巨大モノリスを乗り越えろ！ GREE Platform 20周年を支える「無停止クラウド移行」実践事例

GREE Tech Conference 2025で発表された資料です。
https://techcon.gree.jp/2025/session/TrackB-6

Transcript

1. 株式会社グリー エンジニア 高峰健志 巨大モノリスを乗り越えろ！ GREE Platform 20周年を支える 「無停止クラウド移行」実践事例
2. 総合旅行情報サイトにて、サーバーエンジニアに従事。 2011年にグリー株式会社（現：グリーホールディングス株式会社）へ GREE Developer Center 担当として入社。 複数チームへの合流を経る中で業務範囲を広げ、基盤開発以外にもデベロッ パーおよびユーザー向けのテクニカルサポート業務やNativeアプリ開発マネー ジメントなどを兼務。 現在、GREE Platform部/PF開発グループのシニアマネージャーとして従事。 株式会社グリー エンジニア Takeshi Takamine (高峰 健志) 2
3. • 本セッションについて • 「GREE」について 事業サービスについて • 幻のクラウド移行計画 • 巨大モノリスシステムの正体 • 移行プロジェクトの課題 ◦ 課題1：モノリスを無停止で移行せよ！ ◦ 課題2：ときに計画は裏切られる！ ◦ 課題3：石橋は作って渡ろう！ • まとめ 目次 3
4. 本セッションについて 本セッションでは GREE Platformのオンプレ・クラウド移行の対応実績を元に、 現場で起きた課題への取り組みを 一緒に考えながら追体験することで、 皆さんの今後のシステム運用業務に お役立ちできるであろう経験・知識を 持ち帰っていただきたいと考えております。 今回は、プロダクト側のシステム担当者目線になります。
5. 「GREE」事業サービスについて 5
6. 6 SNS + Social Game
8. 幻のクラウド移行計画 8
9. 9 実は。。。 GREE のクラウド(AWS)移行対応は、2015年頃まで遡ります 2016- 2017年に、弊社の内製WEB Gameサービスは、 クラウド移行が完了しておりました。 では、なぜPlatformはクラウド移行しなかったのか 2011年:AWS アジアパシフィック（東京）リージョンが開設
10. 10 システム規模が大きすぎたから （諸説ありますが） 当時、WEB / DB / KVS / batch などサーバー台数で、 3000台近くが存在 移設費用や移設後の維持費、サーバー負荷状況も高く移行に耐えられないと判断 オンプレ 内製Game on クラウド 内製Game on クラウド 内製Game on クラウド
11. 巨大モノリスシステムの正体 11
12. 「モノリス」設計とは 特徴 • 単一のコードベース : アプリケーション全体が1つのまとまったコード（プログラム）として書かれています。 • 単一のデプロイメント : アプリケーション全体が1つの実行ファイルやパッケージとしてサーバーにデプロイ（配置）されます。 • 密結合: アプリケーション内の様々な機能（例：ユーザー認証、商品管理、決済処理など）が強く結びついており、互いに依存しています。 メリット（初期段階や小規模なシステム） • 開発がシンプル: 小規模なプロジェクトや初期段階では、構造がシンプルで開発しやすいです。 • デバッグしやすい: 全体が一つなので、問題の特定が比較的容易な場合があります。 • 管理が容易: デプロイやテストが一度に行えます。 デメリット（大規模化や変化への対応） • 保守が困難: 特定の機能だけを修正しようとしても、他の部分に影響が出やすいため、慎重な作業が必要です。 • 拡張性の問題: アクセスが増えて負荷が高まった場合、アプリケーション全体をスケールアップ（より高性能なサーバーに載せ替える）する必要があ り、コストがかかります。特定の機能だけを増強することが難しいです。 • 技術選択の制限: 一度採用した技術スタック（プログラミング言語、フレームワークなど）を後から変更するのが非常に困難です。 • 開発チームのボトルネック : 大規模なチームで開発する場合、同じコードベースを触ることで衝突が起きやすくなります。 12
13. 13 マイクロサービス化や疎結合化を進めてはきていたのですが。。。 出典：樽澤広亨氏 講演資料 （iMagazine「クラウド・ネイティブの捉え方・考え方・テクノロジー ～日本IBM・樽澤 広亨氏に聞く」より） https://www.imagazine.co.jp/12687-2/
14. 14 運用コスト圧縮 クラウド移行再稼働への準備として推進 ・対策例 ・提供端末のクローズ (FP-ガラケー / PC) ・一部コンテンツのクローズ ・コンテンツのサーバー相乗り/統合 WEB / DB / KVS / batch などサーバー台数で、 1000台近くまで圧縮 移行費用や移行後の必要費用も大きく軽減化 いよいよ、GREE 本体のクラウド移行対応
15. 15 ドメイン A ドメイン B ドメイン C frontendA サービスA + サービスB + サービスC 共通サービス frontendB + frontendC KVS A,B,C KVS A,C DB サービスA サービスB DB サービスA サービスB サービスB WS ドメイン A ドメイン B ドメイン C frontendA KVS A KVS B KVS C DB サービス DB サービスC DB サービスC WS frontendB frontendC サービスA + サービスB + サービスC 共通サービス システム圧縮(コンパクト化)の功罪
16. 移行プロジェクトの課題 16
17. 課題1：モノリスを無停止で移行せよ！ 17
18. Thinking Time 下記のことに気をつけながらクラウド移行を行いましょう 各リソースをどんな順番で移行していきますか？ WEB/DB/KVS(Flare:弊社独自redisのようなもの) ・機能・サービスは止めないでください。 ・移行コストや期限は、最小限に ・移行期間中もサービス影響が出ないことを前提 いろんな方法が考えられると思います。 18
19. ちなみに Gemini(生成AI) の検討結果 19 順位 移行順序 遅延リスクの特性 優先すべき事業目標 第1優先 KVS → DB → WEB 遅延解消の最適な順序：最も低遅延な KVSから解消するため、性能回 復のカーブが最もスムーズ。遅延影響期間は最短。 パフォーマンス回復の確実性 第2優先 DB → KVS → WEB データ整合性優先： DBを先に安定させることで、 KVS移行のリスクを 軽減。性能回復はC案に僅差で次ぐ。 データリスク管理と性能回復 の両立 第3優先 DB → WEB → KVS KVS遅延の放置：DBは早く解消されるが、最も低遅延が求められる KVSの遅延が最後まで残り、 Web移行後も性能ボトルネックが続く。 DB遅延の早期解消 (限定 的) 第4優先 WEB → DB → KVS 性能影響期間が最長： DB/KVSがオンプレに残る限り、 Web ↔ データ ストア間で遅延が発生し続け、サービス品質の低下が最も長く続く。 可用性・ロールバックの容易 さ 今回の発表資料作成時に、振り返りとともに聞いてみました。 弊社の当時の全情報を入れることはできないので、簡単なプロンプトにて
20. Answer 今回の移行計画は 下記の順番、粒度で移行を行なっていくことを決定 • DB -> WEB -> KVS —--(判断理由) • DB先行 ◦ データ損出失敗時の影響抑制 ◦ オンプレ・クラウド間のレプリケーション遅延事前検証 ◦ 失敗して切り戻しがしやすいものを先行 • WEB先行 ◦ 通信遅延を最大限に広げることなく最小限の影響にする効果期待 20
21. 課題2：ときに計画は裏切られる！ 21
22. 22 Thinking Time さすが、弊社インフラ担当者の考える計画は素晴らしいなと 「お願い致します♪」 お任せの波に乗っていたのですが。 1. DBを先行移行 2. WEBサーバーを移行 3. KVSを後追いで移行 このあと、計画通り進んでいた計画に問題が生じます どのフェーズで、どんな問題が生じたでしょうか。
23. Answer 1. DBを先行移行 2. WEBサーバーを移行 3. KVSを後追いで移行 なんと！WEBサーバーの構築・検証が間に合わない との報告が上がってきました。 23
24. Thinking Time インフラ担当者から下記の提案を受けます。 移行提案を変更 案1 DB → WEB → KVS ↓ 案2 DB → KVS→ WEB 1. 案1のままWEBサーバーの納品を待つ （移行計画：1-2ヶ月、数千万円の遅延が発生か？） 2. 案2を選択、KVSを先行で移行 （DBの通信遅延に加えて、KVSの通信遅延も追加.果たして耐えられる？） 24
25. 課題3：石橋は叩いて割れても渡り切る！ （反面教師的な事例） 25
26. 「1通信あたりの許容遅延時間はどれくらいですか？」 潜在的課題： SLAの「見えない溝」事実 : • 通信遅延のSLAをインフラ担当者にて定義 /管理を行い、アプリ開発チームではその情報を元にコンテンツ 表示時間のSLAを定義管理して開発を行なっている。 • 安定状況の環境では、定義が揺るがないので問題はない（はず）。 • 問題/必要な情報 : 両者を繋ぐ最も重要な情報「 アプリの通信回数 (N)」の設計情報が欠落している。 ◦ 例）X 機能は、DB通信が3回、KVSの通信を2回行なっている機能である ◦ 例）DBへの通信は5回まで、KVSの通信は10回までに収める基準が構築ルール 2. 課題の深刻度： ワーストケースの存在 : 　検証機投入での結果にて、表示時間の SLA越えをしている時間帯の存在が確認された。 リクエスト処理時間 のP90 外ではあるが顧客離脱に影響する可能性がある 。 【緊急課題】サービス信頼性を脅かす「SLAの見えない溝」と性 能ボトルネックの可視化 26
27. それでも 突き進みましょう。 処理時間が極端に遅い処理は 緊急に見直し修正を実施したものの すぐになんでも直せるものではなく不安は消えず 鳴かないカナリア（監視閾値越え）を飼い慣らすことを決意 CS担当及び営業部署へ情報共有を行い 運用変化・影響異変の検知能力を高めつつ実行へ 27
28. ゼロリスクは不可能なので、社会的・技術 的に合理的な範囲で最大限リスクを低減す る ゼロリスクは存在しない • どんなに努力しても遅延や不確実性はゼロにできない。重 要なのは「最小化と最適化」を常に意識すること。 費用対効果のバランスが大事 • 今回の案件では「品質を下げて予定通り進める」か「遅延 を受け入れてコストを払う」かの二択を迫られた。 • チームは合理的に検討し、リスクを許容しつつ最適な選択 をして乗り切った。 説明責任と透明性が信頼を生む • 苦しい決断でも、その背景（なぜサービス品質を守るのか ／なぜ遅延を許容するのか）を関係者に説明することで理 解いただきました。 28
29. Answer この時、私は 1. 案1のままWEBサーバーの納品を待つ 2. 案2を選択、KVSを先行で移行 => 不要コスト発生抑制と、実施可能な可能性を選択 不安を抱えながら、KVS担当の方に ダメだったら切り戻しする対応工数は気にしないで良いよ と後押しをもらいこの判断に 29
30. 移行完了 ここでは語れないら話は沢山ありつつも、 無事クラウド上で稼働するサービスとなりました。 関係各所の皆様 ご協力ありがとうございました。 30
31. まとめ 31
32. 32 大事なポイント： ・運用システムの管理規模の適用化 （マイクロサービス化) ・自分たちで制御できるシステム規模の見極め ・日々の運用コンテンツ・通信状態の管理把握の大切さ ・SLA/SLOの設定と許容範囲の把握 ・安全確保が確保されていない道でも、順次安全ポイントを作り前に進む勇気を持つ のと必ず後退判断できる領域を確保する
33. 本セッションでの追憶から 皆さんの管理運営しているシステム運営も 長期かつ安定的に稼働いただけるヒントになればと思います。 33
34. ご清聴ありがとうございました 34