アプリケーションの次なる旅路：データの海から価値を引き出す

Ken Arora

「データは新たな石油である」、あるいは「データはデジタル経済の潤滑油である」。私と同じように、こうした表現や、さらにはビジネススクール風の「データ排出物の収益化」という表現を、陳腐に感じるほど耳にしてきた方も多いでしょう。しかし、優れた決まり文句がそうであるように、これらも根本的な真実、より正確には相互に補完し合う2つの真実に基づいています。1つ目は、通常の業務プロセスから副次的に生じるデータには、確かに潜在的な価値があるということです。2つ目は、これと関連しながらもあまり語られない真実です。その潜在価値を引き出すには多大な労力を要する複数段階の道のりが必要ですが、その過程には自然な進展と成熟の段階があります。

少し視野を広げてみると、業務からデータを収集し、ビジネス価値を引き出すという考え方は、決して新しいものではありません。実際、食料品や配送など、物流の最適化が重要な業界では、以前からこの考え方が理解され、取り入れられてきました。同様に、現代の企業で進む「デジタルトランスフォーメーション」も、この考え方を一般化したものであり、通常はまず社内のビジネスプロセスやワークフローに適用されます。注目すべきは、アプリケーションとアプリケーションサービスの分野でも、これと同様の進化が起きていることです。本記事では、アプリケーションとアプリケーションサービスの進化が、データから価値を引き出すという大きなメガトレンドとどのように相互作用し、調和しているのか、その共生関係が現在どの段階にあり、近い将来どこへ向かうのかを考察します。

ステップ1：収集とレポート

この取り組みは、データの収集から始まります。データはシステムの燃料と考えると分かりやすいでしょう。燃料がなければ、実際に処理を担うエンジンを動かせません。アプリケーションサービスソリューションからは、セキュリティ、信頼性、パフォーマンス管理、オーケストレーションに関する膨大なイベントや統計情報を取得できるため、一見するとデータ収集はすでに実現しているように思えます。しかし、データは構造化されていないことが多く、構文も一定せず、セマンティクスも場当たり的になりがちです。単純ながら一般的な例として、データ内で時間という概念がどのように表現されているかを考えてみましょう。タイムスタンプのように概念上は単純なものでも、通常はさまざまな表現方法があります。このことから、イベントや統計情報を記述する基本的な「原子」に共通の表現、つまり共通言語が必要であることが分かります。技術用語では、これを「データ取り込み」と呼びます。一貫したデータスキーマを基盤とし、必要に応じてアダプターやトランスレーターを活用します。歴史的に、このニーズはSIEMベンダーの成長と価値向上を後押しした主要因の1つでした。SIEMベンダーは、多数の個別セキュリティソリューションを横断してセキュリティを包括的に把握できるよう、この標準化された語彙を提供するというニーズに応えてきました。現在、業界の大半が到達しているのは、データを統合して提示できる段階です。つまり、現在起きていることと過去に起きたことを、整理された包括的な目撃記録として出力できます。現在のアプリケーションエコシステムでは、主にSIEMとAPMの各市場分野がその代表例です。

ステップ2：抽出して記述

次のステップでは、目撃者の報告を読み解きます。共通点を探し、データを説明可能なパターンに整理し、異常を特定します。扱うデータ量が多いため、通常、この作業ではコンピューターを活用して人の能力を支援・補完します。具体的には、高度な統計的分類手法（多くの場合は教師なし学習）を使用し、必要に応じて人が主導するデータ探索や可視化を組み合わせます。

DoS対策分野の例として、受信トラフィックの地理的特性を可視化する手法があります。これは、少数の国を発信元とする悪意のあるトラフィックを特定するためによく使用されます。もう1つの例は、人間とボットの行動特性を分析するユーザー行動分析（「UBA」）ツールです。こうしたソリューションでは、多くの場合、統計分析を用いて、Web上の操作が人間によるものである確率を算出します。

このジャーニーにおける「抽出と記述」のフェーズは、前段階の「収集とレポート」から発展したものです。このフェーズでも、分析を適用するための大規模かつ構造化されたデータプールが基盤として必要です。前述のとおり、このアプローチは、比較的新しいアプリケーションセキュリティ向けポイントソリューションの一部（ただし対象範囲は限定的）の基礎となっています。

ステップ3：推論と予測

この取り組みの第3ステップでは、「抽出と記述」による基本的な分析から一歩進み、より深い分析的推論を行うことで、将来予想される観測結果についての予測や見通しを導き出します。将来予想される動作をインテリジェントに推定することで、単なる事後対応にとどまらないソリューションへと進化させます。アプリケーションインフラストラクチャ層の例としては、アプリケーションパフォーマンス管理（APM）の分野が挙げられます。具体的には、時間に基づく動作パターンを特定し、そのパターンを使用して将来のリソース要件を予測します。アプリケーションのビジネスロジックに関する別のユースケースとして、旅行サイトでは機械学習（ML）の手法を使用し、将来の特定の日付における特定路線の需要と供給を予測しています。ここでは、前のステップで見つかったデータパターンを基に、時系列分析や線形回帰などの高度な分析技術が主に使用されます。

ステップ4：推論と提案

第4の最終ステップでは、「ループを閉じる」ことで、システム全体に対して実行可能な調整と修復を行います。前の2つのステップで得られた分析結果は、プロアクティブな推奨事項としてまとめられます。この段階で、システムは適応性を備え、攻撃や環境の変化に対する堅牢性を高めます。たとえば、この機能を利用する概念上のアプリケーションインフラストラクチャでは、予測需要に基づいてコンテナワークロードのインスタンスをプロアクティブに作成または破棄できます。また、アプリケーションセキュリティの観点では、過去に学習したボットネットの挙動に基づき、ボットネットが生成したトラフィックをプロアクティブにフィルタリングすることも考えられます。すでに実用化されている代表的な例として、ビジネスロジック分野のダイナミックプライシングがあります。これも、予測される需要と供給に基づく仕組みです。

基盤となるテクノロジーにはルールベースのものが多く、ルールを使用して予測をアクションに変換します。ただし、アプリケーションインフラストラクチャとアプリケーションサービスでは、このアプローチを、構成やオーケストレーションのための、よりインテントベースまたは宣言型の指示と組み合わせることがよくあります。

ジャーニーの加速

「収集と報告」から「抽出と記述」、「推論と予測」を経て、最終的に「判断と提案」へと至る道のりは、自然な進化の過程です。段階的な進歩はそれぞれ、それまでの成果を基盤として、より深い洞察をもたらす新たな価値を引き出します。現在、アプリケーションインフラストラクチャとサービス分野の課題に対応する各種ソリューションは、このデータ価値抽出の進化における成熟度にばらつきがあり、多数のポイントソリューション間でも十分に統合されていないのが一般的です。

その前段となる重要なステップ、すなわちデータ「エンジン」の「燃料」とも言えるのが、多様なアプリケーションサービス全体の可視性を確保することです。アプリケーションデリバリーチェーンの複数箇所に導入するこの計測機能に、一貫したデータセマンティクスとフェデレーション型データリポジトリの原則を組み合わせることで、F5はアプリケーションサービスの未来に向けた歩みを加速しています。さらに、ポイントソリューション間の連携を強化できるようデータファネルを拡大すると同時に、関連する技術要素の高度な開発を迅速化し、お客さまへの価値提供を一層加速していきます。

今後の記事では、データ主導型アーキテクチャについてさらに掘り下げたいと考えています。関連する中核技術を詳細に解説するとともに、視野を広げ、独立した複数のデータパイプラインにまたがる複数のデータエコシステム間の相互作用についても考察します。

著者について

Ken Arora

Ken Aroraのその他のブログ記事