# GPU推論用Pod（2025年トレンド）
apiVersion: v1
kind: Pod
metadata:
  name: ai-inference-pod
spec:
  containers:
  - name: model-server
    image: tensorflow/serving:latest-gpu
    resources:
      limits:
        nvidia.com/gpu: 1
        memory: "8Gi"
      requests:
        nvidia.com/gpu: 1
        memory: "4Gi"
  - name: model-loader
    image: custom/model-loader:v1.0
    # モデルの動的ロード・更新を担当
  nodeSelector:
    accelerator: nvidia-tesla-v100

# 2025年標準のGateway設定
apiVersion: gateway.networking.k8s.io/v1beta1
kind: Gateway
metadata:
  name: production-gateway
spec:
  gatewayClassName: cilium
  listeners:
  - name: https
    port: 443
    protocol: HTTPS
    tls:
      mode: Terminate
      certificateRefs:
      - name: api-tls-cert
---
apiVersion: gateway.networking.k8s.io/v1beta1
kind: HTTPRoute
metadata:
  name: api-route
spec:
  parentRefs:
  - name: production-gateway
  rules:
  - matches:
    - path:
        type: PathPrefix
        value: /api/v1
    backendRefs:
    - name: api-service
      port: 8080
      weight: 90
    - name: api-service-canary
      port: 8080
      weight: 10  # カナリアデプロイ

# GitOps対応のDeployment
apiVersion: apps/v1
kind: Deployment
metadata:
  name: web-app
  annotations:
    argocd.argoproj.io/sync-wave: "1"
spec:
  replicas: 3
  strategy:
    type: RollingUpdate
    rollingUpdate:
      maxSurge: 1
      maxUnavailable: 0
  template:
    spec:
      containers:
      - name: app
        image: myapp:v1.2.3  # GitOpsで自動更新
        readinessProbe:
          httpGet:
            path: /health
            port: 8080
          initialDelaySeconds: 10
        livenessProbe:
          httpGet:
            path: /health
            port: 8080
          initialDelaySeconds: 30

# AWS Secrets Manager連携
apiVersion: external-secrets.io/v1beta1
kind: SecretStore
metadata:
  name: aws-secrets-store
spec:
  provider:
    aws:
      service: SecretsManager
      region: ap-northeast-1
      auth:
        jwt:
          serviceAccountRef:
            name: external-secrets-sa
---
apiVersion: external-secrets.io/v1beta1
kind: ExternalSecret
metadata:
  name: database-credentials
spec:
  refreshInterval: 1h  # 1時間ごとに自動更新
  secretStoreRef:
    name: aws-secrets-store
    kind: SecretStore
  target:
    name: db-secret
    creationPolicy: Owner
  data:
  - secretKey: username
    remoteRef:
      key: prod/database
      property: username
  - secretKey: password
    remoteRef:
      key: prod/database
      property: password

# 環境別 + チーム別の階層化
# 本番環境
- prod-frontend
- prod-backend
- prod-data
- prod-ml
# ステージング環境
- staging-frontend
- staging-backend
- staging-data
- staging-ml
# 開発環境（チーム別）
- dev-team-alpha
- dev-team-beta
- dev-team-gamma

apiVersion: v1
kind: ResourceQuota
metadata:
  name: team-quota
  namespace: dev-team-alpha
spec:
  hard:
    requests.cpu: "10"
    requests.memory: 20Gi
    limits.cpu: "20"
    limits.memory: 40Gi
    persistentvolumeclaims: "10"
    count/pods: "50"
    # コスト管理のための制限

# 高性能ストレージクラス
apiVersion: storage.k8s.io/v1
kind: StorageClass
metadata:
  name: fast-ssd
provisioner: ebs.csi.aws.com
parameters:
  type: gp3
  iops: "3000"
  throughput: "125"
  encrypted: "true"
allowVolumeExpansion: true
volumeBindingMode: WaitForFirstConsumer
---
# AI/ML用の大容量ストレージ
apiVersion: v1
kind: PersistentVolumeClaim
metadata:
  name: ml-dataset-pvc
spec:
  accessModes:
    - ReadWriteOnce
  storageClassName: fast-ssd
  resources:
    requests:
      storage: 1Ti  # 1TB のデータセット用

# OpenTelemetry Collector設定
apiVersion: v1
kind: ConfigMap
metadata:
  name: otel-collector-config
data:
  config.yaml: |
    receivers:
      otlp:
        protocols:
          grpc:
            endpoint: 0.0.0.0:4317
          http:
            endpoint: 0.0.0.0:4318
      prometheus:
        config:
          scrape_configs:
          - job_name: 'kubernetes-pods'
            kubernetes_sd_configs:
            - role: pod
    processors:
      batch:
        timeout: 1s
        send_batch_size: 1024
      memory_limiter:
        limit_mib: 512
    exporters:
      prometheus:
        endpoint: "0.0.0.0:8889"
      jaeger:
        endpoint: jaeger-collector:14250
        tls:
          insecure: true
    service:
      pipelines:
        traces:
          receivers: [otlp]
          processors: [memory_limiter, batch]
          exporters: [jaeger]
        metrics:
          receivers: [otlp, prometheus]
          processors: [memory_limiter, batch]
          exporters: [prometheus]

# SLO定義（99.9%の可用性目標）
apiVersion: sloth.slok.dev/v1
kind: PrometheusServiceLevel
metadata:
  name: api-availability-slo
spec:
  service: "api-service"
  labels:
    team: "backend"
  slos:
  - name: "requests-availability"
    objective: 99.9
    description: "99.9% of requests should be successful"
    sli:
      events:
        error_query: sum(rate(http_requests_total{job="api-service",code=~"5.."}[5m]))
        total_query: sum(rate(http_requests_total{job="api-service"}[5m]))
    alerting:
      name: APIHighErrorRate
      labels:
        severity: critical
      annotations:
        summary: "API error rate is above SLO"

# 学習用クラスター構築
kind create cluster --config=kind-config.yaml
# サンプルアプリケーションのデプロイ
kubectl apply -f https://k8s.io/examples/application/deployment.yaml
# 基本操作の習得
kubectl get pods
kubectl describe pod <pod-name>
kubectl logs <pod-name>
kubectl exec -it <pod-name> -- /bin/bash

# Helm Chart構造
my-app/
├── Chart.yaml
├── values.yaml
├── templates/
│   ├── deployment.yaml
│   ├── service.yaml
│   ├── ingress.yaml
│   └── configmap.yaml
└── charts/

# values.yaml（環境別設定）
replicaCount: 3
image:
  repository: myapp
  tag: "1.0.0"
  pullPolicy: IfNotPresent
service:
  type: ClusterIP
  port: 80
ingress:
  enabled: true
  className: "nginx"
  annotations:
    cert-manager.io/cluster-issuer: "letsencrypt-prod"
  hosts:
    - host: myapp.example.com
      paths:
        - path: /
          pathType: Prefix
  tls:
    - secretName: myapp-tls
      hosts:
        - myapp.example.com
autoscaling:
  enabled: true
  minReplicas: 3
  maxReplicas: 100
  targetCPUUtilizationPercentage: 80

// Custom Resource Definition
package v1
import (
    metav1 "k8s.io/apimachinery/pkg/apis/meta/v1"
)
// MyAppSpec defines the desired state of MyApp
type MyAppSpec struct {
    Size     int32  `json:"size"`
    Version  string `json:"version"`
    Database string `json:"database"`
}
// MyAppStatus defines the observed state of MyApp
type MyAppStatus struct {
    Nodes []string `json:"nodes"`
    Ready bool     `json:"ready"`
}
// MyApp is the Schema for the myapps API
type MyApp struct {
    metav1.TypeMeta   `json:",inline"`
    metav1.ObjectMeta `json:"metadata,omitempty"`
    Spec   MyAppSpec   `json:"spec,omitempty"`
    Status MyAppStatus `json:"status,omitempty"`
}

# ローカル開発環境
# Docker Desktop + Kubernetes
# または
# Minikube + VirtualBox
# クラウド環境（学習用）
# AWS EKS（無料枠活用）
# GCP GKE（$300クレジット活用）
# Azure AKS（無料枠活用）
# 本格的な学習環境
# Raspberry Pi クラスター（物理的な理解）
# Homelab環境（実際の運用経験）

# 効果的なアピール例
## Kubernetesによる業務改善実績
- **コスト削減**: インフラコスト60%削減（年間3,000万円削減効果）
- **運用効率化**: デプロイ時間95%短縮（30分→1.5分）
- **可用性向上**: サービス稼働率99.9%達成（SLA目標達成）
- **開発速度**: リリース頻度10倍向上（月1回→週2-3回）
## 技術スタック
- **Container Orchestration**: Kubernetes 1.28+, Docker
- **Service Mesh**: Istio, Linkerd
- **GitOps**: ArgoCD, Flux
- **Monitoring**: Prometheus, Grafana, Jaeger
- **Security**: Falco, OPA Gatekeeper, Trivy

# ポートフォリオ用のプロジェクト例
# GitHub: https://github.com/your-name/k8s-portfolio
projects/
├── microservices-demo/          # マイクロサービス実装例
│   ├── k8s-manifests/
│   ├── helm-charts/
│   └── gitops-config/
├── monitoring-stack/            # 監視基盤構築例
│   ├── prometheus/
│   ├── grafana/
│   └── alertmanager/
├── security-hardening/          # セキュリティ強化例
│   ├── network-policies/
│   ├── pod-security-standards/
│   └── falco-rules/
└── ai-ml-platform/             # AI/MLプラットフォーム例
    ├── kubeflow/
    ├── mlflow/
    └── jupyter-hub/

# 社内提案書テンプレート
## Kubernetes導入提案書
### 1. 現状の課題
- デプロイ時間: 平均30分（手動作業）
- 障害復旧: 平均2時間（属人化）
- インフラコスト: 月額500万円（非効率）
### 2. Kubernetes導入効果（予測）
- デプロイ時間: 30分 → 3分（90%短縮）
- 障害復旧: 2時間 → 10分（92%短縮）
- インフラコスト: 500万円 → 300万円（40%削減）
### 3. 導入計画
- Phase 1: PoC実施（1ヶ月）
- Phase 2: 開発環境導入（2ヶ月）
- Phase 3: 本番環境移行（3ヶ月）
### 4. 投資対効果
- 初期投資: 1,000万円
- 年間削減効果: 2,400万円
- ROI: 240%（1年目）

# Cilium Network Policy（高度なセキュリティ制御）
apiVersion: "cilium.io/v2"
kind: CiliumNetworkPolicy
metadata:
  name: "l7-policy"
spec:
  endpointSelector:
    matchLabels:
      app: backend
  ingress:
  - fromEndpoints:
    - matchLabels:
        app: frontend
    toPorts:
    - ports:
      - port: "8080"
        protocol: TCP
      rules:
        http:
        - method: "GET"
          path: "/api/v1/.*"
        - method: "POST"
          path: "/api/v1/users"
          headers:
          - "Content-Type: application/json"

# Spin Operator for WebAssembly
apiVersion: core.spinoperator.dev/v1alpha1
kind: SpinApp
metadata:
  name: wasm-microservice
spec:
  image: "ghcr.io/my-org/wasm-app:v1.0.0"
  replicas: 5
  resources:
    limits:
      cpu: 100m
      memory: 64Mi
    requests:
      cpu: 10m
      memory: 16Mi
  # 従来のコンテナの1/10のリソースで動作

# GPU Operator設定
apiVersion: v1
kind: Namespace
metadata:
  name: gpu-operator
---
apiVersion: operators.coreos.com/v1alpha1
kind: Subscription
metadata:
  name: gpu-operator-certified
  namespace: gpu-operator
spec:
  channel: "v23.9"
  name: gpu-operator-certified
  source: certified-operators
  sourceNamespace: openshift-marketplace

# Kubeflow Pipelines v2 コンポーネント例
from kfp import dsl
from kfp.dsl import component, pipeline
@component(
base_image="python:3.9",
packages_to_install=["pandas", "scikit-learn"]
)
def train_model(
dataset_path: str,
model_path: str
) -> str:
import pandas as pd
from sklearn.ensemble import RandomForestClassifier
import joblib
# データ読み込み
df = pd.read_csv(dataset_path)
X = df.drop('target', axis=1)
y = df['target']
# モデル訓練
model = RandomForestClassifier(n_estimators=100)
model.fit(X, y)
# モデル保存
joblib.dump(model, model_path)
return model_path
@pipeline(name="ml-training-pipeline")
def ml_pipeline():
train_task = train_model(
dataset_path="/data/training.csv",
model_path="/models/rf_model.pkl"
)

# Ambient Mode設定（サイドカー不要）
apiVersion: install.istio.io/v1alpha1
kind: IstioOperator
metadata:
  name: ambient
spec:
  values:
    pilot:
      env:
        PILOT_ENABLE_AMBIENT: true
  components:
    cni:
      enabled: true
---
# Namespace単位でAmbient Mode有効化
apiVersion: v1
kind: Namespace
metadata:
  name: production
  labels:
    istio.io/dataplane-mode: ambient

# マイクロサービス構成例
apiVersion: argoproj.io/v1alpha1
kind: Application
metadata:
  name: microservices-platform
  namespace: argocd
spec:
  project: default
  source:
    repoURL: https://github.com/your-name/k8s-microservices
    targetRevision: HEAD
    path: k8s-manifests
  destination:
    server: https://kubernetes.default.svc
    namespace: production
  syncPolicy:
    automated:
      prune: true
      selfHeal: true
    syncOptions:
    - CreateNamespace=true
---
# Service Mesh設定
apiVersion: networking.istio.io/v1beta1
kind: VirtualService
metadata:
  name: microservices-vs
spec:
  http:
  - match:
    - uri:
        prefix: /api/users
    route:
    - destination:
        host: user-service
        port:
          number: 8080
      weight: 90
    - destination:
        host: user-service-v2
        port:
          number: 8080
      weight: 10  # カナリアデプロイ
  - match:
    - uri:
        prefix: /api/orders
    route:
    - destination:
        host: order-service
        port:
          number: 8080

# Seldon Core Model Deployment
apiVersion: machinelearning.seldon.io/v1
kind: SeldonDeployment
metadata:
  name: image-classifier
spec:
  name: image-classifier
  predictors:
  - graph:
      children: []
      implementation: TENSORFLOW_SERVER
      modelUri: s3://ml-models/image-classifier/v1.0
      name: classifier
      parameters:
      - name: signature_name
        type: STRING
        value: serving_default
    name: default
    replicas: 3
    traffic: 100
    componentSpecs:
    - spec:
        containers:
        - name: classifier
          resources:
            limits:
              nvidia.com/gpu: 1
              memory: 4Gi
            requests:
              nvidia.com/gpu: 1
              memory: 2Gi

# Falco Runtime Security
apiVersion: v1
kind: ConfigMap
metadata:
  name: falco-config
data:
  falco.yaml: |
    rules_file:
      - /etc/falco/falco_rules.yaml
      - /etc/falco/falco_rules.local.yaml
      - /etc/falco/k8s_audit_rules.yaml
    json_output: true
    json_include_output_property: true
    # カスタムルール
    - rule: Suspicious Network Activity
      desc: Detect suspicious network connections
      condition: >
        spawned_process and
        proc.name in (nc, ncat, netcat) and
        proc.args contains "-l"
      output: >
        Suspicious network listener started
        (user=%user.name command=%proc.cmdline)
      priority: WARNING
---
# OPA Gatekeeper Policy
apiVersion: templates.gatekeeper.sh/v1beta1
kind: ConstraintTemplate
metadata:
  name: k8srequiredsecuritycontext
spec:
  crd:
    spec:
      names:
        kind: K8sRequiredSecurityContext
      validation:
        properties:
          runAsNonRoot:
            type: boolean
  targets:
    - target: admission.k8s.gatekeeper.sh
      rego: |
        package k8srequiredsecuritycontext
        violation[{"msg": msg}] {
          container := input.review.object.spec.containers[_]
          not container.securityContext.runAsNonRoot
          msg := "Container must run as non-root user"
        }

kubernetes-portfolio/
├── README.md                    # 全体概要・成果の数値化
├── microservices-platform/     # プロジェクト1
│   ├── README.md               # 技術選定理由・アーキテクチャ
│   ├── k8s-manifests/
│   ├── helm-charts/
│   ├── monitoring/
│   └── docs/
├── ai-ml-platform/             # プロジェクト2
│   ├── README.md
│   ├── kubeflow/
│   ├── models/
│   └── pipelines/
├── security-platform/          # プロジェクト3
│   ├── README.md
│   ├── policies/
│   ├── monitoring/
│   └── compliance/
└── docs/
├── architecture.md         # 全体アーキテクチャ
├── lessons-learned.md      # 学んだ教訓
└── performance-metrics.md  # パフォーマンス測定結果

# Kubernetes Portfolio - Production-Ready Implementations
## 🎯 Overview
本ポートフォリオは、実際の本番環境で運用可能なKubernetesプラットフォームの実装例です。
## 📊 Achievements
- **コスト削減**: 従来比60%削減（月額300万円→120万円）
- **可用性**: 99.9%達成（SLA目標クリア）
- **デプロイ時間**: 95%短縮（30分→1.5分）
- **セキュリティ**: ゼロトラスト実装、脆弱性0件
## 🛠 Technical Stack
- **Orchestration**: Kubernetes 1.28+
- **Service Mesh**: Istio Ambient Mode
- **GitOps**: ArgoCD
- **Monitoring**: Prometheus + Grafana + Jaeger
- **Security**: Falco + OPA Gatekeeper + Trivy
- **AI/ML**: Kubeflow + Seldon Core + NVIDIA GPU Operator
## 🏗 Architecture Highlights
- マイクロサービス間の疎結合設計
- イベント駆動アーキテクチャ
- 自動スケーリング・自動復旧
- 完全なCI/CD自動化

# 転職成功事例（2025年実績）
## Case 1: SIer → クラウドベンダー
- **Before**: 年収650万円（Java開発5年）
- **After**: 年収1,100万円（Kubernetesエンジニア）
- **取得資格**: CKA + CKAD
- **転職期間**: 3ヶ月
## Case 2: インフラエンジニア → SRE
- **Before**: 年収750万円（オンプレ運用7年）
- **After**: 年収1,350万円（SRE）
- **取得資格**: CKA + CKS
- **転職期間**: 2ヶ月
## Case 3: フリーランス単価アップ
- **Before**: 月80万円（一般的なインフラ案件）
- **After**: 月180万円（Kubernetes専門案件）
- **取得資格**: CKA + CKS + AWS認定
- **単価アップ期間**: 6ヶ月

# 実践的な学習環境構築
# 1. ローカル環境
kind create cluster --config cka-cluster.yaml
# 2. 必須コマンドの習得（試験で頻出）
kubectl get pods --all-namespaces
kubectl describe pod <pod-name>
kubectl logs <pod-name> -f
kubectl exec -it <pod-name> -- /bin/bash
# 3. YAML作成の高速化
kubectl run nginx --image=nginx --dry-run=client -o yaml > pod.yaml
kubectl create deployment nginx --image=nginx --dry-run=client -o yaml > deployment.yaml
# 4. トラブルシューティング練習
kubectl get events --sort-by=.metadata.creationTimestamp
kubectl top nodes
kubectl top pods

# アプリケーション開発者向けの実践例
# Multi-container Pod
apiVersion: v1
kind: Pod
metadata:
  name: multi-container-pod
spec:
  containers:
  - name: main-app
    image: nginx
    ports:
    - containerPort: 80
  - name: sidecar
    image: busybox
    command: ['sh', '-c', 'while true; do echo "Sidecar running"; sleep 30; done']
  - name: init-container
    image: busybox
    command: ['sh', '-c', 'echo "Initialization complete"']

# セキュリティ強化の実践例
# Network Policy
apiVersion: networking.k8s.io/v1
kind: NetworkPolicy
metadata:
  name: deny-all-ingress
spec:
  podSelector: {}
  policyTypes:
  - Ingress
---
# Pod Security Standards
apiVersion: v1
kind: Namespace
metadata:
  name: secure-namespace
  labels:
    pod-security.kubernetes.io/enforce: restricted
    pod-security.kubernetes.io/audit: restricted
    pod-security.kubernetes.io/warn: restricted

# 学習投資の収益性分析
## 投資額
- 学習リソース: $500
- 受験料: $1,185（3資格）
- 学習時間: 300時間（時給5,000円換算で150万円）
- **総投資額**: 約170万円
## リターン
- 年収アップ: +200万円/年
- フリーランス単価アップ: +100万円/年
- **年間リターン**: 300万円
## ROI
- 1年目: 176%
- 2年目以降: 継続的な高収入

# 1. ローカル環境構築
# Docker Desktop + Kubernetes有効化
# または
kind create cluster --name learning-cluster
# 2. 基本コマンド習得
kubectl version
kubectl cluster-info
kubectl get nodes
# 3. 最初のアプリケーションデプロイ
kubectl create deployment nginx --image=nginx
kubectl expose deployment nginx --port=80 --type=NodePort
kubectl get services