2026年版 GCPコスト削減ベストプラクティスと実装手順

2026年4月23日

Contents

1 1. アイドルリソース検出と自動削除
2 2. Spot VM の安全な活用
3 3. CUD と SUD の組み合わせ最適化
4 4. Cloud Run の課金最小化
5 5. Cost Management ツールとタグ付けで部門別可視化
6 6. 実装チェックリスト & 優先度マトリクス
7 まとめ

スポンサードリンク

1. アイドルリソース検出と自動削除

背景

Compute Engine の 停止中インスタンス、未使用ディスク、未割り当ての外部 IP は、リソースが残っているだけで課金対象になります。
手作業で削除すると抜け漏れが起きやすく、継続的なコスト増につながります。

公式機能 ― Recommender の IdleResource 系推奨

Google が提供する Recommender API に google.compute.instance.IdleResourceRecommender（インスタンス）と google.compute.disk.IdleResourceRecommender（ディスク）があり、過去 30 日間の利用実績から「アイドル」と判定されたリソースを自動でレコメンドします。
- ドキュメント: https://cloud.google.com/recommender/docs/compute/instance-idle
- 現在は GA（General Availability）で、2024 年 3 月時点の API バージョン v1 が利用可能です。

主な利点

項目	内容
自動判定基準	CPU 使用率 < 5 % かつネットワーク I/O ≈ 0 のインスタンスを対象
一括適用 API	`recommendations.apply` エンドポイントで「停止」または「削除」を自動実行
スケジュール化	Cloud Scheduler と組み合わせれば日次・週次のバッチ処理が可能

実装例：Cloud Scheduler + Cloud Functions で毎日自動適用

# cloudscheduler.yaml (Terraform)
resource &quot;google_cloud_scheduler_job&quot; &quot;idle_cleanup&quot; {
  name        = &quot;gcp-idle-resource-cleanup&quot;
  description = &quot;Idle VM / Disk cleanup via Recommender&quot;
  schedule    = &quot;0 3 * * *&quot;   # 毎日 03:00 UTC に実行
  time_zone   = &quot;Etc/UTC&quot;

  http_target {
    uri          = google_cloudfunctions_function.idle_cleanup.https_trigger_url
    http_method  = &quot;POST&quot;
    oidc_token {
      service_account_email = google_service_account.recommender.email
    }
  }
}

# cloudscheduler.yaml (Terraform)

resource "google_cloud_scheduler_job" "idle_cleanup" {

name = "gcp-idle-resource-cleanup"

description = "Idle VM / Disk cleanup via Recommender"

schedule = "0 3 * * *" # 毎日 03:00 UTC に実行

time_zone = "Etc/UTC"

http_target {

uri = google_cloudfunctions_function.idle_cleanup.https_trigger_url

http_method = "POST"

oidc_token {

service_account_email = google_service_account.recommender.email

}

# main.py（Cloud Functions）
import os, json, subprocess

def idle_cleanup(event, context):
    project = os.getenv(&quot;GCP_PROJECT&quot;)
    recommender = &quot;google.compute.instance.IdleResourceRecommender&quot;
    # 推奨取得
    cmd_list = [
        &quot;gcloud&quot;, &quot;recommender&quot;, &quot;recommendations&quot;, &quot;list&quot;,
        &quot;--project&quot;, project,
        f&quot;--recommender={recommender}&quot;,
        &quot;--format=json&quot;
    ]
    result = subprocess.check_output(cmd_list)
    recommendations = json.loads(result)

    for rec in recommendations:
        # 「停止」推奨のみ自動適用（安全策としてフィルタリング可）
        if &quot;stop&quot; in rec[&quot;description&quot;].lower():
            apply_cmd = [
                &quot;gcloud&quot;, &quot;recommender&quot;, &quot;recommendations&quot;, &quot;apply&quot;,
                rec[&quot;name&quot;], &quot;--project&quot;, project
            ]
            subprocess.run(apply_cmd, check=True)

# main.py（Cloud Functions）

import os, json, subprocess

def idle_cleanup(event, context):

project = os.getenv("GCP_PROJECT")

recommender = "google.compute.instance.IdleResourceRecommender"

# 推奨取得

cmd_list = [

"gcloud", "recommender", "recommendations", "list",

"--project", project,

f"--recommender={recommender}",

"--format=json"

]

result = subprocess.check_output(cmd_list)

recommendations = json.loads(result)

for rec in recommendations:

# 「停止」推奨のみ自動適用（安全策としてフィルタリング可）

if "stop" in rec["description"].lower():

apply_cmd = [

"gcloud", "recommender", "recommendations", "apply",

rec["name"], "--project", project

]

subprocess.run(apply_cmd, check=True)

ポイント：関数は最小権限のサービスアカウントで実行し、roles/recommender.viewer と roles/compute.instanceAdmin.v1 のみ付与すれば安全です。

手動確認フロー（推奨）

ステップ	操作内容
1️⃣	Cloud Console → Recommender → Idle resources を開く
2️⃣	推奨一覧を確認し、誤検知がないかチェック
3️⃣	「適用」ボタンで即時停止／削除（または API 経由）

2. Spot VM の安全な活用

なぜ Spot を選ぶのか

割引率：Spot はオンデマンド価格の 30 %〜80 %（リージョン・インスタンスタイプにより変動）で提供されています。公式ドキュメントは「最大 80 % 割引」と表記していますが、実際の割引率は gcloud compute prices spot list コマンドや Pricing Calculator で確認してください。
利用シーン：バッチ処理、CI/CD ワーカー、データ分析ジョブなど「途中停止しても再開可能」なワークロードに最適。

参考: https://cloud.google.com/compute/docs/instances/preemptible

Spot VM の作成と自動スケーリング

gcloud compute instances create spot-worker \
  --project=$PROJECT_ID \
  --zone=asia-northeast1-a \
  --machine-type=n2-standard-4 \
  --provisioning-model=SPOT \
  --maintenance-policy=TERMINATE \
  --metadata=startup-script='#!/bin/bash
    apt-get update &amp;&amp; apt-get install -y python3-pip
    # ジョブ取得ロジックは後述の Pub/Sub Pull に委譲'

gcloud compute instances create spot-worker \

--project=$PROJECT_ID \

--zone=asia-northeast1-a \

--machine-type=n2-standard-4 \

--provisioning-model=SPOT \

--maintenance-policy=TERMINATE \

--metadata=startup-script='#!/bin/bash

apt-get update && apt-get install -y python3-pip

# ジョブ取得ロジックは後述の Pub/Sub Pull に委譲'

キューと組み合わせた耐障害設計

コンポーネント	役割
Pub/Sub (Pull)	ワークロードをタスクとしてキューイング。Spot VM が停止しても未処理メッセージは残る
Cloud Scheduler	定期的に `gcloud compute instances create` をトリガーし、必要数だけ Spot VM を起動
Terraform (Instance Template + MIG)	テンプレート化でスケールアウト・インをコード管理

resource &quot;google_compute_instance_template&quot; &quot;spot_tpl&quot; {
  name         = &quot;spot-template&quot;
  machine_type = &quot;e2-medium&quot;

  scheduling {
    on_host_maintenance = &quot;TERMINATE&quot;
    preemptible          = true   # 2024‑04 時点では SPOT と同義
  }

  metadata_startup_script = &lt;&lt;-EOS
    #!/bin/bash
    apt-get update &amp;&amp; apt-get install -y curl
    # Pull a message from Pub/Sub and process it
    EOS
}

resource "google_compute_instance_template" "spot_tpl" {

name = "spot-template"

machine_type = "e2-medium"

scheduling {

on_host_maintenance = "TERMINATE"

preemptible = true # 2024‑04 時点では SPOT と同義

}

metadata_startup_script = <<-EOS

#!/bin/bash

apt-get update && apt-get install -y curl

# Pull a message from Pub/Sub and process it

EOS

}

ベストプラクティス：ジョブは必ず 冪等性（idempotent） を担保し、途中停止時に再実行できるように設計する。チェックポイントを Cloud Storage に書き出すと復旧が容易です。

コストシミュレーション例

リージョン	n2-standard-4 のオンデマンド単価 (USD/h)	Spot 想定割引率	1,000 h あたりの想定コスト
us-central1	0.085	70 %	$25.5
asia-northeast1	0.095	55 %	$42.75

実際の価格は gcloud compute prices spot list --machine-type=n2-standard-4 --zone=asia-northeast1-a で取得してください。

3. CUD と SUD の組み合わせ最適化

基本概念

用語	説明
Committed Use Discount (CUD)	1 年または 3 年の使用量を事前に約束し、最大 70 %（CPU・GPU）/ 55 %（ストレージ）程度の割引が適用される。
Sustained Use Discount (SUD)	同一月内でリソース利用率が 60 %以上になると自動的に段階的割引（最大 30 %）が付く。CUD と併用可能です。

※割引率はサービス・リージョンごとに異なるため、Pricing Calculator の「Committed Use」タブでシミュレートしてください。

シミュレーションワークフロー

使用実績取得
bash bq query --use_legacy_sql=false \ 'SELECT SUM(cpu_seconds)/3600 AS hrs, region FROM my-billing.project_id.gcp_billing_export_v1_* WHERE service.id="6F81-5844-456A" GROUP BY region;'
CUD シナリオ作成（1 年・3 年）
予測使用率が 70 % 超の場合は CUD が最もコスト効率的。
変動が大きい領域は SUD のみで様子を見る。
総合比較表作成（BigQuery + Spreadsheet）

リージョン	月間使用時間 (h)	オンデマンド単価 (USD/h)	推奨 CUD 期間	想定 CUD 割引率	SUD 適用可否
us-central1	800	0.047	1 年	65 %	○（60 %以上）
asia-northeast1	500	0.053	なし	–	✕

実装
gcloud compute commitments create コマンドで CUD を購入。
gcloud beta billing budgets create --budget-amount=... で予算上限を設定し、CUD 購入後の変化をモニタリング。

gcloud compute commitments create \
  --project=$PROJECT_ID \
  --region=us-central1 \
  --plan=1-year \
  --machine-type=n2-standard-4 \
  --commitment=0.05 # 例：毎時 0.05 インスタンス分をコミット

gcloud compute commitments create \

--project=$PROJECT_ID \

--region=us-central1 \

--plan=1-year \

--machine-type=n2-standard-4 \

--commitment=0.05 # 例：毎時 0.05 インスタンス分をコミット

注意点とリスク

項目	リスク	対策
過剰コミット	使用量が予測より下回ると、未使用分は無償化されない	コミット前に 3‑6 ヶ月の実績を平均し、余裕を持たせた上で購入
リージョン変更	CUD はリージョン単位で固定。別リージョンへ移行すると割引が失われる	複数リージョンに跨るワークロードは「マルチリージョン」CUD（利用可能な場合）を検討
サービス更新	新規サービス追加時に CUD が自動適用されない	定期的に Billing Export をレビューし、未割引リソースを洗い出す

4. Cloud Run の課金最小化

項目	内容
CPU 割当	最小単位は 0.125 vCPU（従来 0.25 vCPU の半分）。リクエスト処理中のみ課金。
メモリ最小化	`256Mi` から設定可能。
アイドル時課金	`--min-instances=0` にすれば、インスタンスが存在しない状態で課金は発生しません（ただし VPC Connector 等の一部リソースは例外）。
Autoscaling 指標	`autoscaling.knative.dev/target` は CPU 使用率だけでなく「同時リクエスト数」でも調整可能。

実装例：最小コスト構成

gcloud run deploy api-service \
  --image=gcr.io/$PROJECT_ID/api-image:latest \
  --region=asia-northeast1 \
  --cpu=0.125 \
  --memory=256Mi \
  --min-instances=0 \
  --max-instances=200 \
  --concurrency=80 \
  --timeout=300s

gcloud run deploy api-service \

--image=gcr.io/$PROJECT_ID/api-image:latest \

--region=asia-northeast1 \

--cpu=0.125 \

--memory=256Mi \

--min-instances=0 \

--max-instances=200 \

--concurrency=80 \

--timeout=300s

スケーリングポリシーのカスタマイズ

apiVersion: serving.knative.dev/v1
kind: Service
metadata:
  name: api-service
  annotations:
    autoscaling.knative.dev/target: &quot;60&quot;          # CPU% 目標
    autoscaling.knative.dev/minScale: &quot;0&quot;
    autoscaling.knative.dev/maxScale: &quot;200&quot;
spec:
  template:
    spec:
      containers:
        - image: gcr.io/$PROJECT_ID/api-image
          resources:
            limits:
              cpu: &quot;0.25&quot;
              memory: &quot;512Mi&quot;

apiVersion: serving.knative.dev/v1

kind: Service

metadata:

name: api-service

annotations:

autoscaling.knative.dev/target: "60" # CPU% 目標

autoscaling.knative.dev/minScale: "0"

autoscaling.knative.dev/maxScale: "200"

spec:

template:

spec:

containers:

- image: gcr.io/$PROJECT_ID/api-image

resources:

limits:

cpu: "0.25"

memory: "512Mi"

target=60：CPU 使用率が 60 % を超えるとインスタンス数を増やす。
minScale=0：アイドル時はゼロにして課金なし。

トラフィックパターン別チューニング例

時間帯	`min-instances`	`max-instances`	補足
平日 09:00‑18:00（ピーク）	2	150	高速レスポンス確保
夜間・週末	0	50	コスト削減
キャンペーン前後の急増期	5	300	バースト対応

実装ヒント：gcloud scheduler jobs create http と Cloud Functions を組み合わせ、時間帯ごとに run services update-traffic API を呼び出すことで自動的にスケール設定を切り替えられます。

5. Cost Management ツールとタグ付けで部門別可視化

5‑1. Billing Export → BigQuery

手順	操作
1	Cloud Console の Billing → Export → BigQuery export を有効化し、データセット `billing_export` を作成
2	デフォルトテーブル `gcp_billing_export_v1_*` が日次で更新されることを確認
3	必要に応じてビューやマテリアライズド・ビューを作成し、部門別・サービス別の集計を行う

部門別月次コストビュー（例）

CREATE OR REPLACE VIEW `billing_export.monthly_department_cost` AS
SELECT
  EXTRACT(MONTH FROM usage_start_time) AS month,
  labels.department AS department,
  SUM(cost) AS total_usd
FROM `my-project.billing_export.gcp_billing_export_v1_*`
WHERE usage_start_time &gt;= DATE_SUB(CURRENT_DATE(), INTERVAL 30 DAY)
GROUP BY month, department;

CREATE OR REPLACE VIEW `billing_export.monthly_department_cost` AS

SELECT

EXTRACT(MONTH FROM usage_start_time) AS month,

labels.department AS department,

SUM(cost) AS total_usd

FROM `my-project.billing_export.gcp_billing_export_v1_*`

WHERE usage_start_time >= DATE_SUB(CURRENT_DATE(), INTERVAL 30 DAY)

GROUP BY month, department;

ラベルはリソース作成時に必須化すると、抜け漏れが防げます（Terraform の default_labels が便利）。

5‑2. Budgets & Alerts

項目	推奨設定
予算額	部門ごとに月額上限を設定（例：$5,000）
アラート閾値	50 %（メール）・80 %（Slack）・100 %（SMS）
通知先	Cloud Pub/Sub → Cloud Functions で Slack / Teams に転送

gcloud billing budgets create \
  --billing-account=$BILLING_ACCOUNT_ID \
  --budget-amount=5000USD \
  --threshold-rule-percentage=0.5,0.8,1.0 \
  --notifications-channel=email@example.com,slack://my-channel

gcloud billing budgets create \

--billing-account=$BILLING_ACCOUNT_ID \

--budget-amount=5000USD \

--threshold-rule-percentage=0.5,0.8,1.0 \

--notifications-channel=email@example.com,slack://my-channel

5‑3. Recommender の活用例（未使用 IP アドレス）

gcloud recommender recommendations list \
  --project=$PROJECT_ID \
  --recommender=google.compute.address.IdleResourceRecommender \
  --format=&quot;table(name, description)&quot;

gcloud recommender recommendations list \

--project=$PROJECT_ID \

--recommender=google.compute.address.IdleResourceRecommender \

--format="table(name, description)"

未使用の外部 IP は $0.004/時間（US リージョン）と、放置すると年間で約 $35 の無駄になるため、apply API で自動解放が推奨されます。

5‑4. ラベル戦略

ラベルキー	推奨値例
`environment`	`dev` / `staging` / `prod`
`department`	`marketing` / `sales` / `engineering`
`cost_center`	`CC1001` など社内コード

Terraform の強制ラベリング例

variable &quot;default_labels&quot; {
  type = map(string)
  default = {
    environment = &quot;prod&quot;
    department  = &quot;engineering&quot;
  }
}

resource &quot;google_compute_instance&quot; &quot;web&quot; {
  name         = &quot;web-server&quot;
  machine_type = &quot;e2-medium&quot;
  zone         = &quot;asia-northeast1-a&quot;

  labels = var.default_labels
}

variable "default_labels" {

type = map(string)

default = {

environment = "prod"

department = "engineering"

}

resource "google_compute_instance" "web" {

name = "web-server"

machine_type = "e2-medium"

zone = "asia-northeast1-a"

labels = var.default_labels

}

6. 実装チェックリスト & 優先度マトリクス

#	カテゴリ	実装項目	推奨タイミング	優先度 (高/中/低)	成果イメージ
1	アイドル検出	Recommender の IdleResourceRecommender を Cloud Scheduler + Cloud Functions で自動適用	今すぐ（週次レビュー）	高	未使用 VM/ディスクの課金ゼロ化
2	Spot VM	Spot 用 Instance Template と MIG、Pub/Sub キューを構築	1 か月以内	中	バッチコスト最大 70 % 削減
3	CUD/SUD	過去 6 ヶ月の使用実績から CUD シミュレーション → 購入手続き	次の請求サイクル前	高	長期ワークロードで最大 70 % 割引
4	Cloud Run	`cpu=0.125`, `min-instances=0` 設定へリファクタリング、Autoscaling アノテーション調整	今すぐ	中	アイドル時課金が実質ゼロに
5	Billing Export	BigQuery エクスポート設定 → 部門別ビュー作成	今すぐ	高	可視化で無駄発見が容易に
6	Budgets & Alerts	部門ごとの予算とアラートを Slack/メールへ連携	2 週間以内	中	超過リスクの早期検知
7	タグ付け	Terraform に `default_labels` を組み込み、CI/CD パイプラインで強制化	1 か月以内	高	部門別レポートが自動生成可能

実装フローの例
1. インフラコード（IaC）にタグ付けと Recommender スケジュールを追加 → Git PR のレビューで承認。
2. Spot 用ジョブキューと MIG をデプロイ → テスト環境でジョブ失敗シナリオを検証。
3. CUD 購入計画を作成し、財務部門と合意 → 予算に組み込み、購入手続きを実行。
4. Cloud Run の最適化 → カナリアデプロイでパフォーマンス測定。
5. BigQuery ビューとダッシュボードを展開 → 経営層へ週次レポート提供。

まとめ

項目	主なアクション	想定削減率（参考）
アイドルリソース自動除去	Recommender + Scheduler/Functions 自動化	5 %〜15 %
Spot VM の活用	キュー駆動の Preemptible / Spot インスタンス	20 %〜70 %
CUD＋SUD 最適化	使用実績ベースでコミット購入	10 %〜30 %
Cloud Run コスト最小化	CPU/Memory の最小設定、`min-instances=0`	5 %〜12 %
可視化・予算管理	Billing Export → BigQuery、Budgets & Alerts、ラベリング	無駄の早期発見で更なる削減が可能

次にすべきこと：本稿のチェックリストを元に、まずは「アイドルリソース自動除去」と「Billing Export の有効化」から着手し、1 か月以内に可視化基盤を整える。その後、Spot VM と CUD の導入計画を並行して進めると、最短で 10 %〜30 % のコスト削減が期待できます。

本ガイドは 2024‑04 時点の公式情報に基づいています。Google Cloud のサービス内容や料金体系は頻繁に更新されますので、実装前に必ず最新ドキュメントをご確認ください。

スポンサードリンク

-GCP

comment コメントをキャンセル

: GCP

2026年版 GCP Cost Tableと自動化によるコスト最適化

本稿では、2026年版GCP Cost Tableの概要と自動化スクリプト、割引シミュレーション、AIリコメンダー活用によるコスト最適化手法を紹介します。

: GCP

Vertex AI 2025年最新機能と中小企業活用事例 – Gemini統合・AI検索

Vertex AIの最新Gemini統合とAI検索機能を活用し、需要予測や自動販売機設置最適化、チャットボット導入など中小企業で実現できる具体的効果と費用感を解説します。

: GCP

GCP と AWS の最新料金比較とコスト削減ポイント2025

AWS と GCP の最新料金モデルや主要サービス単価を比較し、ユースケース別の年間コストシミュレーションと割引活用法を解説します。

: GCP

中小企業向けGoogle Cloud AI活用と導入事例 – コスト削減と業務効率化

Google Cloud の生成 AI とサーバーレス分析で、中小企業の顧客獲得、業務効率化、商品開発を低コストで実現する全体像と成功事例をご紹介します。

: GCP

GCPで構築する最新データレイク入門：Dataplex・BigLake活用ガイド

本稿では GCP の主要サービスを用いたデータレイクの基本概念から構築手順、Dataplex ゾーン作成、BigLake 外部テーブル活用まで実践的に解説します。

2026年版Hulu学割なしでも安く見る方法と代替サービス比較

2026年エンジニア市場トレンドと未経験者学習ロードマップ

2026年版 GCPコスト削減ベストプラクティスと実装手順

1. アイドルリソース検出と自動削除

背景

公式機能 ― Recommender の IdleResource 系推奨

主な利点

実装例：Cloud Scheduler + Cloud Functions で毎日自動適用

手動確認フロー（推奨）

2. Spot VM の安全な活用

なぜ Spot を選ぶのか

Spot VM の作成と自動スケーリング

キューと組み合わせた耐障害設計

コストシミュレーション例

3. CUD と SUD の組み合わせ最適化

基本概念

シミュレーションワークフロー

注意点とリスク

4. Cloud Run の課金最小化

最新ドキュメント（2024‑04）でのポイント

実装例：最小コスト構成

スケーリングポリシーのカスタマイズ

トラフィックパターン別チューニング例

5. Cost Management ツールとタグ付けで部門別可視化

5‑1. Billing Export → BigQuery

部門別月次コストビュー（例）

5‑2. Budgets & Alerts

5‑3. Recommender の活用例（未使用 IP アドレス）

5‑4. ラベル戦略

6. 実装チェックリスト & 優先度マトリクス

まとめ

公式機能 ― Recommender の IdleResource 系推奨