wfukatsu ScalarDB Cluster サイジング見積もりスキル
このスキルは、ScalarDB Clusterを中心としたシステム全体のサイジングと費用見積もりを行う。
見積もりフロー
1. 要件ヒアリング（質問で情報収集）
↓
2. 環境タイプ選択（Dev/Test/Staging/Production）
↓
3. アーキテクチャパターン選択
↓
4. 各コンポーネントサイジング
↓
5. 費用算出
↓
6. Markdown + HTML出力
1. 要件ヒアリング
情報が不足している場合、以下の質問を選択肢形式で提示する。一度に多くの質問をせず、3-4問ずつ段階的に確認する。
必須ヒアリング項目
環境タイプ
Q: 見積もる環境を選択してください
A) 開発環境 - 開発者が機能開発・単体テストを行う環境
B) テスト環境 - QAチームが結合テスト・E2Eテストを行う環境
C) ステージング環境 - 本番同等構成でリリース前検証を行う環境
D) 本番環境 - 実際のユーザーがアクセスする環境
E) 全環境セット - CI/CDパイプライン含む全環境
クラウドプロバイダー
Q: 使用するクラウドを選択してください
A) AWS - Amazon Web Services
B) Azure - Microsoft Azure
C) GCP - Google Cloud Platform
D) マルチクラウド - 複数クラウドを併用
ScalarDB Cluster ライセンス
Q: ScalarDB Cluster のライセンス形態を選択してください
A) 直接契約 Standard - ¥100,000/Pod/月（基本機能）
B) 直接契約 Premium - ¥200,000/Pod/月（高度な機能・優先サポート）
C) AWS Marketplace Pay-as-you-go Standard - $1.40/Pod/時間（約¥153,300/Pod/月）
D) AWS Marketplace Pay-as-you-go Premium - $2.80/Pod/時間（約¥306,600/Pod/月）※推定
※ ライセンス費用はPod数に応じて課金されます
※ AWS Marketplace版はAWS請求に一本化、短期利用に最適
※ 直接契約は長期利用でコスト効率良好
※ 詳細はScalar社営業担当にお問い合わせください
AWS Marketplace利用時の注意
AWS Marketplace Pay-as-you-go 利用時の制約:
- リソース制限: 各Pod最大 2 vCPU / 4 GB memory
- 制限超過時: Podが自動停止
- 課金単位: 1 Pod = 1単位 (2 vCPU / 4 GB memory)
- 計算方法: max(vCPU/2, memory/4GB) で単位数を決定
メリット:
- AWS請求に一本化
- 契約手続き不要
- 短期利用・PoC向け
- いつでもキャンセル可能
デメリット:
- 長期利用では直接契約より割高
- リソース制限あり
性能要件（本番/ステージング向け）
Q: 想定するトランザクション量を選択してください
A) 小規模 - 〜500 TPS
B) 中規模 - 〜2,000 TPS
C) 大規模 - 〜10,000 TPS
D) 超大規模 - 10,000 TPS以上（具体的な数値を入力）
可用性要件（本番向け）
Q: 目標可用性を選択してください
A) 99.0% - 年間ダウンタイム87.6時間まで許容
B) 99.9% - 年間ダウンタイム8.76時間まで許容
C) 99.95% - 年間ダウンタイム4.38時間まで許容
D) 99.99% - 年間ダウンタイム52分まで許容
ScalarDB v3.17 最適化設定（本番/ステージング向け）
Q: ScalarDB v3.17 クライアントサイド最適化を有効にしますか？
A) 有効にする（推奨）- 最大2倍の性能向上、900〜2,400 TPS/Pod
B) 有効にしない - 従来性能、500〜2,000 TPS/Pod
C) 検討中 - 最適化の有無で両パターン試算
※ 最適化設定（アプリケーション側）:
- scalar.db.cluster.client.piggyback_begin.enabled=true
- scalar.db.cluster.client.write_buffering.enabled=true
※ サーバー側推奨設定:
- scalar.db.consensus_commit.async_commit.enabled=true
- scalar.db.consensus_commit.one_phase_commit.enabled=true（単一DB時）
Transaction Metadata Decoupling（新規構築時オプション）
Q: Transaction Metadata Decoupling を使用しますか？
A) 使用する - メタデータを別テーブルに分離（テーブル設計がシンプル）
B) 使用しない（デフォルト）- 従来構成（既存システム互換）
※ Decouplingの特徴:
- アプリケーションテーブルにメタデータカラムが追加されない
- 既存テーブルには適用不可（スキーマ作成時に設定が必要）
- 総ストレージサイズは変わらない
デプロイ戦略（本番向け）
Q: デプロイ戦略を選択してください
A) Rolling Update - 標準的なローリングアップデート
B) Blue/Green - 2系統を切り替える方式（ダウンタイムゼロ）
C) Canary - 段階的にトラフィックを移行する方式
D) A/B Testing対応 - 機能フラグによるA/Bテスト対応
バックエンドデータベース構成パターン
Q: データベース構成パターンを選択してください
A) 単一データベース - 1種類のデータベースのみ使用（シンプル構成）
B) 異種複数データベース - 複数種類のデータベースを併用（ScalarDBの真価を発揮）
C) マルチリージョン構成 - 地理分散されたデータベース構成
バックエンドデータベース（単一構成の場合）
Q: バックエンドデータベースを選択してください
[AWS]
A) Aurora PostgreSQL - 高可用性RDBMS（推奨）
B) Aurora MySQL - MySQL互換の高可用性RDBMS
C) RDS PostgreSQL - 標準的なPostgreSQL
D) DynamoDB - NoSQL（高スケール・書き込みヘビー向け）
[Azure]
A) Azure Database for PostgreSQL - 高可用性PostgreSQL
B) Azure SQL Database - SQL Server互換
C) Cosmos DB - NoSQL（グローバル分散向け）
[GCP]
A) AlloyDB - 高性能PostgreSQL互換（推奨）
B) Cloud SQL for PostgreSQL - 標準的なPostgreSQL
C) Cloud Spanner - グローバル分散SQL
バックエンドデータベース（異種複数構成の場合）
Q: 使用するデータベースの組み合わせを選択してください（複数選択可）
[AWS]
A) Aurora PostgreSQL + DynamoDB - RDBMS + NoSQL（推奨パターン）
B) Aurora PostgreSQL + Aurora MySQL - 異種RDBMS
C) Aurora PostgreSQL + DocumentDB - RDBMS + Document DB
D) カスタム組み合わせ - 独自の組み合わせを指定
[Azure]
A) Azure PostgreSQL + Cosmos DB - RDBMS + NoSQL（推奨パターン）
B) Azure PostgreSQL + Azure SQL - 異種RDBMS
C) カスタム組み合わせ - 独自の組み合わせを指定
[GCP]
A) AlloyDB + Cloud Spanner - 高性能RDBMS + グローバル分散SQL（推奨パターン）
B) Cloud SQL PostgreSQL + Firestore - RDBMS + NoSQL
C) カスタム組み合わせ - 独自の組み合わせを指定
[マルチクラウド]
A) Aurora PostgreSQL (AWS) + Cosmos DB (Azure) - クラウド間分散
B) AlloyDB (GCP) + DynamoDB (AWS) - 高性能 + 高スケール
C) カスタム組み合わせ - 独自の組み合わせを指定
アーキテクチャパターン
Q: アプリケーションアーキテクチャを選択してください
A) 標準構成 - API Gateway + BFF + Process API + System API（推奨）
B) シンプル構成 - API Gateway + Backend API
C) マイクロサービス構成 - 複数のドメインサービス + Event Driven
D) カスタム構成 - 独自のアーキテクチャを指定
API Gateway
Q: API Gatewayを選択してください
A) Kong OSS (DB-less) - 高機能OSS API Gateway、DB-lessモード（推奨）
B) Kong Enterprise (DB-less) - 商用版Kong、高度な機能・サポート付き
C) Kong OSS (PostgreSQL) - PostgreSQLバックエンド構成
D) Kong Enterprise (PostgreSQL) - 商用版Kong、PostgreSQLバックエンド
E) AWS API Gateway - AWSマネージド
F) Azure API Management - Azureマネージド
G) Google Cloud Endpoints / Apigee - GCPマネージド
H) Nginx Ingress - シンプルなIngress Controller
I) 不要 - API Gatewayを使用しない
Kong構成詳細（Kongを選択した場合）
Q: Kongの構成モードを選択してください
A) DB-less (declarative) - 設定をYAML/JSONで管理、GitOps親和性高い（推奨）
B) PostgreSQL - 従来型、Admin API経由で動的設定変更可能
C) Hybrid Mode - Control PlaneとData Planeを分離
※ DB-lessモードの特徴:
- 設定ファイルをGitで管理可能
- 起動時に設定をロード
- Admin APIは読み取り専用
- Kubernetes環境に最適
監視システム
Q: 監視システムを選択してください
A) Prometheus + Grafana - OSSスタック（推奨）
B) Datadog - SaaSモニタリング
C) New Relic - APM中心のSaaS
D) CloudWatch / Azure Monitor / Cloud Monitoring - クラウドネイティブ
E) 既存の監視システムを使用
ScalarDB Analytics（オプション）
Q: ScalarDB Analytics（分析クエリ機能）を使用しますか？
A) 使用しない - OLTPのみ
B) 使用する（Amazon EMR） - AWS環境でSparkベースの分析
C) 使用する（Databricks） - Azure/AWS環境でDatabricks使用
D) 使用する（両方検討） - EMRとDatabricksを比較検討
ScalarDB Analytics環境（Analyticsを選択した場合）
Q: ScalarDB Analytics のワークロードを選択してください
A) 軽量分析 - アドホッククエリ、〜100GBデータ、同時1-5クエリ
B) 標準分析 - 定期レポート、〜1TBデータ、同時5-10クエリ
C) 大規模分析 - 複雑な分析、〜10TBデータ、同時10-20クエリ
D) メモリ集約型 - 大規模結合/集計、10TB+データ
※ ScalarDB Analyticsは読み取り専用です
※ Spark 3.4または3.5が必要です
ScalarDB Analytics Spark実行環境（Analyticsを選択した場合）
Q: Spark実行環境の詳細を選択してください
[Amazon EMR]
A) EMR on EC2 - 標準的なEMRクラスター
B) EMR Serverless - サーバーレス実行（断続的ワークロード向け）
[Databricks]
A) All-purpose Cluster - インタラクティブ分析向け
B) Job Cluster - 定期バッチ処理向け
C) SQL Warehouse - SQLクエリ専用（JDBC接続）
※ DatabricksはAccess Mode「No isolation shared」が必須
2. 環境別デフォルト構成
開発環境
purpose: "開発者の機能開発・単体テスト"
kubernetes:
nodes: 2
node_type: small (2vCPU/8GB)
scalardb:
replicas: 2
resources: {cpu: 500m, memory: 1Gi}
database:
size: minimal
ha: false
api_gateway: optional
monitoring: minimal
ci_cd: required
estimated_cost_multiplier: 0.1x
テスト環境
purpose: "QAチームの結合テスト・E2Eテスト"
kubernetes:
nodes: 3
node_type: medium (4vCPU/16GB)
scalardb:
replicas: 3
resources: {cpu: 1, memory: 2Gi}
database:
size: small
ha: false
api_gateway: required
monitoring: standard
ci_cd: required
estimated_cost_multiplier: 0.3x
ステージング環境
purpose: "本番同等構成でのリリース前検証"
kubernetes:
nodes: 3-5
node_type: production_equivalent
scalardb:
replicas: 3-5
resources: {cpu: 2, memory: 4Gi}
database:
size: production_equivalent
ha: true (single AZ)
api_gateway: required (production config)
monitoring: full
ci_cd: required
estimated_cost_multiplier: 0.5x
本番環境
purpose: "実際のユーザーがアクセスする環境"
kubernetes:
nodes: 5+
node_type: large (8vCPU/32GB+)
multi_az: true
scalardb:
replicas: 5+
resources: {cpu: 2, memory: 4Gi}
pdb: {minAvailable: 3}
database:
size: based_on_requirements
ha: true (multi AZ)
read_replicas: optional
api_gateway: required (HA)
monitoring: full + alerting
ci_cd: required
blue_green_canary: optional
estimated_cost_multiplier: 1.0x
3. コンポーネント別サイジング
3.1 ScalarDB Cluster Pod数計算
詳細は references/scalardb-cluster-sizing.md を参照。
Pod数 = max(
性能要件Pod数,
可用性要件Pod数,
最小Pod数
)
性能要件Pod数 = ceil(目標TPS / TPS_per_Pod)
可用性要件Pod数 = 障害許容Pod数 + ceil(必要処理能力 / (1 - 障害時低下率))
TPS/Pod目安:
| ワークロード | 従来 | v3.17最適化有効 |
|---|---|---|
| 読み取りヘビー | 1,500-3,000 | 2,000-4,000 |
| バランス型 | 800-1,500 | 900-2,400 |
| 書き込みヘビー | 300-800 | 500-1,200 |
※ v3.17最適化 = piggyback_begin + write_buffering + async_commit
3.2 Kubernetes Node数計算
必要Node数 = ceil(総Pod数 / Node_Capacity) × 冗長係数
Node_Capacity = (Node_CPU - System_Reserved) / Pod_CPU_Request
冗長係数 = 1.3〜1.5（障害時のリスケジュール余裕）
3.3 バックエンドDBサイジング
詳細は references/database-sizing.md を参照。
4. 費用算出
4.1 為替レート
USD/JPY = 150円（見積もり時点の想定レート）
※実際のレートは変動するため、参考値として使用
4.2 主要コンポーネント月額費用目安
詳細は references/cost-reference.md を参照。
AWS費用目安（円/月）※ScalarDBライセンス込み
直接契約 Standard ライセンス（¥100,000/Pod/月）の場合:
| コンポーネント | 開発(2Pod) | テスト(3Pod) | ステージング(3Pod) | 本番(5Pod) |
|---|---|---|---|---|
| ScalarDB License | ¥200,000 | ¥300,000 | ¥300,000 | ¥500,000 |
| EKS クラスター | ¥11,000 | ¥11,000 | ¥11,000 | ¥11,000 |
| EC2 (Node) | ¥22,500 | ¥67,500 | ¥112,500 | ¥225,000 |
| Aurora PostgreSQL | ¥9,000 | ¥27,000 | ¥60,000 | ¥120,000 |
| Kong OSS (EKS上) | ¥0 | ¥0 | ¥0 | ¥0 |
| ALB | ¥3,000 | ¥4,500 | ¥7,500 | ¥15,000 |
| 合計目安 | ¥245,500 | ¥410,000 | ¥491,000 | ¥871,000 |
直接契約 Premium ライセンス（¥200,000/Pod/月）の場合:
| コンポーネント | 開発(2Pod) | テスト(3Pod) | ステージング(3Pod) | 本番(5Pod) |
|---|---|---|---|---|
| ScalarDB License | ¥400,000 | ¥600,000 | ¥600,000 | ¥1,000,000 |
| インフラ費用 | ¥45,500 | ¥110,000 | ¥191,000 | ¥371,000 |
| 合計目安 | ¥445,500 | ¥710,000 | ¥791,000 | ¥1,371,000 |
AWS Marketplace Pay-as-you-go Standard（$1.40/Pod/時間）の場合:
| コンポーネント | 開発(2Pod) | テスト(3Pod) | ステージング(3Pod) | 本番(5Pod) |
|---|---|---|---|---|
| ScalarDB License | ¥306,600 | ¥459,900 | ¥459,900 | ¥766,500 |
| インフラ費用 | ¥45,500 | ¥110,000 | ¥191,000 | ¥371,000 |
| 合計目安 | ¥352,100 | ¥569,900 | ¥650,900 | ¥1,137,500 |
※ AWS Marketplace Pay-as-you-go: $1.40/Pod/時間 × 730時間 = $1,022/Pod/月 ≈ ¥153,300/Pod/月 ※ 参照: https://aws.amazon.com/marketplace/pp/prodview-jx6qxatkxuwm4
4.3 費用削減オプション
- Reserved Instances: 〜40% 削減
- Savings Plans: 〜30% 削減
- Spot Instances (開発/テスト): 〜70% 削減
5. 出力フォーマット
5.1 Markdown出力
見積もり結果を構造化されたMarkdownで出力。セクション:
- エグゼクティブサマリー
- 要件概要
- アーキテクチャ図（Mermaid）
- コンポーネント別構成（サイジング根拠を含む）
- 費用内訳
- 推奨事項
5.2 サイジング根拠の記載（必須）
各コンポーネントのサイジングには、必ず算出根拠を記載する。
ScalarDB Cluster Pod数の根拠記載例
**Pod数計算根拠**:
- 性能要件: 2,000 TPS ÷ 1,000 TPS/Pod（バランス型ワークロード）= 2 pods
- 可用性要件 (99.95%): 障害時も4pod稼働必要 → 最低5 pods
- 異種DB構成オーバーヘッド (+10-20%): +1 pod
- **合計: 6 pods**
Kubernetes Node数の根拠記載例
**Node数計算根拠**:
- ScalarDB Pool: 6 pods × 2vCPU = 12vCPU必要 → r6i.2xlarge(8vCPU) × 2 = 16vCPU + 冗長1台 = 3台
- Application Pool: 12 pods × 1vCPU = 12vCPU必要 → m6i.xlarge(4vCPU) × 4 = 16vCPU + 冗長1台 = 5台
- System Pool: 監視・Ingress等 → m6i.large × 2台
- **合計: 10 nodes**
バックエンドDB構成の根拠記載例
**データベース構成根拠**:
- Aurora PostgreSQL: マスターデータ（ユーザー、商品、注文）の参照整合性・複雑なクエリに最適
- DynamoDB: セッション管理・イベントログの高スループット書き込みに最適
- ScalarDBにより異種DB間でACIDトランザクションを実現
インスタンスサイズの根拠記載例
**Aurora インスタンスサイズ根拠**:
- 想定TPS: 2,000 TPS
- ScalarDBオーバーヘッド: 1更新あたり約5倍のI/O → 実効10,000 IOPS
- db.r6g.2xlarge: 最大20,000 IOPS対応、64GiBメモリでワーキングセット格納可能
**DynamoDB キャパシティ根拠**:
- 書き込み: 1,000 TPS × ceil(2KB/1KB) = 2,000 WCU（ScalarDBオーバーヘッド込み）
- Coordinator: 1,000 TPS × 1 WCU = 1,000 WCU
- 読み取り: 1,000 TPS × ceil(2KB/4KB) × 1（強整合性）= 1,000 RCU
- **合計: 3,000 WCU + 1,000 RCU → 余裕を見て4,000 WCU + 2,000 RCU**
5.3 アーキテクチャ構成の根拠記載（必須）
アーキテクチャ選択の理由を明記する。
アーキテクチャパターンの根拠記載例
**アーキテクチャ構成根拠**:
- 標準4層構成（API Gateway + BFF + Process API + System API）を採用
- 理由: 責務の分離、スケーラビリティ、チーム分割の柔軟性
- Kong Enterprise (DB-less)を選択
- 理由: GitOps親和性、Admin API不要、Kong Manager/Vitals/RBAC等のエンタープライズ機能
- Prometheus + Grafanaを選択
- 理由: OSSでコスト効率良好、ScalarDB公式でPrometheus対応
異種DB構成の根拠記載例
**異種複数データベース構成の理由**:
| データ種別 | データベース | 選定理由 |
|----------|------------|---------|
| ユーザー情報 | Aurora PostgreSQL | 参照整合性、複雑なJOINクエリ対応 |
| 注文・在庫 | Aurora PostgreSQL | トランザクション整合性、外部キー制約 |
| セッション | DynamoDB | 高スループット読み書き、低レイテンシ |
| イベントログ | DynamoDB | 大量書き込み、TTLによる自動削除 |
→ ScalarDBにより、Aurora ↔ DynamoDB間でACIDトランザクションを実現
5.4 HTML出力
scripts/generate_html.py を使用してHTML形式のレポートを生成。
または、Markdown内容をHTML形式でも出力。
HTMLには以下を含める:
- 見やすいテーブルスタイル
- アーキテクチャ図
- サイジング根拠セクション
- 費用グラフ（可能であれば）
- 印刷対応スタイル
6. 標準アーキテクチャパターン
デフォルトアーキテクチャ（明示的指定がない場合）:
単一データベース構成
flowchart TB
subgraph Internet
Client[クライアント]
end
subgraph K8s["Kubernetes Cluster"]
subgraph Gateway["API Gateway Layer"]
Kong[Kong API Gateway<br/>DB-less Mode]
end
subgraph App["Application Layer"]
BFF[BFF<br/>Backend for Frontend]
Process[Process API<br/>ビジネスロジック]
System[System API<br/>データアクセス]
end
subgraph Data["Data Layer"]
ScalarDB[ScalarDB Cluster<br/>ACIDトランザクション管理]
end
end
subgraph DB["Backend Database"]
Primary[(Primary DB<br/>Aurora PostgreSQL)]
Replica[(Read Replica)]
end
Client --> Kong
Kong --> BFF
BFF --> Process
Process --> System
System --> ScalarDB
ScalarDB --> Primary
ScalarDB --> Replica
異種複数データベース構成（ScalarDBの真価）
flowchart TB
subgraph Internet
Client[クライアント]
end
subgraph K8s["Kubernetes Cluster"]
subgraph Gateway["API Gateway Layer"]
Kong[Kong API Gateway<br/>DB-less Mode]
end
subgraph App["Application Layer"]
BFF[BFF]
Process[Process API]
System[System API]
end
subgraph Data["Data Layer"]
ScalarDB[ScalarDB Cluster<br/>分散トランザクション]
end
end
subgraph Databases["異種データベース"]
subgraph RDBMS
Aurora[(Aurora PostgreSQL<br/>マスターデータ)]
end
subgraph NoSQL
DynamoDB[(DynamoDB<br/>高スループット)]
end
subgraph GlobalDB["グローバル分散"]
Spanner[(Cloud Spanner<br/>地理分散)]
end
end
Client --> Kong
Kong --> BFF
BFF --> Process
Process --> System
System --> ScalarDB
ScalarDB -->|ACID| Aurora
ScalarDB -->|ACID| DynamoDB
ScalarDB -->|ACID| Spanner
マルチクラウド構成
flowchart TB
subgraph Internet
Client[クライアント]
end
subgraph AWS["AWS"]
subgraph EKS["EKS Cluster"]
Kong[Kong Gateway]
App[Application Pods]
ScalarDB[ScalarDB Cluster]
end
Aurora[(Aurora PostgreSQL)]
end
subgraph Azure["Azure"]
CosmosDB[(Cosmos DB)]
end
subgraph GCP["GCP"]
Spanner[(Cloud Spanner)]
end
Client --> Kong
Kong --> App
App --> ScalarDB
ScalarDB -->|ACID| Aurora
ScalarDB -->|ACID| CosmosDB
ScalarDB -->|ACID| Spanner
7. CI/CD パイプライン構成
全環境で CI/CD を考慮:
flowchart LR
subgraph Source["ソース管理"]
GL[GitLab]
end
subgraph CI["継続的インテグレーション"]
GLCI[GitLab CI]
Build[ビルド/テスト]
Scan[セキュリティスキャン]
end
subgraph CD["継続的デリバリー"]
Argo[ArgoCD]
end
subgraph Environments["環境"]
Dev[開発環境]
Test[テスト環境]
Staging[ステージング]
Prod[本番環境]
end
GL --> GLCI
GLCI --> Build --> Scan --> Argo
Argo --> Dev
Dev -->|自動| Test
Test -->|承認| Staging
Staging -->|承認| Prod
CI/CDツール（標準構成）
Q: CI/CDツールを選択してください
A) GitLab CI + ArgoCD - GitOps標準構成（推奨）
B) GitHub Actions + ArgoCD - GitHub環境向け
C) Azure DevOps + ArgoCD - Azure環境向け
D) Jenkins + ArgoCD - 既存Jenkins環境向け
E) カスタム構成 - 独自のCI/CD構成
標準CI/CD構成
- ソース管理: GitLab（標準）
- CI: GitLab CI
- CD: ArgoCD (GitOps)
- コンテナレジストリ: GitLab Container Registry / Harbor
- Helm Charts: ScalarDB Helm Charts
8. 質問テンプレート
情報が不足している場合、AskUserQuestion ツールで以下の形式で質問:
{
"questions": [
{
"question": "見積もる環境タイプを選択してください",
"header": "環境",
"options": [
{"label": "開発環境", "description": "開発者が機能開発・単体テストを行う環境"},
{"label": "テスト環境", "description": "QAチームが結合テスト・E2Eテストを行う環境"},
{"label": "ステージング環境", "description": "本番同等構成でリリース前検証"},
{"label": "本番環境", "description": "実際のユーザーがアクセスする環境"}
],
"multiSelect": false
}
]
}
参照ファイル
references/scalardb-cluster-sizing.md- ScalarDB Cluster詳細サイジング（オーバーヘッド計算含む）references/scalardb-analytics-sizing.md- ScalarDB Analytics詳細サイジング（EMR/Databricks）references/database-sizing.md- バックエンドDB詳細サイジング（AWS/Azure/GCP）references/kubernetes-sizing.md- Kubernetes詳細サイジング（EKS/AKS/GKE）references/cost-reference.md- 費用参照テーブルscripts/generate_html.py- HTMLレポート生成スクリプト