[{"data":1,"prerenderedAt":363},["ShallowReactive",2],{"blog-ja-k3s-keda-vs-hpa-event-driven-autoscaling-decision":3,"blog-related-ja-k3s-keda-vs-hpa-event-driven-autoscaling-decision":318,"blog-ja-k3s-keda-vs-hpa-event-driven-autoscaling-decision-alt":307},{"id":4,"title":5,"author":6,"body":7,"date":301,"description":302,"extension":303,"image":304,"locale":305,"meta":306,"navigation":307,"path":308,"seo":309,"stem":310,"tags":311,"__hash__":317},"blog\u002Fblog\u002Fja\u002Fk3s-keda-vs-hpa-event-driven-autoscaling-decision.md","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","Kubo Team",{"type":8,"value":9,"toc":284},"minimark",[10,15,23,26,37,46,55,59,65,79,82,87,106,110,136,145,149,155,158,162,169,173,181,185,196,200,206,215,235,242,251,254,262,265,277],[11,12,14],"h2",{"id":13},"hpaで足りると思っていたがk3sの現場で起きていること","HPAで足りると思っていたが、K3sの現場で起きていること",[16,17,18],"p",{},[19,20],"img",{"alt":21,"src":22},"section01","https:\u002F\u002Fcdn.kubo.hexabase.io\u002Fimages\u002Fblog\u002Fja\u002Fk3s-keda-vs-hpa-event-driven-autoscaling-decision\u002Fsection01.webp",[16,24,25],{},"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。",[16,27,28,29,36],{},"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。",[30,31,35],"a",{"href":32,"rel":33},"https:\u002F\u002Fkubernetes.io\u002Fdocs\u002Freference\u002Fkubernetes-api\u002Fautoscaling\u002Fhorizontal-pod-autoscaler-v2\u002F",[34],"nofollow","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。",[16,38,39,40,45],{},"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。",[30,41,44],{"href":42,"rel":43},"https:\u002F\u002Fgithub.com\u002Fk3s-io\u002Fk3s\u002Ftree\u002Fmain\u002Fmanifests\u002Fmetrics-server",[34],"K3sは metrics-server を標準搭載","しているため、HPAをCPU\u002F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。",[16,47,48,49,54],{},"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、",[30,50,53],{"href":51,"rel":52},"https:\u002F\u002Fkubo.hexabase.io\u002F",[34],"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。",[11,56,58],{"id":57},"hpaとkedaは何が違うのか","HPAとKEDAは何が違うのか",[16,60,61],{},[19,62],{"alt":63,"src":64},"section02","https:\u002F\u002Fcdn.kubo.hexabase.io\u002Fimages\u002Fblog\u002Fja\u002Fk3s-keda-vs-hpa-event-driven-autoscaling-decision\u002Fsection02.webp",[16,66,67,68,72,73,78],{},"まず前提を揃えておきます。",[69,70,71],"strong",{},"KEDAはHPAを置き換えるものではありません。"," ",[30,74,77],{"href":75,"rel":76},"https:\u002F\u002Fkeda.sh\u002F",[34],"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。",[16,80,81],{},"両者の違いを整理すると次のようになります。",[83,84,86],"h3",{"id":85},"hpaの標準的な仕組み","HPAの標準的な仕組み",[88,89,90,94,103],"ul",{},[91,92,93],"li",{},"CPU\u002Fメモリ使用率をmetrics-server経由で取得し、Pod数を増減",[91,95,96,97,102],{},"カスタムメトリクスを使う場合は",[30,98,101],{"href":99,"rel":100},"https:\u002F\u002Fgithub.com\u002Fkubernetes-sigs\u002Fprometheus-adapter",[34],"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",[91,104,105],{},"長らく「ゼロレプリカへのスケールイン」は対応外だった",[83,107,109],{"id":108},"kedaの標準的な仕組み","KEDAの標準的な仕組み",[88,111,112,120,123],{},[91,113,114,119],{},[30,115,118],{"href":116,"rel":117},"https:\u002F\u002Fwww.cncf.io\u002Fannouncements\u002F2023\u002F08\u002F22\u002Fcloud-native-computing-foundation-announces-graduation-of-kubernetes-autoscaler-keda\u002F",[34],"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",[91,121,122],{},"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",[91,124,125,126,129,130,135],{},"イベントがゼロになれば",[69,127,128],{},"ゼロレプリカまでスケールイン","できる。",[30,131,134],{"href":132,"rel":133},"https:\u002F\u002Fcloud.google.com\u002Fblog\u002Fproducts\u002Fcontainers-kubernetes\u002Fscale-to-zero-on-gke-with-keda\u002F",[34],"Google CloudのGKE向けチュートリアル","でも、Pub\u002FSub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",[16,137,138,139,144],{},"なお、この前提は2026年に入って変化し始めています。",[30,140,143],{"href":141,"rel":142},"https:\u002F\u002Fkubernetes.io\u002Fblog\u002F2026\u002F09\u002F02\u002Fkubernetes-v1-37-hpa-scale-to-zero-beta\u002F",[34],"Kubernetes v1.37のリリースブログ","では、HPA自体がobject\u002Fexternal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。",[11,146,148],{"id":147},"どちらを選ぶか3つの判断基準","どちらを選ぶか。3つの判断基準",[16,150,151],{},[19,152],{"alt":153,"src":154},"section03","https:\u002F\u002Fcdn.kubo.hexabase.io\u002Fimages\u002Fblog\u002Fja\u002Fk3s-keda-vs-hpa-event-driven-autoscaling-decision\u002Fsection03.webp",[16,156,157],{},"「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。",[83,159,161],{"id":160},"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","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",[16,163,164,165,168],{},"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、",[69,166,167],{},"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。",[83,170,172],{"id":171},"判断基準2-スケールtoゼロが必須要件か","判断基準2: スケールtoゼロが必須要件か",[16,174,175,176,180],{},"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、",[30,177,179],{"href":116,"rel":178},[34],"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。",[83,182,184],{"id":183},"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","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",[16,186,187,188,191,192,195],{},"HPAだけでカスタムメトリクスを使う場合、",[30,189,101],{"href":99,"rel":190},[34],"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、",[69,193,194],{},"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。",[11,197,199],{"id":198},"k3s環境でkedaを導入する際の注意点","K3s環境でKEDAを導入する際の注意点",[16,201,202],{},[19,203],{"alt":204,"src":205},"section04","https:\u002F\u002Fcdn.kubo.hexabase.io\u002Fimages\u002Fblog\u002Fja\u002Fk3s-keda-vs-hpa-event-driven-autoscaling-decision\u002Fsection04.webp",[16,207,208,209,214],{},"K3sは",[30,210,213],{"href":211,"rel":212},"https:\u002F\u002Fgithub.com\u002Fk3s-io\u002Fk3s\u002Fblob\u002Fmain\u002Fmanifests\u002Fmetrics-server\u002Fmetrics-server-deployment.yaml",[34],"metrics-serverを標準搭載","しているため、HPAのCPU\u002F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。",[88,216,217,223,229],{},[91,218,219,222],{},[69,220,221],{},"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\u002FStatefulSet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",[91,224,225,228],{},[69,226,227],{},"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",[91,230,231,234],{},[69,232,233],{},"エッジ\u002F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",[16,236,237,238,241],{},"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。",[30,239,53],{"href":51,"rel":240},[34],"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。",[16,243,244,245,250],{},"データ主権の要件でオンプレ運用が前提になる場合も、",[30,246,249],{"href":247,"rel":248},"https:\u002F\u002Fwww.hexabase.com\u002Fproduct\u002Fkubo\u002Fon-premise",[34],"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。",[11,252,253],{"id":253},"まとめ",[16,255,256,257,261],{},"HPAは依然として、CPU\u002F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、",[30,258,260],{"href":75,"rel":259},[34],"KEDA","の導入を検討する価値が出てきます。",[16,263,264],{},"判断基準をもう一度まとめると次の通りです。",[266,267,268,271,274],"ol",{},[91,269,270],{},"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",[91,272,273],{},"スケールtoゼロが必須要件かどうか",[91,275,276],{},"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",[16,278,279,280,283],{},"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。",[30,281,53],{"href":51,"rel":282},[34],"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。",{"title":285,"searchDepth":286,"depth":286,"links":287},"",2,[288,289,294,299,300],{"id":13,"depth":286,"text":14},{"id":57,"depth":286,"text":58,"children":290},[291,293],{"id":85,"depth":292,"text":86},3,{"id":108,"depth":292,"text":109},{"id":147,"depth":286,"text":148,"children":295},[296,297,298],{"id":160,"depth":292,"text":161},{"id":171,"depth":292,"text":172},{"id":183,"depth":292,"text":184},{"id":198,"depth":286,"text":199},{"id":253,"depth":286,"text":253},"2026-09-10","K3sでHPAのCPU\u002Fメモリベースのスケーリングでは対応しきれないイベント駆動ワークロードに直面したとき、標準のHPAを使い続けるべきか、CNCF GraduatedプロジェクトのKEDAを導入すべきか。3つの判断基準とK3s環境での注意点を整理する。","md","https:\u002F\u002Fcdn.kubo.hexabase.io\u002Fimages\u002Fblog\u002Fja\u002Fk3s-keda-vs-hpa-event-driven-autoscaling-decision\u002Ftitle.webp","ja",{},true,"\u002Fblog\u002Fja\u002Fk3s-keda-vs-hpa-event-driven-autoscaling-decision",{"title":5,"description":302},"blog\u002Fja\u002Fk3s-keda-vs-hpa-event-driven-autoscaling-decision",[312,313,314,315,316],"k3s","kubernetes","hpa","keda","autoscaling","3LJgIOTHWq7C_rrMcZfk7KhX7woaCcxYrSeq1ipkTwk",[319,327,334,342,350,356],{"path":320,"title":321,"description":322,"date":323,"tags":324},"\u002Fblog\u002Fja\u002Fk3s-keda-hpa-event-driven-autoscaling-decision","CPU使用率は正常なのにリクエストが詰まる。KubernetesでHPAにKEDAを足すべきタイミング","KEDAとHPAはどちらか一方を選ぶものではない。K3s\u002FKubernetesでイベント駆動ワークロードが増えたとき、HPAだけで限界に達する理由とKEDAを併用する判断基準を解説する。","2026-10-03",[312,313,315,314,316,325,326],"event-driven-scaling","scaledobject",{"path":328,"title":329,"description":330,"date":331,"tags":332},"\u002Fblog\u002Fja\u002Fhpa-vpa-aep-5342-multidimensional-pod-autoscaler","HPAとVPAの併用問題、Kubernetes本体がAEP-5342で解決しようとしている。GKE版MPAとの違いとKuboで今できること","HPAとVPAの併用は長年危険とされてきたが、GKEのMultidimensional Pod AutoscalerとKubernetes本体のAEP-5342提案が解決の方向性を示し始めている。K3s\u002FKuboで今日から実践できる設計も解説する。","2026-10-27",[312,313,314,333,316],"vpa",{"path":335,"title":336,"description":337,"date":338,"tags":339},"\u002Fblog\u002Fja\u002Fk3s-hpa-containerresource-sidecar-utilization-dilution","HPAがサイドカーの分まで合算してスケールしていた。KubernetesのContainerResourceという盲点","KubernetesのHPAはPod内の全コンテナの使用量を合算して利用率を計算するため、Istioサイドカーやログエージェントの負荷が判定を薄める。ContainerResourceメトリクスで解決する方法をK3s\u002FKubo文脈で解説する。","2026-10-21",[312,313,314,340,316,341],"containerresource","service-mesh",{"path":343,"title":344,"description":345,"date":346,"tags":347},"\u002Fblog\u002Fja\u002Fk3s-hpa-prometheus-adapter-discovery-interval-stale-metrics","discoveryIntervalを疑え。K3sのHPAがPrometheus Adapter経由で\"古いメトリクス\"を掴み続ける設定ミス","K3sのHPAがCPU使用率は正常なのにスケールしない。原因はPrometheus Adapterのmetrics-relist-interval\u002Fmetrics-max-ageとHPA sync-periodが噛み合っていない設定ミスだった。3層の遅延構造と診断コマンドを解説する。","2026-10-12",[312,313,314,348,316,349],"prometheus-adapter","observability",{"path":351,"title":352,"description":353,"date":354,"tags":355},"\u002Fblog\u002Fja\u002Fkubernetes-hpa-vpa-autoscaling-conflict-design","\"両方入れれば安心\"が一番危ない。KubernetesでHPAとVPAを併用するとスケーリングが暴走する理由","KubernetesでHPAとVPAを両方有効にすると、良かれと思った自動化同士が干渉し、スケーリングが際限なく暴走することがある。衝突が起きる仕組みと、updateModeやメトリクス分離による安全な併用設計を解説する。","2026-10-07",[312,313,314,333,316],{"path":357,"title":358,"description":359,"date":360,"tags":361},"\u002Fblog\u002Fja\u002Fk3s-hpa-not-scaling-metrics-unknown-vpa-death-spiral","HPAの設定は合っている。なのにPodが増えない。K3sで起きる『メトリクス不明』の正体とHPA\u002FVPAの死のスパイラル","K3sでHPAを設定したのにPodが増えない。原因はリソースリクエスト未設定によるメトリクス不明化と、HPA\u002FVPAの死のスパイラルにあることが多い。診断手順と対策を解説する。","2026-09-02",[312,313,314,333,316,362],"metrics-server",1794902462567]