普遍スケーラビリティ則（USL）と競合・一貫性コスト

なぜ増設しても速くならなくなるのか

ノードやコアを N 倍にしてもスループットが N 倍にならないことは、誰もが経験的に知っています。問題は「どこまで増やすと割に合うか」「いつ増設が逆効果に転じるか」を数で言えるかどうかです。普遍スケーラビリティ則（Universal Scalability Law, USL）は、この振る舞いを2つの物理的に意味のあるパラメータだけで表現します。

USLの相対容量（並列度 N に対する相対スループット）は次式です。

C(N) = N / (1 + σ(N - 1) + κN(N - 1))

• σ（シグマ）: 競合（contention）。直列化された区間・ロック待ちなど、並列化できない逐次率に相当する1次のコスト。
• κ（カッパ）: コヒーレンシ（coherency / crosstalk）。ノード同士が状態を一致させるための相互調整コスト。組数 N(N-1) に比例する2次のコスト。

C(N) は「N 個のとき1個のときの何倍出るか」を表す無次元量で、理想は C(N)=N（線形）です。分母の2項が、その理想からの乖離を競合と一貫性に切り分けます。

3つの項が表す3つの世界

分母を見れば、性能がどの領域でどの項に支配されるかが読めます。

ここで決定的なのは、κの2次項が分母にある以上、N を増やし続ければ分母は分子の N より速く増えるという点です。したがって κ が少しでも正なら、C(N) は必ずどこかで頂点を持ち、その先は右肩下がりになる。増設すればするほど遅くなる「負のスケーリング」は、設計ミスではなく数式が予言する必然です。

Amdahl則・Gustafson則との関係

USLは既存のスケーラビリティ則を内包します。κ=0 と置くと2次項が消え、

κ = 0 のとき:
  C(N) = N / (1 + σ(N - 1))

これは アムダール則・グスタフソン則 のアムダール側そのものです。N を無限大に飛ばすと C(N) は 1/σ という漸近線に収束し、それ以上は増えも減りもしません。つまりアムダール則は「頭打ちはするが悪化はしない」世界を描きます。

現実の分散システムは一貫性維持のために必ずノード間通信を行うため、κ=0 はまず成り立ちません。一貫性モデル を強くするほど（線形化可能性に近づくほど）κは大きくなり、頂点は手前に来ます。逆に結果整合に緩めれば κ が下がり、より多くのノードまで伸ばせます。USLはこの一貫性とスケーラビリティのトレードオフを、κという1つの係数で定量化していると読めます。

最大スループットを与えるノード数

κ が正のとき頂点が存在するので、その位置を求めます。C(N) を N で微分してゼロと置くと、最適ノード数は次の閉じた式になります。

N* = sqrt( (1 - σ) / κ )

• κ が大きい（調整コストが重い）ほど N* は小さく、早く頂点に達する。
• σ が大きいほど分子 1-σ が小さくなり、やはり N* は手前に来る。

たとえば σ=0.03、κ=0.0001 なら、

N* = sqrt((1 - 0.03) / 0.0001)
   = sqrt(0.97 / 0.0001)
   = sqrt(9700) ≒ 98.5

つまり約99ノード付近で相対容量が最大になり、それを超えると総スループットが下がり始める。この1点を知らずに「足りなければ足す」を続けると、コストを払って性能を悪化させることになります。

実測からσとκを推定する

USLが容量計画で強力なのは、少数の実測点からσとκを回帰で推定できる点です。手順は次のとおりです。

1. 並列度 N を変えながら（負荷生成のクライアント数やノード数を段階的に増やしながら）、各 N での実測スループット X(N) を取る。
2. 相対容量 C(N) = X(N) / X(1) を計算する。
3. 効率の逆数を変形すると N の1次・2次式になるため、二次回帰でσとκを当てはめる。

変形は次の関係を使います。理想からの乖離 N/C(N) - 1 を N-1 で割ると、

( N/C(N) - 1 ) / (N - 1) = σ + κN

左辺を縦軸、N を横軸に取ると直線になり、切片がσ、傾きがκとして読めます。回帰が直線に乗れば USL がよく当てはまっている証拠で、乗らなければモデル外の要因（GC・ネットワーク飽和など）を疑います。

推定したσとκを式に戻せば、まだ測っていない N でのスループットを外挿でき、N* も即座に計算できます。これは キャパシティモデリングと需要予測 の入力として直接使えます。実測の頂点まで負荷をかけずとも、低〜中負荷の数点から「この構成は約何ノードで頂点」と先回りで言えるのがUSLの実務価値です。

落とし穴と限界

USLは定常状態の平均スループットのモデルであり、テール遅延やバースト挙動までは語りません。レイテンシ分布の裾は 待ち行列理論 や パーセンタイル統計 の領域です。また係数σ・κはコードやデータ構造に依存する経験値で、ロック粒度を細かくすればσが、調整プロトコルを減らせばκが下がる——改善すべき相手を名指しで指し示すのがUSLの真価であり、固定の物理定数ではありません。

まとめ

• USL C(N)=N/(1+σ(N-1)+κN(N-1)) は、競合σ（1次）と一貫性κ（2次）の2項でスケーラビリティを表す。
• κ が正なら2次項が必ず効き、曲線は山型になる。最大点は N* = sqrt((1-σ)/κ) で、その先は負のスケーリング。
• アムダール則はκ=0 の特殊ケース。1/σ に漸近するだけで、悪化を表現できない。USLは一貫性を強めるほど κ が増え頂点が手前に来るトレードオフを定量化する。
• 実測スループットから (N/C(N)-1)/(N-1)=σ+κN の直線回帰でσ・κを推定でき、未測定領域の外挿と N* の予測が可能。
• σ・κはコード依存の経験値で、リリースごとに再測定する。USLは平均スループットのモデルで、テール遅延は別の道具で扱う。