Shuichiro Ogawa
English

Notes ・ updated 2026-08-07

概要

実インフラや実サービスを運用する前に、システムアーキテクチャをシミュレーション、エミュレーション、事前演習で検証し、あるいはそれを通じて学習する手段の産業実態を整理した。 対象は (a) 事前検証技術（決定論的シミュレーションテスト、カオスエンジニアリング、ローカルエミュレーション、フォーマル手法の産業利用、デジタルツイン）、(b) 演習型の学習サービス（サンドボックス演習、サイバーレンジ）、(c) 標準と公的ガイド、(d) スキル需要の4点である。 収集は T1（公的機関と標準）、T2（独立系調査）、T3（開発者と運用当事者の一次証言）に労働市場データを加えた4系統で行い、46 件のデータ点を記録した（heavy 除外 1 件と方法論非開示の一括除外群、marketing-claim 分離 2 件）。 学術側の系譜（シミュレーション教育の学習科学、フォーマル手法の研究文献など）は本ノートの対象外で、academic mode の収集として別立てにする。

公的機関と標準（T1）

事前検証の共通語彙は、デジタルツインと分散シミュレーションの2系統で標準化が進んでいる。

デジタルツインの用語は ISO/IEC 30173:2023 が「観測可能な実体に対応した目的適合的なデジタル表現で、実体と表現の間に同期を持つもの」と定義した。 同期を要件とする点で、一方向のシミュレーションとは概念上区別される。 一方 NIST IR 8356（2025）はデジタルツインを既存のモデリングとシミュレーション能力の延長として位置づけており、両者の定義には連続か区別かの揺れがある。 製造分野では ISO 23247 シリーズ（2021）が、シミュレーションによる事前検証を想定した参照アーキテクチャを規定している。 経済面では NIST AMS 100-61（2024）が、データ追跡と分析への投資コストが 85 パーセンタイル以上という条件付きで、製造業のデジタルツイン採用の潜在的影響を総計 379 億ドルと推定した（市場規模の実測ではない点に注意）。

分散シミュレーションの系統では、IEEE 1516-2025（HLA 4）がクラウドとコンテナへの対応を含む大幅改訂として 2025 年に発行され、IEEE 1730-2022（DSEEP）が設計から実行までのプロセス枠組みを定める。 アーキテクチャ記述そのものの標準は ISO/IEC/IEEE 42010:2022 が担う。

学習サービス側の公的定義としては、NIST SP 800-50 Rev.1（2024）由来の用語集がサイバーレンジを「現実的なトレーニング、シナリオ、チャレンジ、演習を安全なサンドボックス環境で提供するウェブベースの環境」と定めている。 組織規模の事前演習については、ENISA が演習の計画から評価までの方法論（2026）を公刊し、汎欧州演習 Cyber Europe のアフターアクションレポート（2022、2024）を公式記録として残している。 標準・公的ガイドの本文の多くは有料または PDF のため、定義の条項レベルの確認は未了である（コーパスに [要一次検証] として記録）。

独立系調査の事実（T2、ポジション除去済み）

この節の数値は、推奨や将来断定を除去した事実部分のみを扱う。 Gartner 由来の 2 点はペイウォールで方法論を確認できず、[要一次検証] のまま保持している。

事前検証環境のあり方について、ThoughtWorks Technology Radar は一貫した評価変化を示している。 Vol.31（2024）は全社共有の統合テスト環境を Hold（回避推奨）とし、「ボトルネック化し、環境差異による誤った安全感を与える」として ephemeral な環境と contract testing を代替に挙げた。 同時に in-memory のコンポーネント単位テストを Adopt とし、Vol.32（2025）では fuzz testing を Adopt に昇格させた。 つまり「実環境に近い共有環境を維持する」方向ではなく、「隔離され再現可能な事前検証」へ実務の推奨が寄っている。 なおカオスエンジニアリング自体の Radar 評価は 2019 年の Trial が最終で、以後は掲載枠の都合で非掲載である（価値低下の判定ではないと明示されている）。

採用率の定量では、CNCF Annual Survey 2024（750 名、自己選択バイアスあり）が platform engineering の専任チーム保有 28%、マルチチーム対応 41% と報告した。 カオスエンジニアリングの本番適用は CNCF 2023 調査で約 12%、評価中が約 40% にとどまる。 Gartner Peer Community 調査は 59% が導入中と報告するが、標本と定義を確認できない（[要一次検証]）。 この乖離は、母集団（クラウドネイティブ実践者か、Gartner 顧客か）と「導入」の定義の差でありうるため、単一の採用率として引用するわけにはいかない。 DORA 2024 は、AI 採用の 25% 増加に対しデリバリー安定性 -7.2% という負の関連を報告しており（Google Cloud 運営のため partial 判定）、生成 AI 時代にむしろ事前検証手段の価値が上がりうることを示唆する事実として読める。

開発者と運用当事者の証言（T3）

作った当人と運用した当人の証言は、事前検証の3つの系譜を描く。

**決定論的シミュレーションテスト（DST）**の系譜は FoundationDB に始まる。 Will Wilson は 2014 年の講演で、ネットワーク、ディスク、マシンをソフトウェア層に置換して障害を完全制御し、同じシードで再実行して非決定性の混入を検出する設計を説明した。 同氏が創業した Antithesis は、単一プロセスという DST の規律の「純粋さを犠牲にして」ハイパーバイザー方式で既存コードベースに開放したと語り、顧客は PR 前検証ではなくナイトリー実行から始めるという速度と網羅性のトレードオフを明かしている。 TigerBeetle はシミュレータを Safety（障害下の直列化可能性）と Liveness（クォーラム存在時の可用性維持）の2モードに分割し、再起動が隠していた「共鳴バグ」を Liveness モードで発見したと報告した。 Antithesis 自身のドキュメントも、外部依存のモックなしに決定論を維持できないこと、レガシーへの後付けが困難なことを制約として明記している（優位主張は marketing-claim として分離した）。

フォーマル手法の産業利用では、AWS のエンジニアらが 2015 年に、S3 規模では従来のテストで解決困難な設計問題に TLA+ を適用し 7 チームが価値を認めたと一人称で報告した。 後続の P 言語は、設計者 Ankush Desai によれば 80 以上のサービスチームと 600 以上の開発者に採用され、S3 の強一貫性移行などで実装前に重大バグを発見している。

カオスエンジニアリングと組織演習は、実環境そのものを学習装置にする系譜である。 Netflix は 2011 年の Simian Army で「障害は必ず起きる」前提を置き、エンジニアが在席する業務時間中に意図的に障害を起こして対応力を鍛える設計を示した。 2015 年の Chaos Kong はリージョン全体の障害を演習し、その直後に実際の DynamoDB 障害へ対応できたことを効果の根拠に挙げている。 Google の DiRT を約 9 年主導した Kripa Krishnan は、技術的な脆弱性だけでなく、特定の専門家を意図的に演習へ参加させないことで運用上の単一障害点を検出する設計を語った。

ローカルエミュレーションと学習サービスの証言は、忠実度と運用制約のトレードオフを示す。 LocalStack の共同創業者は、400 超の AWS サービスを完全再現せずコア 15〜20 サービスに集中し、AWS の意図的な遅延は再現せず開発生産性を優先したと語る。 演習型学習サービスでは、iximiuz Labs の創業者が Firecracker microVM のネスト仮想化不可やカスタムカーネルの必要性、同時 100〜200 プレイグラウンドという規模上限を明かし、SadServers の創設者は「特定の問題と勝利条件を持つ実サーバー環境」の不在と採用面接の標準化を創作動機として挙げた。 学習サービスは、実インフラの忠実な再現ではなく、制約された環境での問題設定の質を売りにしている。

労働市場とスキル需要

事前検証と信頼性のスキルを担う職種の市場は、統計上の切り出しが難しい。 SRE には BLS の独立した職業分類コードがなく、複数職種に分散して集計値がない。 近接職種では、Computer Network Architects が中央値年収 $130,390、2024–2034 年成長見通し +12%、Software Developers 職種群が中央値 $133,080、+15% である（BLS、一次ページは未到達のため [要一次検証]）。 求人側では、米テック系求人投稿が 2025 年 7 月時点で 2020 年 2 月比 -36% と低迷する一方、データセンター関連求人は 2023–2026 年で 3 倍超に増えた（Indeed Hiring Lab。SRE の職種別分離はない）。 給与の自己申告データは、Glassdoor（base 中心、平均 $172,508）と Levels.fyi（total compensation 中央値 $205,000）で定義が異なり直接比較できない。 学習手段については、Stack Overflow 2024（65,437 件）がオンラインリソース 82.1%、e コースと認定 50% などを報告するが、演習型やシミュレーション型の学習を切り出した設問は存在しない。

学生教育への適用（本調査から言えること）

本調査の背景には、学生にシステム設計を学ばせる手段の検討がある。 産業データのうち教材選定に直接使えるのは、演習型学習サービスの設計思想と、ブラウザで完結する事前検証教材の2点である。

演習型学習サービスは、実インフラの忠実な再現ではなく、勝利条件つきの問題設定を製品価値にしている。 iximiuz Labs はブラウザから使える microVM ベースのプレイグラウンドでコンテナと Kubernetes の演習を提供し、SadServers は「特定の問題と勝利条件を持つ実サーバー環境」として Linux トラブルシューティングのシナリオ演習を提供する。 授業設計に翻訳すると、教育機関が問うべきは「本番環境にどれだけ似せられるか」ではなく「学生が制約の中で何を診断し、何をもって解けたと判定するか」という問題設定の質になる。 創業者が公開した設計制約（ネスト仮想化の不可、カスタムカーネルの必要性、同時 100〜200 プレイグラウンドという規模上限）は、同等環境を大学が自前構築する場合のコストとインフラ要件を見積もる参考にもなる。

事前検証技術の側では、ブラウザだけで完結する教材が既に存在する。 TigerBeetle は分散データベースのシミュレータをブラウザ内で公開しており、読み取り 8%、書き込み 9% の確率でデータ破壊を注入しながら合意プロトコルの挙動を観察できる（3.3 秒のシミュレーションが実時間 39 分に相当）。 決定論的シミュレーションテストの考え方（障害をソフトウェア層で完全制御し、同じシードで再実行して非決定性を検出する）は、学生に「起こりうる障害を列挙し、その下でも成り立つ性質を言語で定義させる」課題として翻訳できる。 AWS の TLA+ と P 言語の事例は、実装前の設計段階で重大バグを発見できることの産業側の実証であり、形式手法を設計教育に組み込む動機づけに使える。

組織演習の系譜は、技術ではなく人と手順を検証対象にする点で、チーム演習型の授業に示唆がある。 Google DiRT の「特定の専門家を意図的に演習へ参加させない」設計は、属人化した知識という運用上の単一障害点を検出する仕掛けであり、グループ課題でメンバーを一時的に離脱させるロールプレイとしてそのまま模倣できる。

モジュール組み合わせ型の学習サービス（追補）

追補の問いは、「Load Balancer を置かないと過負荷で使えなくなる、VPC の設定を誤ると公開リソースに到達できなくなる、といった帰結をモジュールの組み合わせで学べるサービスはあるか」である。 ベンダー公式（vendor-primary）と第三者（developer-voice）の2系統で追加収集した（台帳はコーパスの追補節）。

この形に最も近いのは、クラウドベンダーの公式教材ではなく、個人開発者による無料のシミュレータとゲームだった。 Server Survival は、GeoDNS、CDN、ロードバランサー、キャッシュ、DB、メッセージキューなど 26 種のコンポーネントを配置して増加するトラフィックを受け、容量不足や経路なしの失敗をリアルタイムの RPS、エラー率、レイテンシで観察するブラウザゲームで、無料で公開されている。 OSS の system-design-simulator は 35 種のコンポーネントを自由に配線し、毎秒 1K から 500K のリクエストを流してボトルネックとカスケード障害を検出する。 Paperdraw は配線した構成にトラフィックスパイク、キャッシュミスストーム、ネットワーク分断、コンポーネントクラッシュを注入するカオススイッチを備え、systemdesignsimulator.org はストレステストモードで「どのコンポーネントが最初に飽和するか」を表示する。 いずれも個人開発の無料ツールであり、モデルの忠実度と保守の継続性は保証されない点が教材採用時の留意点になる。

クラウドベンダーの公式演習は「正しい構成を構築する」型が中心で、「構成ミスの帰結を体験する」型は障害注入サービスの周辺にだけある。 AWS Cloud Quest と SimuLearn、Google Cloud Skills Boost、Microsoft Learn のラボは、実クラウド環境で VPC やロードバランサーを構築して自動採点する形式だが、LB なしの過負荷や VPC 設定ミスの帰結を観察する演習は3社とも確認できなかった。 帰結体験に最も近い公式教材は AWS Well-Architected Labs の Reliability 300 ラボ（EC2、RDS、AZ の障害を Fault Injection Service で注入して挙動を観察する）と、FIS 公式チュートリアル（EC2 から S3 への接続遮断を実測する。VPC 到達不可の体験に相当）である。 Azure Chaos Studio も同種のマネージド障害注入を提供する。 ただしいずれも実クラウドアカウント上で動くため、学生への展開にはコストと権限のガードレール設計が要る。

両者の中間に、壊れた構成を修復する型と、無コストで壊せる環境がある。 SadServers には HAProxy や Traefik のラウンドロビンが機能しない構成を制限時間内に直すシナリオ（Tarifa、San Juan）と到達不可を診断するシナリオ（Batumi）があり、LB 設定ミスの帰結を修復側から学べる。 LocalStack は VPC、サブネット、ALB の構成をローカルのエミュレータ上で組めるため、設定ミスの失敗をコストゼロで繰り返せる（GitHub Student Developer Pack の認定学生は上位プランが無料）。 ただし帰結の可視化は自動ではなく、学習者が自分でログを読むことになる。 単一コンポーネントに限れば、samwho.dev の Load Balancing と Queueing のインタラクティブ可視化が、アルゴリズム差やキュー満杯時のドロップを操作しながら体験できる導入教材として使える。

ただし、本調査が教育効果について言えることはない。 演習型やシミュレーション型の学習が講義型より有効かを示す独立調査は産業側に存在せず（Stack Overflow 2024 にも該当する設問がない）、システム設計演習サービスの利用実態調査も見つからなかった。 教材採用の判断に効果エビデンスが必要なら、学習科学と教育工学の査読文献を academic mode で別途収集する必要がある。

空白（未充足の論点）

  • 決定論的シミュレーションテストの採用率を示す独立系の定量調査は存在しない。現状の根拠は開発当事者の証言（T3）に限られる。
  • カオスエンジニアリングの採用率は調査間の乖離（12% 対 59%）が未解決で、母集団と定義を揃えた独立調査が欠けている。
  • 演習型学習サービス（サイバーレンジ以外の商用サービス）の利用実態を示す方法論明示の調査は見つからなかった。
  • コンサル大手（McKinsey、BCG、Deloitte）には本トピックに特化した方法論明示の定量がなく、T2 は技術レーダーとコミュニティ調査に依存している。
  • シミュレーションを用いた学習の効果検証（学習科学、教育工学）は学術側の領分であり、本ノートの産業データと接続する文献収集は別途 academic mode で行う。
  • モジュール組み合わせ型シミュレータ（追補節）は個人開発の無料ツールに集中しており、教育機関での採用実態、シミュレーションモデルの忠実度、保守継続性を示す調査は存在しない。「LB の有無で過負荷の帰結を比較する」演習はベンダー3社の公式教材からは確認できなかった。

参照文献

すべて 2026-08-07 アクセス。台帳の詳細（方法論、ポジション判定、要一次検証の全項目）は source/review/system-architecture-simulation-learning/industry.md を参照。

公的機関・標準（T1）

独立系調査（T2）

開発者・運用当事者の証言（T3）

追補（モジュール組み合わせ型学習サービス）

労働市場

← Notes 一覧 ・ ホーム