2026/01/23 5:10

オープンFGAにおけるP99の抑制：自己調整戦略プランナーを構築した方法

RSS: https://news.ycombinator.com/rss

要約▶

日本語訳:

概要：
OpenFGA のレイテンシークリティカルな「Check」API は、各グラフノードに対してリアルタイムで最適戦略を学習する自己調整型トラバーサルプランナーを採用しています。プランナーはトラバーサル選択を Multi‑Armed Bandit 問題として扱い、各ノードをアームとし、Normal‑Gamma 事前分布付きの Thompson Sampling が次に試すべきトラバーサル計画を選択します。レイテンシーサンプルは原子操作で事前分布を更新し、高度に同時実行的な環境でもスレッドセーフに学習が進みます。

この動的アプローチは、静的ヒューリスティックの代わりに確率的意思決定を導入することで、テールレイテンシーを劇的に削減します。Auth0 FGA モデルなどの複雑なケースでは P99 が 98 % まで低下 しつつ、平均パフォーマンスは変わりません。また、プランナーは特定のサブグラフで最適である場合にレガシーなトラバーサルロジックを「再発見」できるため、多様な顧客ワークロードにも柔軟に対応します。

実際には、ユーザーは一貫して高速化された認可チェックを体感し、企業は速度を犠牲にせずにより豊富なポリシーグラフを展開できます。統計的枠組みは今後の OpenFGA リリースでコア機能となる見込みで、新しいモデルやワークロードに対して自動最適化を提供し、アクセス制御エンジンにおける適応戦略の普及を促進します。

本文

レイテンシークリティカルなシステムの運用

レイテンシークリティカルなシステムでは、テイルレイテンシ（最も遅いリクエストが経験する応答時間）を削減する必要があります。
認可処理はすべてのリクエストで行われるため、決定は高速に実行されなければなりません。さもなくば、総応答時間に余分なオーバーヘッドが生じます。

OpenFGA（Google の Zanzibar をモデル化し、Auth0 FGA に動力を供給するオープンソース認可システム）では、その最も重要な操作である Check が課題です。
「ユーザー X はリソース Y にアクセスできるか？」という質問に答えるには、関係性グラフをトラバーサルする必要があります。この文脈では、トラバーサル性能は単なる機能ではなく、システムアーキテクチャの根本的な制約となります。

問題点

OpenFGA の中心には、関係性タプルから構成されるグラフがあります。
それは 重み付き有向循環グラフ であり、各辺とノードにサブグラフ内の到達可能なユーザータイプごとの重み（複雑度）が割り当てられています。また、再帰性・循環存在・パブリックアクセス可否などのメタデータも保持しています。
これらの情報を利用すれば、適切なトラバーサルアルゴリズムを O(1) で選択できます。

重み付きグラフを使って新しいアルゴリズムを導入した結果、一部のお客様にレイテンシが改善しましたが、全体的には一律ではありませんでした。最適戦略は「静的なグラフ特性」と「各サブグラフ内のタプル分布」の両方に依存するため、トラバーサルプランナー（ヒューリスティックエンジン）が必要になりました。
このプランナーは、両者を基に各サブグラフに最適なアルゴリズムを選択します。

私たちのアプローチ：トンプソンサンプリング

実行中に観測される性能に応じて 動的に トラバーサル選択を変更できる適応型ヒューリスティックを作りたかったため、カウンタや閾値といった手法は脆弱で「マジックナンバー」を常に調整する必要があると感じました。

核心的な洞察は、この問題を古典的な強化学習シナリオ ― Multi‑Armed Bandit (MAB) 問題として捉えることでした。

各トラバーサルアルゴリズムはスロットマシンに相当する
プランナー（エージェント）は各サブグラフリクエストでアルゴリズムを選択し、報酬（ここではレイテンシの最小化）を最大化します

以下の標準的なソルバーを検討しました。

ソルバー	特徴
Epsilon‑Greedy	単純だが ε のチューニングが必要
Upper Confidence Bound (UCB)	信頼区間で探索と活用のバランスを取る
Thompson Sampling	各戦略ごとに完全な確率分布を保持

実際の意思決定システムでは Thompson Sampling が最も頑健であることが判明しました。
平均値だけを追跡する代わりに、各戦略の期待性能に関する 確率分布 を保ちます。

Thompson Sampling の仕組み

すべての適合する戦略について、その確率分布から乱数サンプルを取得。
サンプル値が最大になる戦略を選択（貪欲選択）。

探索：広く平坦な分布は不確実性が高い → 選ばれる確率が上がる。
活用：狭く尖った分布は信頼度が高い → より頻繁に選ばれる。

プランナーは各

Check

リクエスト後に事前分布を更新し、タプル分布やレイテンシプロファイルの変化に継続的に適応します。以前最適だった戦略が性能低下すると、その分布は広がったり平均が下がったりして、代替戦略がサンプリングされる確率が上がります。

ドメイン知識のエンコード：事前分布

ベイズシステムはその事前分布に依存します。
リクエストを処理する前に、タプル分布が各アルゴリズムの実行時間に与える影響についてのドメイン知識をエンコードしています。

共役先行：正規ガンマ分布

Normal‑Gamma 分布（形状–レートパラメータ化）を使用します。
これは「平均」(期待レイテンシ) と「精度」(レイテンシの信頼性＝逆分散) の二つの不明数を同時にモデル化できるため、更新が O(1) で効率的です。

// Update performs a Bayesian update on the distribution's parameters
// using the new data point.
func (ts *ThompsonStats) Update(duration time.Duration) {
    x := float64(duration.Nanoseconds())
    for {
        oldPtr := atomic.LoadPointer(&ts.params)
        currentParams := (*samplingParams)(oldPtr)

        newLambda := currentParams.lambda + 1
        newMu     := (currentParams.lambda*currentParams.mu + x) / newLambda
        newAlpha  := currentParams.alpha + 0.5
        diff      := x - currentParams.mu
        newBeta   := currentParams.beta +
                     (currentParams.lambda*diff*diff)/(2*newLambda)

        newParams := &samplingParams{
            mu:     newMu,
            lambda: newLambda,
            alpha:  newAlpha,
            beta:   newBeta,
        }

        if atomic.CompareAndSwapPointer(&ts.params, oldPtr,
            unsafe.Pointer(newParams)) {
            return
        }
    }
}

戦略別の事前設定

戦略用途主な事前パラメータ

戦略	用途	主な事前パラメータ
Weight Two（高速で安定）	コールドスタートを活用	`Lambda: 10.0` 、 `Alpha: 20` 、 `Beta: 2`
Default（汎用）	積極的に探索	`Lambda: 1.0` 、 `Alpha: 0.5` 、 `Beta: 0.5`

Weight Two（高速で安定）

コールドスタートを活用

Lambda: 10.0

、

Alpha: 20

、

Beta: 2

Default（汎用）

積極的に探索

Lambda: 1.0

、

Alpha: 0.5

、

Beta: 0.5

高 Lambda → 初期推定への自信が強く、コールドスタート時の探索を抑制。
低 Alpha / Beta → 分散に対する信念が狭く、外れ値が大きな更新を引き起こし、モデルは再度探索へ移行します。

本番での結果

Auth0 FGA に微調整済みプランナーをデプロイすると、即座に成果が現れました：

複雑なモデルではピーク P99 レイテンシが 50 ms 未満 へ低下し、該当ワークロードで 98 % の削減 を実現。
多くのお客様で顕著な性能向上を確認。
従来のロジックが最適だったケースもあり、プランナーはそれらを検出して継続的に活用しました。

ローンチ前後の戦略選択比率から、実際のデータ分布に対するプランナーの適応様子が確認できます。

まとめ

統計モデル は、認可のような動的環境で手作業によるハードコードよりも頑健です。
高性能並行性を最初から優先することで、OpenFGA のクリティカルパスにほとんどオーバーヘッドを加えずにソリューションを統合しました。
自己調整プランナーは、OpenFGA コミュニティ全体に即座の価値を提供し、デフォルトでより高速かつ堅牢なシステムを実現します。

同じ日のほかのニュース

一覧に戻る →

2026/01/27 7:03

**Windows の状況：** Windows 11 は現在どんな状態になっているのでしょうか？

## 日本語訳： **概要：** Microsoft の最新 Windows 更新は、安定したオペレーティングシステムよりも AI 主導の機能―特に Copilot ―を優先しているため、広範なバグ、パフォーマンス問題、およびセキュリティ欠陥が発生しています。2026 年 1 月の KB パッチは、新しい Intel プロセッサでシャットダウン失敗、クラウド PST を使用した Outlook のハング、メモ帳、RDP、およびデバイスドライバーのクラッシュを引き起こしました。同じ更新パッケージは、大規模 AI モデルのダウンロードによりサイズが 4 倍になり、バイナリが肥大化し、「Copilot‑ification」による UI が導入されました。暗号化されていないスクリーンショットへの懸念から削除を余儀なくされた事例もあります。このシフトは、2023 年 12 月に Edge、メモ帳、設定、Office 等へ Copilot を投入したことから始まりました。以前のローカルアカウント用修正（OOBE.exe /bypassNRO）は後続の更新で閉じられ、Microsoft アカウントを持たないユーザーの使い勝手が低下しました。RDP のロールバック、DRM 失敗、およびエクスプローラーの遅延に関する月次報告は、24H2/25H2 リリースに起因しています。 Microsoft は、大規模な AI 重視更新を継続しつつ、重要なバグについては迅速な KB パッチで対処すると考えられます。この戦略はユーザーの信頼を損ない、企業のサポートコストを増大させ、一部の企業が代替 OS プラットフォームやデスクトップ AI 機能の採用をより慎重に検討するきっかけになる可能性があります。 **概要スケルトン** - **メインメッセージ（何を伝えたいか）** Microsoft の最近の Windows 更新は、安定した OS よりも Copilot などの AI 主導機能を積極的に推進する方向転換が原因で、広範なバグ・パフォーマンス低下・セキュリティ問題を引き起こしています。 - **証拠 / 推論（何故そう言えるか）** - 2026 年 1 月の KB 更新により、新しい Intel チップでシャットダウン失敗、クラウド PST を使った Outlook のハング、およびアプリ（メモ帳、RDP、デバイスドライバー）のクラッシュが発生。 - 同じ更新パッケージは AI モデルのダウンロードにより以前のリリースの 4 倍のサイズになり、バイナリが肥大化。 - Copilot の統合で UI が「Copilot‑ification」され、暗号化されていないスクリーンショットへの懸念から削除を強いられた。 - **関連ケース / 背景（文脈・過去の出来事）** - このシフトは、2023 年 12 月に Microsoft Copilot が Edge、メモ帳、設定、Office 等へ投入されることで始まりました。 - ローカルアカウント用ワークアラウンド（OOBE.exe /bypassNRO）は後続の更新で閉じられ、ローカルアカウント利用者の使い勝手が低下。 - RDP のロールバック、DRM 失敗、およびエクスプローラーの遅延に関する月次報告は、24H2/25H2 リリースに起因。 - **今後何が起こるか（将来の展開・予測）** Microsoft は大規模な AI 重視更新を継続しつつ、重要バグについては迅速な KB パッチで対処すると見込まれます。Copilot のアップセルを優先することで、毎月のスキャンダルが増え、安定性が回復されるまでユーザー信頼が徐々に低下する可能性があります。 - **影響（ユーザー / 企業 / 業界）** - ユーザーは頻繁なシステムクラッシュ、生産性の損失、および暗号化されていないデータ取得へのセキュリティ懸念に直面。 - 企業はサポートコストが増大し、新しい Windows リリース採用を再検討する可能性。 - 業界全体では、競合 OS プラットフォームへのシフトやデスクトップ環境での AI 機能採用に対するより慎重な姿勢が広まる可能性があります。

2026/01/26 23:41

テレビは本日で百周年を迎えました。

## Japanese Translation: テレビは本日100周年を迎え、ジョン・ログィー・ベアードの先駆的な業績に特に焦点が当てられました。1926年1月26日、ベアードはフリス通り22番地のソーホウワークショップで回転ディスクとレンズ、穴付きシートを用いたライブテレビの最初の公開デモンストレーションを行いました。その後、光感受性セルを追加して影の階調を送信できるようにしました。最初に送信された画像は、現在ヘイスティングス博物館で展示されている聖ジョンズ救急隊メダルの影でした。ベアードの初期デモには、バラエティ・ドミー「ストゥッキー・ビル」と最初の人間被写体ウィリアム・テイントンが含まれます。1927年にフォノヴィジョンを導入し、画像をグラムフォンレコードに記録しました。1928年にはノクトヴィジョン（赤外線テレビ）、カラーテレビ、および立体テレビの実験を行いました。また、1930–31年にBBC放送用の30ライン機械式システムも開発しました。 1932年にEMIによって電子エミトロンカメラが導入され、ベアードの240ライン機械式システムとマルコニ-EMIの405ライン電子システムは一時的にロンドンテレビで採用されました。三か月後、最終的にはマルコニ・システムが優位になりました。ベアードは1924年11月にフリス通り22番地へ移転し、ゴードン・セルフリッジのパーム・コートデモで60ポンドを稼ぎ、第二次世界大戦で会社が破産手続きになるまで発明の展示を続けました。爆撃被害により後期のカラー作業は中断され、1946年に57歳で脳卒中で亡くなりました。初期の成功にもかかわらず、英国家庭へのテレビ機器の普及には数十年が必要でした。カラーTVは1960年代まで一般的になりませんでした。今日ではほぼすべての人がテレビまたは同等のデバイスを所有しており、これはベアードの回転ディスクと機械式画像伝送に関する先駆的な業績のおかげです

2026/01/21 1:52

滑走路に秘められた設計技術

## 日本語訳: ### 要約: 本文は、2025年9月に発生した最近の滑走路オーバーランが、EMAS（Energy‑Management and Arresting System）とFAAガイドラインに従った慎重な設計などの高度な安全システムによって防止されたことを説明しています。これらのガイドラインは、航空場で使用される最大機体を基準に滑走路長を決定しつつ、風向き・温度・標高も考慮して十分な停止距離を確保します。Embraer 145、Gulfstream、Bombardier機が関与した米国の3件の事故では、EMASが衝撃エネルギーを効果的に吸収し、航空機が滑走路外の危険箇所に着地することを防ぎました。FAAの詳細ガイダンスは、風向き（約95％）に合わせて滑走路を配置し、ディスプレースド・スレッショルド、ブラストパッド、ランウェイセーフティエリア（RSA）を追加して安全マージンを高めることを推奨しています。今後は、EMASの活用と機体種別に応じた舗装材の調整、単一方向が支配的でない場合の風向き戦略の精緻化が継続されます。これらの改善はパイロットの怪我リスクを減らし、空港が安全インフラへの投資を促進させ、航空業界に滑走路設計がオーバーランを防ぐことへの信頼感を与え、保険費用の低減につながる可能性があります。 ### 要約骨格 **本文が主に伝えようとしていること（メインメッセージ）** 2025年9月の滑走路オーバーランは、EMASなどの設計上の安全機能のおかげで回避され、滑走路設計はFAAガイドラインに従い、主要機体を基準に長さが決定され環境要因も調整されています。 **証拠／根拠（なぜそう言われているのか）** 米国で起きた3件の事故では航空機が滑走路を超えて衝突したものの、EMASがエネルギーを吸収し危険箇所に着地しませんでした。FAAの40ページの文書は、長さ・風・温度が設計を決定する方法を説明しており、舗装層と表面処理は摩擦と構造的健全性を維持するよう指定されています。 **関連事例／背景（コンテキスト、過去の出来事）** オーバーランはEmbraer 145、Gulfstream、Bombardier機で2025年9月24–3日に発生。FAAガイドラインは滑走路を主流風に合わせる（約95％）とし、ディスプレースド・スレッショルド、ブラストパッド、RSAを標準安全対策として含めています。 **今後何が起こりうるか（将来の展開／予測）** 将来的な滑走路計画ではEMAS使用の強調、機体種別に応じた舗装材の適用、単一風向きが支配的でない場合の風向き戦略の改善が継続されるでしょう。設計更新は温度・標高調整をより正確に取り入れる可能性があります。 **これらが与える影響（利用者／企業／業界）** パイロットは安全なオーバーランと怪我リスクの低減を享受し、空港はEMASや表面メンテナンスへの投資を検討。航空業界は滑走路長計算が事故防止に十分であるという自信を得て、保険・責任コストの削減につながる可能性があります。