDAの導入を検討する価値が出てきます。

判断基準をもう一度まとめると次の通りです。

  1. スケーリングの根拠がリソース使用率で説明できるか、外部イベントかどうか
  2. スケールtoゼロが必須要件かどうか
  3. カスタムメトリクス基盤を運用チームが維持できるかどうか

EKSやAKSでゼロからPrometheus AdapterやKEDAの監視基盤を組もうとすると、それだけでプロジェクトの立ち上がりに時間がかかります。KuboならK3sベースの本格的なKubernetesの機能はそのままに、Prometheus + Grafanaが標準搭載された状態からスタートできるため、HPAからKEDAへのオートスケーリング拡張を、月額48,000円〜という予測可能なコストの範囲で試すことができます。まずはHPAで組んでみて、イベント駆動のワークロードにぶつかったタイミングで、KEDAへの拡張を検討してみてください。

Related articles

← Back to all posts