動いている本番AWS環境のコストを棚卸ししてみた 〜CDKコード×実測の2段構え〜

2026.06.24
動いている本番AWS環境のコストを棚卸ししてみた 〜CDKコード×実測の2段構え〜
この記事をシェアする

本記事では、実運用中の AWS 本番環境(AWS CDK で IaC 管理)のコストを棚卸しした過程を紹介します。IaC コードと、CloudWatch / Cost Explorer による実測の両面から、セキュリティを落とさずに削減余地を洗い出しました。Aurora Serverless v2 のサイジング、ECS Fargate の適正化、「棚卸しで必ず出てくる置き忘れ」まで、実際の数字と、途中での早合点や勘違いも交えます。

この記事の要約

  • 動いている本番は止めにくいぶん、コストに手を入れるのが怖い。だから「IaC コードで当たりをつけて、実測で裏取りする」2段構えで安全に踏み込んだ
  • いちばんの学びは 「平均は嘘をつく」。クラスタ平均だけ見て「このリードレプリカはアイドルだ、消せば半額だ」と早とちりしかけたが、インスタンス単位+ピーク値で見たら逆だった
  • Aurora Serverless v2 は 設定上の最大 ACU ではなく実消費 ACU で課金される。maxCapacity: 8 を見て「過大だ」と勢い込むと外す
  • コードと実測、どちらか片方だけだと足りない。両方を突き合わせて初めて、IaC 管理外の野良リソースや、コードにない幽霊リソースが見える

1. なぜ「動いている本番」のコスト最適化は難しいのか

コスト削減の記事は世にあふれていますが、その多くは「未使用の EBS を消そう」「S3 のライフサイクルを設定しよう」といった一般論です。いざ自分の動いている本番環境に向き合うと、そう簡単ではありません。

  • 止められない。サービスが動いているので「とりあえず消して様子を見る」ができない
  • 触るのが怖い。サイズを下げて障害が出たら本末転倒

つまり本番のコスト最適化は、「どこに無駄があるか」を正確に当てて、「下げても安全か」を裏取りする作業です。勘でリソースを削るのは一番やってはいけないことです。

2. アプローチ: コードで当たり → 実測で裏取りの2段構え

そこで今回は、次の2段構えで進めました。

  1. IaC コード(CDK)を読んで当たりをつける。どんなリソースが、どんなサイズで定義されているかを把握し、「大きそうな箇所」の仮説を立てる
  2. 実環境を read-only で計測して裏取りする。Cost Explorer で実際の費用を把握する。CloudWatch で実際の使用率を確認し、仮説が正しいか検証する

ポイントは、コードと実測のどちらか一方では足りないということです。コードは「設定値(想定)」しか教えてくれず、実測は「結果」しか教えてくれません。両方を突き合わせて初めて、「想定はデカいのに実際はガラガラ」という乖離が見えます。

なお調査はすべて read-only(describe / list / get 系)で行い、本番には一切変更を加えていません。実際の削減適用はチーム側で別途行い、削減額は後日談として追記する予定です。

3. やってみた

対象は、ごく標準的な構成の Web アプリ基盤です。フロントエンドは ECS Fargate + ALB + CloudFront。バックエンドは Aurora と DynamoDB。Aurora は MySQL と PostgreSQL の2系統で、いずれも Serverless v2 です。検証環境と本番環境は、それぞれ別の AWS アカウントに分かれています。

3-1. まず、いちばんデカいところを測る

コスト最適化の鉄則は「金額の大きいところから」です。Cost Explorer でサービス別に分解したところ、本番では RDS(Aurora)だけで総コストの約 44% を占めていました。

本番環境のサービス別コスト構成。RDSが突出している

迷わず Aurora から攻めます。

3-2. Aurora を疑う → そして勇み足

CDK のコードを開くと、Aurora Serverless v2 の容量設定はこうなっていました(抜粋・一部改変)。

const cluster = new rds.DatabaseCluster(this, "AuroraCluster", {
  engine: rds.DatabaseClusterEngine.auroraMysql({ version }),
  serverlessV2MinCapacity: 0.5,
  serverlessV2MaxCapacity: 8, // ← これ、デカすぎでは?
  writer: rds.ClusterInstance.serverlessV2("writer"),
  readers: [rds.ClusterInstance.serverlessV2("reader")],
});

serverlessV2MaxCapacity: 8。8 ACU といえばそれなりの規模です。「利用想定が大きすぎたんだな、これを 2 とかに下げれば一気に安くなるぞ」と、このときの私は思っていました。

ところが、これが最初の早合点でした。

Aurora Serverless v2 の課金は、設定した最大 ACU ではなく、実際に消費した ACU(ACU 秒)に対してかかります。maxCapacity はあくまで「上限」であって、そこに張り付かない限り請求には効きません。実消費が常時 1 ACU 程度なら、上限を大きくしても請求はほとんど変わりません。

補足: もちろん上限を下げること自体に意味(暴走時のコスト青天井を防ぐガードレール)はあります。ただし**「上限を下げる=節約」ではない**。本当の請求ドライバは、最小 ACU(床)× インスタンス数です。

つまり見るべきは「設定の最大値」ではなく「実際にどれだけ消費しているか」。CloudWatch を見にいきます。

3-3. 「平均は嘘をつく」— リードレプリカを消しかけた話

本番の MySQL クラスタは writer + reader の2インスタンス構成です。まずクラスタ全体をざっと見ると、DB 接続数の平均はほぼ 0、ACU も最大 8 に対してずっと低いまま。数字の上では、ほとんど使われていないように見えました。

「なるほど、ほぼアイドルだ。しかも reader まで立っている。reader を外せばベースラインが半分になるじゃないか」— これが2回目の勘違いでした。

念のため、と思って インスタンス単位+最大値+時間帯で見直したところ、絵がひっくり返りました。

writerはバックアップ窓だけ、readerは日中スパイクして読み取りを捌く
インスタンスCPU 平均 / 最大ACU ピークの出方
writer6% / 27%JST 03:00・12:00 に集中(=バックアップ窓と一致)
reader6% / 61%日中、不規則に多数スパイク

実態はこうでした。

  • reader こそ実働していた。CPU は瞬間的に 61% まで上がる。日中は不規則にスパイクしながら読み取りを捌いている(ストレージ I/O が 0 なのは、結果がバッファキャッシュに乗っているためとみられる)
  • アイドルだったのは writer のほう。CPU のピークはバックアップ窓の時刻ときれいに一致していて、ユーザー由来の負荷はほとんどない

もし平均値だけを信じて reader を削除していたら、日中の読み取り負荷がぜんぶ writer に乗って、本番が詰まっていた恐れがあります。クラスタ平均や接続数の平均だけで「アイドル」と断じるのは危険です。Average 統計は、短時間のスパイクを平らに均してしまうからです。

そこで reader は残します。ただし maxCapacity: 8 は実ピーク(6〜7 ACU)に対して余裕がありすぎます。上限は 7 程度に寄せておきます。3-2 で見たとおり、課金そのものは変わりません。暴走時のガードレールとして健全になります。

ここでの教訓は、次の3点です。

  • インスタンス単位で見る(writer と reader は別物)
  • Average だけでなく Maximum を見る(ピークは平均に埋もれる)
  • ピークが出る時刻を見る(バックアップ窓なのか、日中の業務時間なのか)

地味ですが、これが「下げても安全か」を見極めるための必須手順です。

ちなみに、本当にアイドルだったクラスタは別にいました。同じ Aurora でも、PostgreSQL の2クラスタは接続数・ACU とも終始ほぼ床に張り付いたまま。日中スパイクする mysql の reader と違い、こちらは正真正銘ほとんど使われていません。サイジングを見直すなら、まずこういう「本当に空いている」ところが本命です。

3-4. ECS も測る — こちらは本当にガラガラだった

DB の次は compute です。本番の ECS サービスは、1 vCPU / 2 GB のタスクを 2 つ動かしていました。CloudWatch で使用率を確認すると、次の値でした。

  • CPU 使用率: 平均 0.05% / 最大 1%
  • メモリ使用率: 平均 1.7% / 最大 1.9%
ECSタスクのCPU使用率。ほぼ床を這っている

桁を間違えていないか何度か見直しました笑。0.05%。Aurora の reader と違い、ECS はすっかり持て余していました。

金額の大きさでは Aurora が主役でした。ただ、実働だった Aurora の reader は削りしろが限られます。使用率 0.05% の ECS は、削りしろがそっくり残っていました。金額の順位と「削れる順位」は、必ずしも一致しません。

オートスケールも設定されていました(最小2・最大3、CPU/メモリ 70% 目標)。ただし、この負荷では一生発火しません。つまり台数の問題ではなく、タスクサイズが過大ということ。

ここでも1つ注意。「じゃあ 0.25 vCPU / 0.5 GB まで一気に下げよう」と言いたくなりますが、メモリは使用率が低くてもアプリの常駐分やコンテナイメージ次第で OOM のリスクがあります。いきなり最小にせず、実 RSS を確認して 0.5 vCPU / 1 GB あたりから段階的に下げるのが安全です。

3-5. 棚卸しで必ず出てくる「置き忘れ」

ここからは、コード調査と実測の合わせ技でしか見つからない「置き忘れ(幽霊リソース)」です。

幽霊その1: コードにないのに本番に居た Aurora クラスタ

Cost Explorer と実リソースを突き合わせると、CDK のコードには存在しないのに、本番に インスタンス数ゼロの Aurora クラスタが1つ居ました。過去の検証で作られて、消し忘れられたものです。インスタンスが無いので compute 課金はありませんが、ストレージは残り続けます。これはコードを読むだけでは絶対に気づけません(コードには無いので)。

幽霊その2: 一度も使われていないログ分析基盤

Athena + Glue + Firehose で立派なログ分析基盤が構築されていましたが、クエリ実行履歴を見ると 実行回数 0。「作ったはいいが使われていない」よくあるパターンです。

セキュリティとコストが同時に効くケース: 置き忘れの WAF

WAF を見ると、検証用に作ったとおぼしきテスト用 Web ACL が、本番アカウントにも残っていました。WAF の Web ACL は存在するだけで固定費がかかります。おまけに、検証環境の WAF 費用が本番より高いという逆転まで起きていました。犯人は、この置き忘れ ACL です。使われていない ACL はコストであると同時に、棚卸しされていないアタックサーフェスでもあります。消せば、固定費が減り、かつ管理対象がきれいになる — コストとセキュリティが同じ方向を向く、気持ちのいいケースです。

3-6. 想定が外れたところ: DR は「高そう」で止まっていた

事前の心配のひとつに「DR 環境が中途半端なまま、費用だけ食っているのでは」というものがありました。セカンダリリージョンにバックアップ系のリソースがあるのは把握していたからです。

ところがリージョン別にコストを分解すると、セカンダリリージョンの月額はほぼ誤差。削減インパクトという観点では、ここに時間をかける価値はありませんでした。「高そう」という印象だけで作業に入らなくてよかった、という話です。コスト最適化は感覚ではなく金額の大きい順に、を改めて。

4. 安全に削るための原則

今回の棚卸しで効いた原則をまとめます。

  • 金額の大きいところから測る。請求の支配項(今回は Aurora)から手をつける。「高そう」という印象では動かない
  • 設定値ではなく実測値を見る。maxCapacity: 8 のような上限値に惑わされない。Serverless v2 は実消費課金。本当のドライバは min(床)× インスタンス数
  • 平均ではなくピークと時間帯を見る。インスタンス単位で、Maximum で、いつ上がるかで。平均は実態を平らに均してしまう
  • 検証環境と本番で扱いを変える。たとえば最小 ACU を 0 にする(scale-to-zero)のは、再開レイテンシを許容できる検証環境では有効でも、本番ではユーザー影響が出うる。実際、今回の検証環境の DB は週末に完全停止(最小0)し、平日だけ CI で跳ねる、という理想的な動きをしていました
検証環境のDBは週末ゼロ・平日スパイク。scale-to-zeroが効いている

補足として、環境ごとに AWS アカウントを分けていたのが効きました。アカウント別コストがそのまま環境別コストになり、タグ按分で悩む必要がありません。コスト最適化の地味な前提条件として、アカウント分離は効きます。

5. これから行う削減アクション(予定)

棚卸しの結果から、次の修正を順に進めていきます。どれも read-only の調査で裏取りしました。適用はチームの変更フローに沿って行います。

修正箇所対応ねらいリスク・前提
ECS タスク定義(cpu / memory)1 vCPU / 2 GB → 0.5 vCPU / 1 GB を起点に段階縮小使用率 0.05% に対し過剰なぶんを回収実 RSS を確認し段階適用
Aurora PostgreSQL クラスタ真のアイドル。reader の要否と最小 ACU を見直しベースライン(床 × 台数)を圧縮読み取り経路の確認
Aurora MySQL の maxCapacity8 → 実ピークの 7 程度へ課金は不変・ガードレールの健全化コスト目的ではない
幽霊 Aurora クラスタ削除ストレージ課金とアタックサーフェスを除去データ要否の最終確認
未使用ログ分析基盤(Firehose / Glue / Athena)要否を判断のうえ撤去維持コストと運用の複雑さを削減将来必要になれば再構築
置き忘れ test WAF ACL削除固定費の削減+運用の衛生向上参照中でないかの確認
夜間・休日の自動停止(EventBridge Scheduler)検証環境は導入済み。停止対象の拡張を検討非稼働時間ぶんの課金を削減本番は対象外

金額の効果は、適用後の Cost Explorer で実測して後日談にまとめます。

さいごに

「動いている本番は触りにくい」を、コード×実測の2段構えで1つずつ崩していきました。洗い出した削減候補は、ECS タスクの適正化、アイドルな PostgreSQL クラスタの見直し、幽霊クラスタ・未使用ログ基盤・置き忘れ WAF の撤去など。一方で、「reader を消す」「DR を削る」は裏取りした結果あえて見送りました。これも棚卸しの成果です。

何より、途中の思い込みを実測が何度も救ってくれました。これが今回いちばんの学びです。コスト最適化は、勘ではなく数字で判断する。その数字も、平均ではなくピークと時間帯で見る。

実際の削減を適用したあとの before / after は、後日談として追記します。


この検証は、弊社が運用している AWS 基盤の運用知見の一環として行ったものです。

この記事をシェアする
著者:zumi
zumiです。まだまだaws学び中。仕事の中で生かせる技術の検証や、深掘りしたい内容を試します。IoT周りを触りたい今日この頃