2026 年 6 月 22 日、私たちは AWS Lambda 内の新しいサーバーレスコンピュートプリミティブである AWS Lambda MicroVMs を発表しました。これは、ユーザーまたは AI によって生成されたコードを、分離されたステートフルな実行環境で実行できるようにするものです。仮想マシンレベルの分離、ほぼ瞬時の起動および再開、そして環境のライフサイクルと状態に対する直接的な制御を得ることができ、インフラ管理や複雑な仮想化技術に関する専門知識は不要です。Lambda MicroVMs は  Firecracker によって支えられており、これは毎月 15 兆回以上の Lambda 関数呼び出しを支えている軽量仮想化技術と同じものです。 なぜこの機能が求められるのか ここ数年で、新しいクラスのマルチテナントアプリケーションが登場しており、それらはすべて共通して「各エンドユーザーに専用の実行環境を提供し、アプリケーション開発者が書いていないコードを安全に実行する」という要件を持っています。AI コーディングアシスタント、インタラクティブなコード実行環境、データ分析プラットフォーム、脆弱性スキャナー、そしてユーザー提供スクリプトを実行するゲームサーバーなどがこのパターンに該当します。現在、このような機能を構築するには難しい選択を迫られます。仮想マシンは強力な分離を提供しますが、起動に数分かかります。コンテナは数秒で起動できますが、共有カーネル構造のため、信頼できないコードを安全に隔離するには大幅な追加の強化が必要です。Function as a Service はイベント駆動型のリクエスト・レスポンス型ワークロードに最適化されていますが、ユーザー操作間で環境状態を保持する必要がある長時間のインタラクティブセッションには適していません。その結果、開発者はパフォーマンスと分離性のトレードオフを受け入れるか、あるいは低遅延な体験を提供しつつ分離実行を実現するために、カスタム仮想化基盤を構築・運用するための大規模なエンジニアリングリソースを投入するかの選択を迫られます。これは高度な専門知識を要求する取り組みであり、本来構築しようとしているプロダクト開発からエンジニアリング時間を奪ってしまいます。 Lambda MicroVMs はまさにこのギャップを埋めるために設計されています。各 MicroVM は、単一のエンドユーザーまたはセッションに対して専用の隔離環境を提供し、迅速に起動し、セッション期間中はメモリとディスク状態を保持し、ユーザーが離席すると低コストのアイドル状態へと一時停止します。同じ Firecracker 技術がすでに AWS Lambda 関数を支えているため、同サービスが大規模運用で培ってきた運用成熟度をそのまま継承できます。 試してみましょう 私はまず AWS Lambda コンソールにアクセスし、左側のナビゲーションメニューに新しく表示された「Lambda MicroVMs」を開きました。最初に MicroVM Image を作成する必要があります。 Flask Web アプリとその Dockerfile を zip ファイルにまとめ、それを Amazon Simple Storage Service (Amazon S3) バケットへアップロードしました。 私の Flask API – app.py import logging from flask import Flask, jsonify app = Flask(__name__) logging.basicConfig(level=logging.INFO) @app.route("/") def hello(): app.logger.info("Received request to hello world endpoint") return jsonify(message="Hello, World!") if __name__ == "__main__": app.run(host="0.0.0.0", port=5000) 私の Dockerfile FROM public.ecr.aws/lambda/microvms:al2023-minimal RUN dnf install -y python3 python3-pip && dnf clean all WORKDIR /app COPY requirements.txt . RUN pip install --no-cache-dir -r requirements.txt COPY app.py . EXPOSE 5000 CMD ["gunicorn", "--bind", "0.0.0.0:5000", "app:app"] MicroVM イメージを作成するために、以下のコマンドを使用しました。 aws lambda-microvms create-microvm-image \ --code-artifact uri=<path/to/s3/artifact.zip> --name <VM_image_name> \ --base-image-arn arn:aws:lambda:us-east-1:aws:microvm-image:al2023-1 \ --build-role-arn <IAM role ARN> 上記のように、AWS コンソールから MicroVM Image を作成することも可能です。コマンドを実行すると、Lambda は zip を取得し、Dockerfile を実行してアプリケーションを初期化し、実行中のディスクおよびメモリ状態を Firecracker スナップショットとして取得します。ビルドログはリアルタイムで Amazon CloudWatch にストリーミングされ、ロググループは /aws/lambda/microvms/<image-name> に記録されます。イメージの準備が完了すると、その Amazon リソースネーム (ARN) とバージョン番号がコンソールに表示されます。 aws lambda-microvms run-microvm \ --image-identifier arn:aws:lambda:<region>:<acct>:microvm-image:my-image \ --execution-role-arn arn:aws:iam::<acct>:role/MicroVMExecutionRole \ --idle-policy '{"maxIdleDurationSeconds":900,"suspendedDurationSeconds":300,"autoResumeEnabled":true}' 起動は AWS コンソールまたは CLI からも実行できます。私はイメージ ARN とアイドルポリシーを指定しました。このポリシーでは、15 分間操作がない場合に自動的にサスペンドし、次のリクエストで自動的に再開するよう設定されています。ネットワーク設定は不要でした。Lambda は MicroVM に一意の ID を割り当て、専用のエンドポイント URL を返し、私の Flask アプリがすでに起動した状態の新しい MicroVM を開始しました（スナップショットから復元されたためです）。起動が完了した時点で、私の Flask アプリはすでに稼働していました。完全に初期化済みのコンピュート環境を得るまで、API コールはわずか 1 回です。 トラフィック送信のために、CLI で短時間有効な認証トークンを生成し、それを X-aws-proxy-auth ヘッダーとして通常の HTTPS リクエストに付与しました。リクエストはただちに私の Flask アプリへ到達しました。その後、Micro VM をアイドル状態のまましばらく放置すると、しきい値を超えた時点でサスペンドされ、メモリとディスクの状態はスナップショットとして保存されました。その後再びリクエストを送信すると、アプリケーションの状態を完全に保持したまま再開されました。クライアント側から見ると、停止は一切発生していないように見えます。 仕組み 内部的には、Lambda MicroVMs はこれまで単一の AWS コンピュートサービスでは提供されていなかった 3 つの能力を統合しています。第 1 は仮想マシンレベルの分離であり、これは Firecracker によって実現されています。各セッションは専用の MicroVM 内で実行され、カーネルやリソースはユーザー間で共有されません。そのため、あるユーザーが提供した信頼できないコードはその実行環境内に閉じ込められ、他の環境や基盤システムへアクセスすることはできません。第 2 は高速な起動および再開です。この仕組みは「イメージ→起動（image-then-launch）」モデルです。MicroVM Image は、DockerfileとAmazon S3 にパッケージされた zip アーティファクトを指定して作成されます。Lambda は Dockerfile を実行し、アプリケーションを初期化した後、その実行状態（メモリおよびディスク）を Firecracker スナップショットとして取得します。このイメージから起動されるすべての MicroVM は、コールドブートではなく事前初期化済みスナップショットから復元されるため、起動およびアイドル復帰の両方がほぼ瞬時に行われます。数 GB 規模のインタラクティブセッションであっても、ユーザーにとって十分に応答性のある速度で復帰します。第 3はステートフル実行です。実行中の MicroVM は、ユーザーセッション中にメモリ・ディスク・実行中プロセスの状態を保持します。アイドル状態では MicroVM はサスペンドされ、メモリとディスク状態を維持したまま保存され、トラフィック再開時に復元されます。インストール済みパッケージ、ロード済みモデル、作業中ファイルセットは再開時にそのまま利用可能です。MicroVM は最大 8 時間の総実行時間をサポートし、アイドル状態は設定可能な時間で自動サスペンドできます。これにより、数分で完了する脆弱性スキャン、数時間実行されるデータ分析アプリケーション、長時間アイドルを含むインタラクティブ開発環境など、多様なユースケースを容易に構築できます。MicroVM は事前初期化スナップショットから起動されるため、初期化時にユニークなデータ生成、ネットワーク接続、または一時データのロードを行うアプリケーションは、互換性のためサービス提供のフックとの統合が必要になる場合があります。 Lambda MicroVMs は AWS Lambda 内の新しいリソースであり、専用のAPI 体系を持ちます。Lambda 関数はイベント駆動型のリクエスト／レスポンス処理に最適であり、Lambda MicroVMs はユーザーまたはセッションごとに隔離された実行環境で信頼できないコードを実行する必要があるマルチテナントアプリケーション向けに設計されています。両者は相互に補完関係にあります。イベント駆動のバックエンドには Lambda 関数を使用し、隔離実行が必要な処理には Lambda MicroVMs を呼び出す構成が可能です。アプリケーションはそのまま持ち込み、実行環境はサービス側が提供します。 今すぐご利用いただけます AWS Lambda MicroVMs は現在、米国東部 (バージニア北部・オハイオ)、米国西部 (オレゴン)、欧州 (アイルランド)、アジアパシフィック (東京) リージョン で利用可能です。アーキテクチャは ARM64 に対応し、MicroVM あたり最大 16 vCPU、32GB メモリ、32GB ディスクをサポートします。アイドル状態の MicroVM は API による明示的停止、またはライフサイクルポリシーによって自動的にサスペンドでき、実行コストを削減しつつ状態を保持したまま高速再開が可能です。料金の詳細は AWS Lambda 料金ページ を参照してください。 開始するには AWS Lambda コンソール にアクセスするか、 Lambda MicroVMs 製品ページ をご覧ください。ドキュメントは Lambda ドキュメント（Developer Guide） を参照してください。 原文は こちら です。

こんにちは。AWS プロフェッショナルサービスの Spatial Computing (空間コンピューティング) 領域の担当チームです。普段主に企業様向けのゲーム、シミュレーション、トレーニング等の用途で利用する 3D 空間の AWS 上への導入・企画支援を行っています。 AWS Summit Japan 2026 の AWS Village にて展示ブースを出展予定です。本ブログではそちらの展示内容をご紹介します。 AWS Summit Japan 2026 登録はこちら ブース A160：SDMA で繋ぐ現実世界とAIシミュレーション Physical AIを支える3Dアセット管理基盤を体験 SDMA (Spatial Data Management on AWS) から取得した 3D パーツで障害物コースを自動生成し、仮想ロボットが AI で走り方を学ぶ様子をリアルタイムで体験できます。大量のロボットが同時に試行錯誤する学習の様子や、学習済み AI の自律走行の体験など、シミュレーションからロボット制御へつなぐ AI 開発の流れを体感いただけます。 こんな方におすすめ 来場者像 ブースで得られること ロボットエンジニア   ロボットモデルの学習向けシミュレーション環境の効率的な構築方法 デジタルツイン推進担当   デジタルツイン環境の構築と AI シミュレーションへの活用例 展示内容 以下の 2 つの AI ロボットデバイスを題材にしたデモをご紹介します。 自律走行車両 自律飛行ドローン 各デバイスは仮想空間上に構築されたシミュレーション環境で強化学習が行われています。本デモでは、その仕組みを説明しながら、Spatial Data Management on AWS (SDMA) を活用したシミュレーション環境の効率的な構築・管理方法についてご紹介します。 補足 : Spatial Data Management on AWS (SDMA) とは Spatial Data Management on AWS (SDMA) は、2025 年 12 月にリリースされた、3D アセットなどの空間データ (Spatial Data) 管理基盤を構成するための AWS ソリューションです。OBJ、GLB、USD、PLY といった空間を表現する多様なフォーマットのデータを AWS のベストプラクティス構成で一元管理でき、AWS サービスとシームレスに連携したパイプライン実行が可能です。 下の図が SDMA のアーキテクチャ図です。公式サイトで提供されている CloudFormation ベースのテンプレートから AWS サービス群をデプロイできます。他の AWS サービスとの違いとして、専用のデスクトップアプリケーションが用意されており、PC から簡単な操作でAWS 上に構成されたデータ管理基盤にアクセス可能です。 デモ 1. 自律走行車両 概要 障害物が散在する不整地環境を、AI が自律的にゴールまで走行するデモです。Aalborg 大学が開発したオープンソースの強化学習フレームワーク  RLRoverLab をベースに構築しています。 強化学習の仕組み 車両は強化学習により、障害物を避けながらゴールに到達するポリシー（状況に応じた自律的な行動の決定ルール）を獲得しています。NVIDIA の Isaac Sim を活用し、報酬を設定した上でパラメータを変化させながら、数百の車両が同時並列で強化学習を行います。 学習に関係する要素 説明 観測空間   車両周囲の地形の凹凸（LiDAR スキャン）、ゴールまでの方向と距離 行動空間   車両の側面についている 6 つの車輪の操舵角および角速度 報酬設計   ゴールに近づくほど高評価、到達でボーナス（加点）、障害物に衝突するとペナルティ（減点） シミュレーション環境の構成 車両が走行するシミュレーション環境は、 地面 と  障害物 の 2 つの要素で構成されています。地面は起伏のある 3D 地形、障害物は 3D モデルで作成された岩で、地面に無数に配置されています。 SDMA によるシミュレーション環境の自動生成 本デモでは、地面と障害物の組み合わせを変化させ、別のパターンのシミュレーション環境を構築します。地面と障害物に対応する画像から 3D データを生成するパイプラインを構築し、SDMA 経由で実行させる例をご紹介します。 SDMA のデスクトップアプリを使用し、地面と障害物に対応する画像をそれぞれ SDMA にアップロードします。 すると、事前定義した AWS Step Functions のワークフローが自動実行されます。 地面の画像から 3D Gaussian Splatting（写真や動画から高精細な 3D 空間を構築する技術 / 点群データで構成され、3次元ガウシアン分布で広がりのあるデータを持つ）形式で 3D 地形点群データを生成する（Image to 3DGS API を利用 – 例：Marble） 障害物の画像から 3D メッシュモデルを生成する（Image to 3D API を利用 – 例：Meshy AI） 生成した 3D 地形点群データから物理判定用のコリジョンメッシュ（車両が重力下の地面を走行し凹凸を認識するために必要）を生成する  3D 地形点群データとコリジョンメッシュを重ね、その表面に障害物の 3D メッシュモデルをランダムに配置し、シーンデータとして合成（USD 形式）した上で、 SDMA に登録する その後、EC2 インスタンス上から SDMA を経由して生成されたシーンデータがダウンロードされ利用されます。 新しいシミュレーション環境の利用 生成した新しいシミュレーション環境上で、学習済みモデルが自律走行する様子を確認できます。地形と障害物が異なる環境でどのように走行するかを見ることで、汎化性能（学習時と異なる環境でも適切に動作する能力）を評価できます。必要に応じて、そのシミュレーション環境で追加学習を行うことも可能です。 デモ 2. 自律飛行ドローン 概要 複数のゲート（通過ポイント）で構成されたコースを、AI ドローンが飛行しながらゲートを順番に通過するレースデモです。オープンソースの  isaac_drone_racer  をベースに構築しています。来場者はコントローラーでドローンを操縦し、AI とレースで対決できます。 強化学習の仕組み ドローンは強化学習により、ゲートを順番に通過しながらコースを完走するポリシー（状況に応じた行動の決定ルール）を獲得しています。最大 4096 機が並列にシミュレーションされ、大量の試行錯誤を短時間で行うことで高速に学習が進みます。 学習に関係する要素 説明 観測空間   機体の速度・角速度・姿勢、次ゲートへの相対位置・方向 行動空間   4 つのプロペラを駆動する各ローターの角速度（＝推力） 報酬設計   ゲート通過で加点、ゲートへの接近・後退で進捗評価、衝突・コース逸脱で減点 シミュレーション環境の構成 ドローンが飛行するシミュレーション環境は、 ゲート と 障害物 の 2 つの要素で構成されます。ゲートはコースの経路を定義する通過ポイントで、障害物はゲート間の飛行経路上に配置されることで回避行動を要求します。 SDMA による障害物の配置 障害物の 3D モデルは SDMA で管理されています。SDMA のデスクトップアプリから障害物に対応した 3D モデル（GLB 形式）をアップロードすると、AWS Lambda によるフォーマット変換（GLB → USD：NVIDIA Isaac Sim で利用される3Dフォーマット）が自動実行されます。 変換された 3D モデルは、ブラウザ上の Web UI から SDMA 経由でダウンロードできるようになり、シミュレーション環境上での障害物の種類や配置を自由にカスタマイズできるようになります。 新しいシミュレーション環境の利用 カスタマイズした新しいシミュレーション環境上で、学習済みのモデルでドローンがどのように飛行するかを確認できます。ゲート配置や障害物の有無の影響を見ながら、AI の汎化性能を評価することができます。必要に応じて、そのコースで追加学習を行うことも可能です。 システムアーキテクチャ 利用している AWS サービス・ソリューション Amazon EC2 — GPU計算基盤 Spatial Data Management on AWS — 3Dアセットの管理・検索・配信基盤ソリューション Amazon API Gateway + AWS Lambda — バックエンド API Amazon S3 — 3D アセットデータストア Amazon DynamoDB — メタデータストア Amazon EventBridge — 3D アセット操作イベント通知 AWS Step Functions — ワークフローオーケストレーション Amazon Cognito — 認証・認可 その他技術要素 Amazon DCV — EC2 上でのシミュレーションツールのリモートデスクトップ配信 NVIDIA Isaac Sim + NVIDIA Isaac Lab — 物理シミュレーション・強化学習の実行環境 活用ユースケース 本デモで紹介した 3D のシミュレーション環境の構築パイプラインは、以下のようなユースケースでの活用が考えられます。 分野 ユースケース 物流・倉庫   AGV/AMR におけるパスプランニング、レイアウト変更時の再学習 建設・インフラ   ドローン点検の飛行経路最適化、現場 3D スキャンデータの活用 製造   工場フロアでの自律搬送ロボット導入シミュレーション エンターテインメント・スポーツ   カメラドローン自律飛行、スタジアム運営シミュレーション ブース情報 ブース ID   A160 エリア   AWS Village（AWS Expo エリア内） 日程   2026 年 6 月 25 日 (木)・26 日 (金) 会場   幕張メッセ まとめ AWS Summit Japan 2026 の AWS Village（ ブース A160 ）にて、2026年6月25日（水）・26日（木）の両日展示します。 デモを通して AI シミュレーションの概要をご覧いただきながら、AWS を活用したシミュレーション環境構築をお気軽にお立ち寄りください。 AWS Summit Japan 2026 公式サイト

はじめに 株式会社 MIXI は、コミュニケーションを軸に、ソーシャルネットワーキングサービスからゲーム、スポーツ、ライフスタイルサービスへと事業を多角化してきた日本の企業です。「モンスターストライク」や「家族アルバム みてね」といったサービスに加え、FC東京をはじめとするプロスポーツチームの運営を通じて、人と人との豊かなコミュニケーションの場を提供しています。 本記事では、MIXI が FC東京向けに開発した「写真選定業務効率化システム」のバックエンドデータベースとして、Amazon Aurora DSQL 採用の経緯と技術的な工夫、得られた効果を、お客様の声を交えて紹介します。 ※本画像は、FC東京様と MIXI 様の許諾を得て掲載しています 解決したかった課題 FC東京では、試合ごとに公式カメラマンが撮影した約 1 万枚の写真を、試合当日に Web 公開するマッチレポートといったマーケティング・広報用途に活用しています。これまでは担当者が写真を目視で 1 枚ずつ確認しながら選定する運用を行っており、選定に時間がかかることでタイムリーに写真素材を活用できないことが課題でした。そこで、画像認識モデルと生成 AI を組み合わせて自動的に写真を分析・選定し、Web UI から候補を素早くプレビューできるシステムを新規に構築することにしました。 ただし、その開発・運用を担うのは少人数のチームであり、データベースの管理に人手をかけられないという事情がありました。加えて、試合は基本的に週 1〜2 回、主に土日に開催され、そのたびに写真の取り込み・分析・選定が短時間に集中する一方、試合と試合の間には、データベースへのアクセスが発生しない時間帯が生じます。こうした稼働に波のあるワークロードでは、データベースにアクセスしない時間帯のコストを抑える最適化も必要でした。 なぜ Aurora DSQL を選んだのか これらの前提を踏まえ、データベースに求めたのは、少人数で無理なく運用でき、稼働の波にも無駄なく対応できる運用特性でした。決め手は次の点です。 メンテナンス・バージョン管理が不要 ：エンジンのバージョンアップやメンテナンスウィンドウを意識する必要がなく、専任 DBA を置かずに少人数のチームで運用できる 使った分だけの課金 ： 「リクエストベースの、使用量主導型の価格モデル」 を採用しており、データベースへのアクセスが発生しない時間帯は処理に対する課金が発生しないため、固定インスタンス（常時稼働）の構成と比べて利用に波のある本ワークロードでも無駄なコストを抑えられる 通常の RDB として利用できる ：使い慣れた SQL でデータを扱え、PostgreSQL のドライバー・ORM・ツールも活かせる（後述のとおり一部の対応を実施） アーキテクチャ概要 システム全体のアーキテクチャは以下の通りです。 技術的に工夫した点 本システムでは、JavaScript / TypeScript の ORM である Drizzle（ https://orm.drizzle.team/ ）を採用しています。Aurora DSQL が PostgreSQL 互換であることを活かして Drizzle をベースに実装を進めました。ただし、一部の PostgreSQL 機能との非互換 や トランザクションサイズなどの制限 があり、次のような対応を行っています。なお、本記事で触れる Aurora DSQL の制約・仕様は執筆時点のものです。Aurora DSQL は継続的に機能追加・改善が行われているため、最新の情報は公式ドキュメントをご確認ください。 1. ORM の Drizzle が出力する DDL を Aurora DSQL 互換形式に変換するスクリプトを内製 Drizzle が生成するスキーマ変更 DDL は通常の PostgreSQL を想定しており、Aurora DSQL の制約・仕様に合わない箇所があります。AWS は Aurora DSQL 向けに、 一部の ORM フレームワーク用のアダプター／ダイアレクトや、各種データベースドライバー用のコネクター を公開していますが、本システムで採用している Drizzle 向けのアダプターは執筆時点では提供されていませんでした。そこで、Drizzle が出力する DDL を Aurora DSQL の制約・仕様に合わせて変換するスクリプトを内製しました。主な処理は次の通りです。 インデックス作成 ：Aurora DSQL では単体の CREATE INDEX 文に非同期指定（CREATE INDEX ASYNC）が必須のため、Drizzle が出力する CREATE INDEX を CREATE INDEX ASYNC に変換する処理 外部キー制約 ：Aurora DSQL は外部キー制約をサポートしていないため、Drizzle が生成する外部キー制約の ALTER TABLE（ADD FOREIGN KEY）を削除する処理 トランザクションの分割 ：Aurora DSQL は 1 トランザクションにつき DDL を 1 つしか実行できないため、複数の DDL 変更を 1 つのトランザクションでまとめて適用しようとする Drizzle のマイグレーションを、1 つずつ個別のトランザクション（BEGIN … COMMIT）に分割する処理 これらの変換は、Drizzle のマイグレーションを実行するコマンド（npm script）に組み込んでいます。ローカルでも CI/CD パイプラインでも同じコマンドで実行されるため、開発者は通常の Drizzle のワークフローのままスキーマ変更を進められます。 2. トランザクションサイズ制限への対応：大きな更新を複数のトランザクションに分割 Aurora DSQL には、1 トランザクションあたりに変更できる行数に上限があります（3,000 行）。1 試合あたり約 1 万枚の写真それぞれに 5〜6 個のタグを付与します。レコード数はタグだけで約 5〜6 万件に達し、さらに写っている人物の関連付け（人数分のレコード）も登録します。これらをまとめて 1 つのトランザクションで反映すると上限（3,000 行）を超えてしまいます。本システムでは、一時的な不整合が許容できる処理を整理したうえで、分析結果の反映については複数の小さなトランザクションに分割して処理する方式にしました。これにより、1 トランザクションあたりの変更行数を上限内に抑えています。利用者には処理中かどうかの状態を画面に表示し、アップロード・分析の進捗を把握できるようにしています。 3. OCC（楽観的同時実行制御）への対応 Aurora DSQL は OCC を採用しており、コミット時に競合が検出された場合はトランザクションをリトライする必要があります。本システムでは、ドライバー層にリトライ処理を作り込み、競合時には数回リトライしたうえで、それでも成功しない場合はデッドレターキューへ退避させて後続のハンドリングを行っています。 開発・運用面で得られた効果 本システムの設計・実装は、「AWS Prototyping Program」の支援を受けて進めました。これは、AWS の Prototyping Engineer が課題に合わせてシステムのプロトタイプを開発するプログラムです。約 1 か月の開発期間を経て、プロジェクト開始から約 2 か月後には本番稼働まで到達できました。DSQL 採用後に開発チームが実感している効果は次の通りです。 メンテナンスウィンドウ・バージョン管理が不要 「DB の存在を意識せず開発・運用できる」ことが採用後最大のメリットでした。標準でマルチ AZ 構成になっており、実際、本番稼働後 DB 起因の障害は発生していません。従来型の（プロビジョンド構成の）RDB を採用していた場合は 0.5 人月程度を要すると想定していましたが、Aurora DSQL の採用後はこうした作業がほぼ不要となりました。 少人数チームでアプリ開発に集中できる DBA を専任で置く必要がなく、インスタンスのサイジングやスケーリングといったキャパシティ設計そのものが不要なため、少人数のチームでもアプリケーション機能の実装に集中でき、開発スピードを保てました。本システムはデータベースを含むアプリケーション全体を実質 1 名で開発していますが、サーバーレス構成によりキャパシティを意識せずデータベースを扱えたことが、開発の高速化に直結しています。なお、開発メンバーは PostgreSQL の利用経験があり、DSQL 自体の学習コストはほとんど発生しませんでした。DSQL 固有の制約事項についても理解・把握は短時間で済み、それらへの具体的な対応は前述の「技術的に工夫した点」のとおり実装で吸収しています。 使った分だけの課金で無駄のないコスト構造 稼働に波がある本システムでは、使った分だけの課金というコストモデルが特によく合致しました。アクセスが発生しない時間帯は処理に対するコストがかからないため、こうしたワークロードでも無駄なコストを抑えられています。 性能要件を十分に満たせている 複雑な検索条件を設定してもサムネイル一覧の初期表示は 1 秒以内に収まり、写真分析のスループットも実用上十分な速度で完了しています。実運用において、データベースがボトルネックになったことはありません。もちろん DB 性能だけで実現したわけではありませんが、Aurora DSQL がこれらの要件を性能面の問題なく支えられていることが、システム全体としての設計余地を広げてくれています。 さいごに 株式会社 MIXI では、FC東京向けの写真選定業務効率化システムのバックエンドに Aurora DSQL を採用し、利用が特定の時間帯に偏るワークロードを、運用工数を最小限に抑えながら短期間で本番稼働まで到達させることができました。株式会社 MIXI の數藤氏は次のように振り返っています。 「DB の存在を意識せずに開発・運用できることが一番のメリットでした。メンテナンスやスケーリングの設計から解放され、少人数のチームでもアプリケーション開発に集中できています。こうした特性を持つワークロードでは、今後も積極的に Aurora DSQL を活用していきたいと考えています。」 Aurora DSQL の採用を検討しているチームにとって、本事例が一つの参考になれば幸いです。 株式会社 MIXI ライブエクスペリエンス事業本部 企画推進部 エンジニアリング支援グループ 數藤 智幸 氏