1-1 | Freeプランでも使えるようになった背景と仕組み

2025 年3 月のアップデートで Hyperdrive は 1 接続プール / 1 GB ストレージ まで
Freeプランに開放されました。ポイントは次の 3 つです：

1. Regional Pools が TLS ハンドシェイクと再接続を肩代わり
2. Connection Coalescing でコネクションを多重化
3. Adaptive Idle TTL により低利用リージョンのコストを自動最適化

1-2 | 既存 MySQL / PostgreSQL への乗せ換え手順

# ① Hyperdrive を作成
$ wrangler hyperdrive create prod-db --type=mysql

# ② wrangler.toml に追記
[[hyperdrive]]
name   = "prod-db"
origin = "mysql://user:pass@db.internal:3306/app"

# ③ Worker から呼び出し
import db from "cloudflare:hyperdrive";
const rows = await db.execute("SELECT NOW()");

ベストプラクティス:
コネクションプール数 = 想定同時接続×1.5 を上限。
max_idle = 60 s 未満にしすぎるとコネクション再生成が頻発し、
“プチタイムアウト”の連鎖が発生します。

1-3 | 実測レイテンシ比較と運用時の落とし穴

約-88 %を達成。ただし Idle TTL を 10 s 未満 にすると
プールのリージョン切替が頻発しボラタイルな遅延が再発するため注意しましょう。

2-1 | 内部アーキテクチャを図解

Shard = 1 DO + SQLite + HNSW のミニ DB がリージョンに多数配置され、
Warp Routing で最短リージョンへ到達します。
hash(キー) ▶ 上位8bit を Shard-Key に採用すると、
セッション単位で地理的ローカリティが保たれ命中率が向上します。

2-2 | Embeddings×Durable Objects で作るリアルタイム類似検索

// worker.js（抜粋）
import { Vectorize } from "workers:vectorize";
export default {
  async fetch(req, env) {
    const q = new URL(req.url).searchParams.get("q") ?? "";
    const embedding = await env.AI.run("@cf/baai-bge-base-ja", { text: q });

    const results = await Vectorize.index("docs")
                     .query(embedding, { topK: 5 });
    return Response.json(results);
  }
}

わずか 40 行弱で日本語意味検索 API が完成します。

2-3 | コスト最適化：シャーディング & レプリカ戦略

• Write-Heavy：single-writer + N read replicas（TTL 5 min）
• Read-Heavy：Geo replica のみ、Queues + CRON で 5 s 同期
• Cold Partition：30 日無アクセス Shard → R2 エクスポート

3-1 | カタログ活用術 & Free枠モデル

ai.models.list() で以下の主要モデルが Free 枠に出力されます：

• 言語：llemma-8b, gemma-2b
• 画像：Stable Diffusion XL
• 音声：Whisper-v3

3-2 | LoRA 微調整モデルを 5 行で推論

import { ai } from "@cloudflare/ai";
export default {
  fetch: (req, env) =>
    ai.run("@cf-public-x/sd-ja-lora", { prompt: "富士山と桜" })
      .then(res => new Response(res.image,
        { headers: { "Content-Type": "image/png" } }))
};

3-3 | AI Gateway でコストを可視化

gateway.ai.metrics() → Slack 通知の鉄板フロー：

1. RPS, Avg Duration, GB-sec を取得
2. 日単位の閾値を超えたら wrangler alerts create
3. 「請求ショック」前にスロットリング → モデル統合

4-1 | メッセージング / コラボエディタの設計パターン

▶ 書き込み：DO で同期 & 排他ロック
▶ 確認応答：D1 で強整合 SELECT
これにより UI ジャーキングが最小となります。

4-2 | D1 マルチリージョン運用 TIPS

• レプリカ：d1 replicate --region（12 PoP まで）
• Write-Routing：cf-geo-countryで Primary へ 307 Redirect
• Cache Control：stale-while-revalidate=2 で体感を維持

4-3 | CRON × Queues の障害回復

// ワーカー内
queues.produce("retry-topic", failedTx);

export default {
  queue(batch) {
    for (const tx of batch.messages) {
      try { apply(tx); }          // D1 へ再適用
      catch { batch.retry(tx); }  // 30 回までリトライ
    }
  }
}

5-1 | Bot トラフィック ML 判定ロジック

1 秒あたり4,600 万 HTTP リクエストを二段階 ML（ヒューリスティック＋行動学習）
でスコアリング。2025 年時点は モデル v9 を運用中です。

5-2 | Magic Network Monitoring × SASE 連携

社内ルータから NetFlow を EDGAR PoP へ送信 →
DNS トンネリングを検知した瞬間に Access-Policy を block へ自動切替、
というユースケースが増えています。

5-3 | 24 時間以内にできる「ゼロトラスト化」チェックリスト

• Bot Fight Mode → ON（Free 可）
• WAF → Managed Ruleset: Cloudflare Managed
• DDoS Managed → Enhanced Protection
• Access → Email-OTP / OIDC

5-4 | 最新事例：AI スクレイピング防御の舞台裏

2025 年5 月、某メディア企業は AI モデル訓練目的の
Large-Scale Crawlers から 12 Gbps の流量を被弾。
新機能 AI Labyrinth を有効化した結果、
クローラはフェイクページ群へ誘導され、
実ページ到達率は 5 % 未満 に低下しました。