世界的アドフラウド組織犯罪の事例と対策

 

概要：近年、広告主の巨額の広告費を狙った不正行為（アドフラウド）は国家や組織をまたぐ複雑な犯罪ネットワークによって行われており、その摘発には国内外の法執行機関やプラットフォーム企業、業界団体が協力して取り組んでいます。本報告では、実例と手口、各国の摘発・検挙事例、広告プラットフォームや業界団体の対策、国際協力、最新トレンドの各視点から整理します。

組織的広告詐欺の事例と手口

• Methbot／3ve（ロシア系サイバー犯罪組織）：米国司法省は2018年に、ロシア人らが関与する二つの大規模広告詐欺組織（「Methbot」と「3ve」）を摘発した。Methbotでは米テキサス州ダラス等の商用データセンターに約1,900台のサーバーを設置し、5,000超のドメインを「偽装」して広告枠を載せ、広告を自動化ボットで読み込ませて閲覧を偽造したjustice.govjustice.gov。一方、3veでは世界中で感染させた1.7万台以上のPCからなるボットネットを操り（Kovterマルウェア等を使用）隠れたブラウザで偽造ページに広告を表示し、数十億回の不正表示を行ったjustice.govjustice.gov。いずれも広告主に見えない虚偽のインプレッション・クリックを発生させ、多額の収益を不正に得ていた。

• DNS乗っ取り型広告詐欺（エストニア・ロシア犯罪グループ）：2011年、米ニューヨーク南部連邦地検（FBIとNASA捜査官ら）は、エストニア企業「Rove Digital」らが展開する大規模なDNSチェンジャー型詐欺を摘発した。約100カ国で400万台超のPCにマルウェアを感染させ、広告クリックや検索結果を不正サイトに転送して広告料約1,400万ドルを稼いでいたarchives.fbi.govarchives.fbi.gov。被告はエストニア国籍6名とロシア人1名で、クリックハイジャックや広告入れ替え（正規広告を不正広告に置換）を組織的に実行していた。

• Hydraボットネット（Protected Media 等の対策）：2020年、セキュリティ企業Protected Mediaは「Hydra」と呼ばれる世界規模の広告詐欺ボットネットを公表した。このスキームでは、広告配信ネットワークを介して偽装アプリトラフィックを生成し、広告主から1.3億ドル以上を不正徴収していた。業界は「Slay Hydra」作戦としてGoogleやTAG（Trustworthy Accountability Group）などと連携し、システムを停止させたprotected.media。Google側も同協力を評価し、不正防止の重要性を強調しているprotected.media。

• モバイルアプリ経由の詐欺（Cheetah Mobile 等）：中国のアプリ開発会社Cheetah Mobileは、アプリ内で不正にインストール報酬を請求する「クリック注入」手法で批判を浴びた。Googleは2018年に同社の不正行為を問題視し、2020年には同社の45個のアプリをPlayストアから削除しているfraudblocker.com。また、類似の手口で広告を乗っ取る悪質アプリ群（例：Vastflux、Matryoshkaなど）も近年問題となっている。

• 詐欺系アフィリエイト広告：暗号通貨投資詐欺やオンライン詐欺の文脈で、偽投資サイトへの誘導広告が蔓延している。2025年末、EU機関とイスラエルが共同で実施した捜査では、詐欺的な仮想通貨投資プラットフォームを宣伝するSNS広告を発注する企業・業者が摘発された。関係者によるとこのネットワークは数億ユーロ規模の詐欺収益を送金しており、詐欺組織は広告宣伝やマネーロンダリングに「部門制」を敷いて運営されていたoccrp.orgoccrp.org。

掲載・摘発事例（警察・捜査機関の対応）

• 米国司法省・FBIの摘発：前述のMethbot/3ve事件では、捜査当局は米国国外で複数の容疑者を逮捕・訴追し、インターネットドメインの差し押さえやネットワークの「シンクホール化（sinkholing）」によってボットネット基盤を破壊したjustice.govjustice.gov。アレクサンドル・ジューコフ（Methbot主犯）は後に米連邦裁判所で10年の懲役刑に処せられ、「広告詐欺の王」と呼ばれた手口の全容が公開されたjustice.govjustice.gov。FBIとニューヨーク市警（NYPD）、司法省はマレーシア、ブルガリア、エストニアなど複数国の捜査機関と連携して容疑者を拘束し、関連サーバーと銀行口座も差し押さえたjustice.govjustice.gov。

• 国際捜査機関の連携：米国以外でも、EUROPOL（欧州刑事警察機構）やインターポールが広告詐欺・関連詐欺の国際捜査に関与している。例えば、2025年の欧州当局による作戦では、ベルギー・ブルガリア・ドイツ・イスラエルの警察が合同でクリプト詐欺広告のキャンペーン関係者を摘発した。これらの詐欺組織はEU報告で7億ユーロ（約950億円）以上を資金洗浄しており、「アフィリエイト・マーケティング」が投資詐欺の根幹をなすとされたoccrp.orgoccrp.org。同様に、多国籍捜査によりアフリカ各地や東南アジアでも詐欺行為に関連する企業や犯罪者への一斉摘発が行われている。

• 私的協力も含めた多角的アプローチ：捜査には民間企業や業界団体も協力している。先のジューコフ事件では、ホワイトオプス（現Human Security）やGoogle、Microsoft、ESET、Trend Microなど多数のセキュリティベンダーが技術支援し、ボット検出やドメイン特定に貢献したjustice.gov。業界横断のフォーラムであるTAG（Trustworthy Accountability Group）やIAB（Interactive Advertising Bureau）は捜査や啓発で捜査当局と協力し、不正業者の排除と健全な広告取引の促進を目指しているiab.comiab.com。

プラットフォーム・業界団体の対策

• Google・Meta（Facebook）など広告プラットフォームの防御策：主要プラットフォーム各社は不正トラフィック検出にAIや機械学習を導入している。Googleの広告品質チームは「ライブレビュアー、フィルタ、自動学習」等を駆使し、ボットや無効なクリック・インプレッションを排除する体制を整えているgoogle.com。Metaも広告主からの報告や独自のシグナルで不審なクリックを監視し、人的な確認による対策を行っている（参考：Metaヘルプページ）。また、YouTubeや広告ネットワークは、視聴保証の設定や異常検知アラートなどで不審再生を検出・遮断する仕組みを強化している。

• 業界団体による認証・ガイドライン：IABやTAGは、業界ベースでサプライチェーンの健全化に取り組んでいる。2017年、米IABは会員企業に対しTAGへの登録を義務付け、TAGの不正撲滅活動へ参画することを決定したiab.com。TAGは2016年から「Certified Against Fraud（CAF）」プログラムを運用し、認定チャネルではボット等による無効トラフィック率（IVT）を1%未満に抑制していると報告しているtagtoday.nettagtoday.net。また、業界標準としてAds.txtやAds.certなどの認証・検証プロトコルが開発され、広告取引の透明性向上に寄与している（IAB Tech Lab参照）。広告主や代理店は不正対策ツールの導入を進め、第三者機関（MRCなど）の品質認証も利用している。

• 啓発・情報共有：広告業界では、詐欺手口や検出技術に関する情報を共有する動きも活発化している。各社のセキュリティチームやアナリストが不正トラフィックの兆候を分析し、業界カンファレンスや専門レポートで事例や対策を発表している。これにより、同種の詐欺が他社に伝播しやすいリスクにも対応し、先手を打った対応が可能になっている。

国際協力と公民連携

• 多国間捜査と国際機関：インターポールやユーロポールといった国際捜査組織も、サイバー詐欺事件において中核的な役割を果たしている。共通のプラットフォームで各国警察が情報を交換し、犯罪人引渡しや資金凍結を行う体制が構築されている。例えば、INTERPOLはサイバー金融犯罪に対する国際作戦「ハエチ作戦」等で世界40カ国以上の警察と連携し、詐欺犯罪の資金や不正アカウントを押収・凍結しているinterpol.intinterpol.int（アドフラウドに限らないが同様の多国協力の枠組みが適用可能）。欧米やアジアの法執行機関は相互の法的援助協定（MLAT）を活用し、容疑者の逮捕・移送や証拠収集を効率化している。

• 公私パートナーシップ：不正検出には政府機関だけでなく民間企業の協力も不可欠である。捜査機関はプライベート企業から技術支援や分析データの提供を受けるほか、FBIや欧州各国警察は企業のCSIRTやフォレンジック企業と共同演習を行い、攻撃の兆候に対する即応態勢を整えている。加えて、投資家や広告主団体も業界指針への対応を促すことで「需給面からの圧力」をかけている。結果として、国境や業界を越えた連携によって、サイバー犯罪者が専門家グループにより迅速に特定・阻止される事例が増えている。

最新トレンド：AI活用・詐欺手口の高度化

• AI・機械学習検出技術の進化：最新の広告詐欺検出ではAIや機械学習の活用が不可欠となっている。Googleなどでは、リアルタイムで膨大な広告トラフィックを解析し、不自然な挙動（非人間的なクリックパターンや疑わしいIPルーティングなど）を自動検知するシステムが導入されているgoogle.com。さらに、業界では異常検知アルゴリズムやビッグデータ分析によって、詐欺ボットの挙動を素早く炙り出す取り組みが進んでいる。

• AI搭載ボット・ディープフェイク広告：一方で攻撃側もAIを悪用し、より巧妙な詐欺手法を開発している。AI搭載ボットはクリック間隔やマウス動作を人間になりすまし、従来のフィルタを回避する。専門家は「AIを用いた不正クリックが2025年に倍増すると予測される」fraud0.comと警鐘を鳴らす。さらに、広告クリエイティブ自体にもディープフェイクやAI生成技術が活用されており、有名人や報道機関に偽装した広告が拡散される事例が報告されている（Meta上の深層学習広告など）spideraf.comfraud0.com。これらを検出するには、画像・音声の認証技術やクリエイティブの自動検証ツールが求められている。

• プラットフォーム拡大による脆弱性：広告を配信するデバイスやメディアも多様化しており、不正者はモバイルアプリやCTV（コネクテッドTV）を悪用し始めている。モバイル広告ではアプリ起動やインストールを不正誘導する詐欺が増加し、CTVでは広告再生を自動化するボット群が検出されているfraud0.com。アナリストは、広告主がこれら新しいチャネルに配信する際にはさらに厳密なトラフィック検証が必要と指摘している。

• 規制・業界標準の強化：欧州では「デジタルサービス法（DSA）」など新法の施行により、透明性や説明責任が義務化されつつある。広告プラットフォームは悪質な広告主や配信先を速やかに特定・排除することが求められており、業界団体も品質指標の定義強化や監査制度の整備を進めているspideraf.com。また、広告配信経路の可視化（例：サプライチェーンオブジェクトの実装）や認証技術の標準化（Ads.cert、ads.txt 2.0など）といった技術的対策も進展しており、プラットフォーム・広告主・受託業者の三者が連携して詐欺防止に取り組む流れが強まっている。

• 高度化する詐欺手口への対抗策：広告主側も不正対策ツールやベストプラクティスの導入を加速している。高額予算を投下する広告キャンペーンでは、リアルタイム不正検知システムやポストクリック分析（例：経路アナリティクス）を必須とするケースが増えた。プラットフォームやベンダー各社も、詐欺インシデント情報の共有ネットワーク（Threat Exchange等）を活用し、脅威インテリジェンスを迅速に反映させている。結果として、全体としては検出技術と対策が高度化しつつあるが、攻撃者も常に巧妙化しているため、継続的な技術革新と協力体制の維持が求められているfraud0.comspideraf.com。

参考資料：本報告の情報は、米司法省およびFBIの公式発表justice.govjustice.govarchives.fbi.gov、セキュリティ企業の報告protected.mediafraud0.com、業界団体や大手メディアの記事occrp.orggoogle.comiab.comtagtoday.netなどに基づいています。

情報にとって美とは何か？ ヨシモトーン

📘 『情報にとって美とは何か？　Yトーン』 発売中！

Kindle版とオンデマンド版で好評発売中です。 情報、メディア、文化、そして価値――この一冊は、 現代を生きる私たちが当たり前と思っている「情報」という現象を、 哲学・歴史・理論・批評の交差点から鋭く問い直します。

📍 本書の読みどころ

• 情報の本質に迫る ― 情報とは何か、どこから来てどこへ向かうのかを再定義。
• 「美」の再構築 ― 感情やオーラではなく、伝達・希少性・意味生成としての美を提示。
• 理論と歴史の横断 ― シャノン理論、テレビの誕生、批評史を織り交ぜた知的冒険。
• 現代への応用 ― AIやネット時代の情報価値を読み解くヒントが満載。

多くの情報論や美学は、意味や情緒を前提としがちです。 しかし本書はそれらを一旦脇に置き、情報そのものが持つ構造と伝達可能性に立脚して「美」を問います。 シャノンのモデルに代表される通信理論が、どのようにして情報の価値や美学と結びつくのか―― その思考の道筋は、新鮮でありながら洞察に満ちています。

📖 Kindle版を購入する 📚 オンデマンド版を見る

情報論・メディア論・哲学・現代文化論の読者におすすめ。 日々膨大な情報に触れるあなたに、新しい視座をもたらす一冊です。

知の欺瞞 アンチパターン イリガライ 式の両辺の単位や次元を確かめないまま、別の量として読み替えて解釈してしまう

アンチパターン3
式の両辺の単位・次元を見ないで、勝手に置き換えて解釈してしまう

（イリガライの E = mc² をめぐる読み替えから抽出）

1. まず物理式としての前提をはっきりさせる

有名な式 E = mc² は、次の量の関係を表します。

• E：エネルギー（単位 J：ジュール）
• m：質量（単位 kg）
• c：光の速度（単位 m/s）

左右の単位を確認すると、 kg × (m/s)² = kg·m²/s² = J となり、両辺の次元はそろっています。 ここで重要なのは、 E, m, c は実測に裏づけられた物理量であり、 単位と次元が一致するように選ばれているという点です。

2. c を「別の速度」に入れ替える前に確認すべきこと

もし c の代わりに別の速度 v を入れて E' = mv² のような形を考えるなら、 次の点を確認する必要があります。

• その式はどの理論から導かれているか（相対論か、古典力学か）
• どの状況で近似的にでも成り立つのか（低速極限か、高速か）
• 実際の観測値と整合するか（桁違いの値になっていないか）

単に「速度だから入れ替えられる」と考えてしまうと、 式が本来説明している現象（静止エネルギー）と、 別の現象（古典的運動エネルギー）を混同することになります。

3. メタファーや価値づけは物理式とは別レイヤーに置く

「光速 c が特権化されている」「流体の速度は軽視されてきた」といった議論は、 物理式そのものではなく、 研究テーマの選択・歴史的評価・制度の問題として扱う方が整合的です。

つまり、

• 物理式のレイヤー：E = mc² がどの現象をどの精度で説明するか
• メタ・社会的レイヤー：どの分野がどのように評価されてきたか

を分けて記述し、 「式そのもの」には価値ラベルを貼らず、 「誰が何を研究してきたか」の側でジェンダーや権力を分析する方が、 型の一貫性を保てます。

4. アンチパターンとの対比

アンチパターンでは、

• 両辺の単位・次元を確認しないまま、c を別の速度に入れ替える
• 式が導かれた理論や前提条件に触れず、「特権化」「象徴性」を読み込む
• 物理的説明と社会的・象徴的説明のレイヤーが混在する

その結果、 計算が指しているものと、テキストが語っているものがずれたまま接続される という状態になります。

5. 型をそろえた修正例

同じテーマを扱うとして、次のようにレイヤーを分けて書き換えることができます。

5-1. 物理レベルの記述

まず、純粋に物理としての式と計算を明示します。

• 質量 m = 1 [kg]
• 光速 c ≈ 3.0 × 10⁸ [m/s]

このとき静止エネルギーは E = mc² ≈ 9.0 × 10¹⁶ [J] となります。 ここまでは、価値判断やメタファーを入れず、 「何をどの単位で計算しているか」だけを書く段階です。

5-2. 解釈レベルを写像として書く

次に、「このエネルギーをどう意味づけるか」を、 別の写像として表します。

• 物理量の集合： Q = { E, m, c, … }
• ディスクール上の意味の集合： D = { 集中した潜在性, 拡散性, 静性, 動性, … }
• 解釈写像： h : Q → D

例えば、 h(E) = 集中した潜在性、 h(c) = 普遍的な上限速度 のように定めれば、 「E をこう読む」「c をこう読む」という解釈は E = mc² とは別のレイヤーで記述できます。 ここで重要なのは、 E 自体と「集中した潜在性」は等号で結ばないことです。 あくまで h を通じて対応づけるだけにとどめます。

5-3. ジェンダーや権力の分析を置く場所

「なぜ c が物理学で中心的な役割をもっているのか」を問いたいなら、 それは

• 理論的理由（ローレンツ対称性、不変速度であること）
• 歴史的理由（どの実験が c の重要性を示してきたか）
• 制度的理由（どの分野に資金や名声が集まってきたか）

といった複数のレイヤーに分解できます。 そのうえで、 「制度的理由」の部分にジェンダーや権力の分析を置くようにすると、 物理式そのものの型を壊さずに、社会批判の議論を展開できます。

この修正例では、 計算（E = mc²）と解釈（h, 社会分析）のレイヤーを分離し、 それぞれに固有の型と手続きを与えることで、 「式の両辺の単位・次元を見ないで、勝手に置き換えて解釈してしまう」 というアンチパターンを避けています。

知の欺瞞 アンチパターン 集合や命題と 0/1 の混同

型をそろえた書き換え（パターン2：集合や命題と 0/1 の混同）

1. まず型をはっきり分ける

「命題そのもの」「真偽の値」「0/1 実数」「あいまいな程度」を混ぜないように、 それぞれ別の集合として定義します。

• 命題の集合： P = { p, q, r, ... }
• 真偽値の集合： B = { ⊥, ⊤ } （⊥ = 偽, ⊤ = 真）
• 真理値関数（論理の評価）： v : P to B （各命題に真または偽を対応させる）
• 0/1 実数への埋め込み： e : B to {0,1}、 e(⊥) = 0、 e(⊤) = 1

ここで初めて、「命題 p の 0/1 表現」として x = e(v(p)) と書くことができます。 p 自体は数ではなく、x だけが 0/1 の実数です。

2. 論理演算と実数演算をつなぐ

ブール代数側の演算（∧, ∨, ¬）と、 実数側の演算（掛け算や 1 − x）を、対応づけておきます。

• 命題の論理積： p ∧ q
• その真理値： v(p ∧ q)
• 0/1 実数としての像： e(v(p ∧ q))

適切な同型をとると、 e(v(p ∧ q)) = e(v(p)) × e(v(q)) のように、 論理積が実数乗算に対応することがあります。 重要なのは、 「∧」と「×」は別物であり、 e と v を通して対応づけられていることを明示することです。 p に直接 × を掛けない、というのがポイントです。

3. 「程度」や「あいまいさ」を入れたい場合

「半分真」「0.7 くらい真」などの程度を扱いたいなら、 さらに別の写像を用意します。

• 程度（グレード）を表す実数： [0,1]
• 命題から程度への写像： μ : P to [0,1] （確率やメンバーシップ度など）

例えば μ(p) = 0.7, μ(q) = 0.5 として、 あいまい論理の規則に従い μ(p ∧ q) = min(μ(p), μ(q)) や μ(p ∧ q) = μ(p) × μ(q) などのルールを先に決めることができます。 ここでも、 命題 p, q と 0.7, 0.5 は別物であり、 μ を通じて結びついているという構造を崩さないことが大事です。

4. アンチパターンとの対比

クリステヴァ型の誤用では、

• p, q を「命題」と呼びながら、途中で勝手に 0.3 や 0.8 のような実数として扱う
• p &land; q と p × q を区別しないまま計算する
• 再び p を「テクスト」や「主体」として読み直し、数か論理かが曖昧になる

これに対して上の書き換えでは、 P（命題）, B（真偽）, {0,1}, [0,1], v, e, μ を別々に定義し、 どの記号がどの世界に属しているかを固定しています。 こうしておけば、 「命題なのに 0 や 1 と同じように足したり掛けたりしている」 型のバグを、型レベルで防ぐことができます。

知の欺瞞 アンチパターン ラカン Sの型不一致

型をそろえた書き換え（数式バージョン）

1. まず型を決める

言語学的な対象と数学的な対象をきちんと分けて定義します。

• 記号の集合： Σ = { 言語的な能記 }
• 意味の集合： M = { 意味内容や命題 }
• 能記から意味への写像（意味作用）： f : Σ → M

ある能記 S ∈ Σ に対して、 その意味 s を s = f(S) と書きます。 これで「S に対応する意味 s」が型付きで表現できます。

2. S が意味に作用する構造として書く

ラカンがやりたかったのは「能記 S が意味 s に作用して別の意味を生む」という構造だと解釈できます。

• 意味空間上の作用： T_S : M → M
• ある意味 s ∈ M に対して、 s' = T_S(s)

例えば「意味が変形されない状況」は T_S(s) = s、 「意味が反転するモデル」を入れたいなら あらかじめ M をベクトル空間に埋め込み、 反転を T_S(s) = -s のように定義します。

3. どうしても √−1（虚数 i）を使いたい場合

「ある意味が虚数 i に対応する」と言いたいなら、 直接 s = i と書かず、別の写像でつなぎます。

• 意味から複素数への埋め込み： g : M → ℂ （ℂ は複素数全体の集合）

ある意味 s₀ ∈ M に対して g(s₀) = i と定めれば、 「意味 s₀ を複素平面に写したとき、その像が i になる」 という関係を持たせることができます。 ここで重要なのは、 s₀ 自体と i は別物であり、 写像 g を通じて対応づけられているという点です。

4. まとめ

ラカンの元の書き方では、 S や s の型が曖昧なまま 1/s や s² が計算されていました。 上のように Σ（能記）, M（意味）, f, T_S, g を明示すれば、 やりたかった「能記と意味の対応」「意味への作用」「虚数との対応」を すべて型付きの計算手続きとして書き直すことができます。

横溝正史について、チャットできたらと思いますー

 テ）横溝正史について、チャットできたらと思いますー

北村

ありがとうございます

テ）読んでる人と、まだ読んだことない人向けで

テ）北村さんから横溝正史が好きだと聞いて、1冊読んでみて、それから人魚を読むと、結構影響を受けたんだなと思って

テ）そのあたりをお聞かせいただけたらと思います

北村

わかりました。お願いいたします

北村

もともと、テレビシリーズから入った口ですけども、高校の時に学校の図書室に置いてあった『髑髏検校』という小説を手に取ってしまって読んだのがきっかけだったと思います。

テ）おお、検校ってのは、あの琴をひくひとの称号ですよね？

北村

検校の意味は、お恥ずかしいことに意味を知らなかったのですが、このお話は江戸時代に起こった吸血鬼の騒動というお話でした。→その正体は九州のあの人という設定

北村

実は元祖『魔界転生』のお話でして。

テ）盲目の人が琴を生業とするんですが、その称号が検校ですね。そういう人が出てくる話ですか？

北村

今となっては人物設定までは覚えていないのですが、この『検校』として立ち回っている人物が実はキリスト教のつながりの吸血鬼というお話です。

テ）へー、なんかモダンかつ日本風で、おもしろそうな設定ですね！

テ）

北村さんにとっての横溝正史の魅力みたいな所をお聞かせください！

北村

まず、戦前から戦後までを駆け抜けた作家さん、ということもあり古びれた家の陰を描いていたかと思えば、都会の団地の影を描いていたりする（『白と黒』）

北村

あとは独特の言葉遣いといったところでしょうか。男女の縮められない距離感（といっても男の側が、なんですが）もちょっと共感できたりします。

北村

でも、やっぱり横溝正史の原型みたいなところは短編に描かれている幻想性のようなところにあると思います。『かいやぐら物語』

テ）言葉遣いのあたりは北村さんの「人魚」でも楽しんでもらえそうですね。横溝正史の近い世代で、似たアプローチの作家としては江戸川乱歩がいると思いますが、北村さんは江戸川乱歩も好きだったりしますか？

北村

昔は読み始めていました→乱歩　これから読んでみたいと思っています。

北村

どっちかというと推理小説ではない短編とかあったら入手して読んでみたいですね。

テ）なるほど、横溝正史は我々世代だと角川映画とか、金田一シリーズがやはり有名ですね。金田一シリーズでオススメや影響を受けた作品はありますでしょうか？

北村

金田一シリーズを読むとしたらなんといっても『夜歩く』です。→金田一耕助が出てくるのは最後の4分の1なのですが

北村

『悪魔の手毬歌』もプロット的には似たようなところがありますが。スケールが大きいですね。

テ）

なんか、狂言回し的に主人公が出てくる系ですかね。ルパン三世の最終回とかも、最後まで出てこないみたいな展開でしたね。

北村

あれは衝撃的でしたけれど、登場の意味合いは近いような気がします→ルパンの最終回

テ）最後に、初めて読む人用に横溝正史ブックガイドいれたいので、他にも横溝正史でオススメがあれば、タイトルだけでいいので、ぜひ教えてください！！

初期の横溝の世界の『恐ろしきエイプリルフール』『空蝉処女』金田一耕助の敗北ともとれる後味の悪い『仮面舞踏会』あなたの知っている横溝正史でない横溝の世界をどうぞ！

北村

もちろん『悪魔が来りて笛を吹く』『悪魔の手毬唄』『犬神家の一族』『本陣殺人事件』と、いっぱいありすぎておススメにリンダこまっちゃう

テ）お茶目にありがとうございます！いただいた本をしらべてみますね！！本日はありがとうございました！当日↑をフリーペーパーにして配りマース

北村

はい！ありがとうございました！

 

北村さんおすすめの横溝正史ブックガイドはこちら！↓

 

https://note.com/rodz/n/n9bb629b35137

 

オートマトンの歴史

 

時期	系統・代表例	概要（約200字）
1940–60年代	ノイマン型自己複製オートマトン	ジョン・フォン・ノイマンとウラムが提案。生命の自己増殖を形式的に再現する試みで、後の人工生命研究の源流。複雑なルールで自己複製構造を生成し、情報と形の自己維持を数理的に示した。後にコッドが簡略モデルを開発。
1960年代	L-system（リンダンメイヤー）	植物の成長過程を記号列として再帰的に記述する文法モデル。枝分かれや葉の配置などを規則で生成でき、フラクタル幾何やCG植物モデルの基礎となる。ライフゲーム以前に形態生成オートマトンとして影響大。
1970年代	コンウェイのライフゲーム	グリッド上のセルが誕生・生存・死の簡単なルールで進化。自己組織的に複雑なパターンが生まれ、計算能力も持つ。メディアで広まり、一般に「オートマトン＝ライフ」という認識を定着させた。
1980年代	ウォルフラムの一次元CA／ラングトンのループ	ウォルフラムはRule 30やRule 110で秩序と混沌の境界を分類。ラングトンは自己複製ループを開発し、単純ルールから生命的構造が生まれることを実証。可逆CAや格子ガスも物理モデリングに発展。
1990年代	発火型・可逆・物理系CA	Brian’s Brain、Cyclic CA、Greenberg–Hastingsなど発火と拡散のリズムを再現。トッフォリ＝マルゴラスの可逆CAや格子ボルツマン法は流体・熱伝導を近似し、物理シミュレーションや材料科学に応用。
2010年代以降	SmoothLife／Lenia／Neural CA	SmoothLifeやLeniaは連続空間で擬生命パターンを生成。Neural CAはニューラルネットでルールを学び、形態形成や自己修復を実現。近年は学習とオートマトンの融合で「進化するルール系」へ展開。

The History of Automata

 

Era	System / Example	Summary (≈200 characters each)
1940s–1960s	Von Neumann Self-Replicating Automaton	Proposed by John von Neumann and Ulam, it modeled self-reproduction in formal logic. This became the foundation of artificial life, showing how information and structure can replicate through rule-based construction. Later simplified by Codd.
1960s	L-system (Lindenmayer System)	A grammatical model expressing plant growth as recursive symbol rewriting. It generates branching and leaf structures via simple rules, forming the basis of fractal geometry and procedural modeling—an early form of morphological automaton.
1970s	Conway’s Game of Life	A grid-based system where simple birth/survival/death rules yield complex emergent patterns. Demonstrated how simple local rules create global order and even universal computation. It popularized “cellular automata” worldwide.
1980s	Wolfram’s 1D CA / Langton’s Loop	Wolfram classified CA behaviors (Rules 30 & 110) and explored order-chaos boundaries. Langton’s self-replicating loop showed lifelike growth from minimal rules. Reversible CA and lattice-gas models extended automata to physical simulation.
1990s	Excitable, Reversible & Physical CA	Systems like Brian’s Brain, Cyclic CA, and Greenberg–Hastings reproduced excitation and wave propagation. Toffoli–Margolus reversible CA and lattice-Boltzmann methods modeled fluids and heat, influencing physics and materials science.
2010s–present	SmoothLife / Lenia / Neural CA	SmoothLife and Lenia introduced continuous-space life-like forms. Neural CA learned their own rules via neural networks, enabling self-repair and morphogenesis. These merge learning and automata, creating evolving rule-based systems.

テリー・ライリー《In C》の演奏指針要約

 テリー・ライリー《In C》の演奏指針要約。全員が同一譜面の53のパターンを順番に演奏し、編成や楽器数は自由（理想は約35名）。声部は任意の母音・子音で参加可。各奏者は各パターンを好きな回数だけ反復して次へ進む。公演は45〜90分程度が目安で、1パターンの滞在はおおむね45〜90秒以上。互いをよく聴き、ときに休んで聴くこと。強弱の幅を大きく取り、合奏でクレシェンド／ディミヌエンドを合わせる。ユニゾンやカノン的重なりを任意に行い、ポリリズムの相互作用を楽しむが、常に2〜3パターン以内で歩調を保ち、先走りや遅れを避ける。高音Cの8分音符パルス（ピアノやマレット、慎重な打楽器）で合図可。全員が厳密なリズムで正確に弾くこと。テンポは任意だが無理のない範囲で。休止中も周期的アクセントを意識し、再入時の効果を配慮する。必要に応じて1オクターブ移調（特に上方）、長音には下方移調も有効。リズムの拡大も可。弾けないパターンは省略可。増幅や電子鍵盤の使用も可。終結は全員が第53番に到達してから大きなクレッシェンドとディミヌエンドを数回行い、各自の判断で順次抜けて終わる。

https://thirdcoastpercussion.com/downloads/2015/04/Terry-Riley-In-C-concert2.pdf

Shenは、Lisp系の関数型言語で、パターンマッチ、マクロ、遅延評価、型系（シーケント計算に基づく）、組込みProlog、コンパイラコンパイラなどを単一環境で提供する“多段”言語です。

 Shenは、Lisp系の関数型言語で、パターンマッチ、マクロ、遅延評価、型系（シーケント計算に基づく）、組込みProlog、コンパイラコンパイラなどを単一環境で提供する“多段”言語です。2021年以降はSシリーズの軽量カーネルに集約され、部分適用ベースの実装、型付きYACC、GC付きProlog、パッケージ/入出力/ハッシュ表など基盤が刷新。学習は「Shen in 15 minutes」と『The Book of Shen』が入口。配布は最新S系カーネル、標準ライブラリ2系、Shen/tk（Tcl/Tk連携GUI）、Yggdrasil（スタンドアロン生成）。2025年はOpen Shenとして大規模な無料資料を公開予定。Shenは多くのホスト言語上で動作し、同一ソースで移植性を確保。REPLと型推論、パターン指向の関数定義、例外/ストリーム/マップ等の抽象を備え、小さな核＋豊富な標準で、DSL設計や定理証明的型検査、ロジック/関数/命令の横断が容易。Yggdrasilで単一バイナリ化、Shen/tkで簡易GUI、サンプルとチュートリアルも整備。研究から実務まで、短いコードで強い表現力を狙う人に適した言語です。

ジャズでいう「ヴォイシング」とは、同じコード名でも、どの音を選び、どの高さに並べ、どの順番で重ねるかという配置設計のことです

 ジャズでいう「ヴォイシング」とは、同じコード名でも、どの音を選び、どの高さに並べ、どの順番で重ねるかという配置設計のことです。たとえばC7と書いてあっても、ルートCと5度Gを低く置く場合と、3度E・7度Bb・9th D・13th Aだけを中域にまとめる場合ではまったく別の響きになります。ジャズでは一つの“正解フォーム”より、場面ごとの色合いとバンド内バランスが優先されるので、ヴォイシングは演奏者の個性そのものになります。特に大事なのはガイドトーンと呼ばれる3度と7度で、これらはコードの性格と進行感（どこへ解決しそうか）を一番はっきり伝えます。逆にルート音はベース担当に任せて鍵盤やギターは抜いてしまい、3度・7度とテンション（9th,11th,13thなどの色づけ音）だけを鳴らす「ルートレス・ヴォイシング」がよく使われます。これは低域を濁らせず都会的なサウンドを作ります。また、各音を狭く固めるクローズ・ヴォイシング、オクターブ以上に広げるオープン・ヴォイシング、上から2番目の音を1オクターブ下げてクリアにするドロップ2など、配置の流儀そのものもヴォイシングと呼びます。良いヴォイシングとは、(1) コード機能が聞き手に明確であること、つまり「今はG7でこれからCmaj7へ落ち着く」という行き先が耳で感じ取れること、(2) アンサンブルを濁らせないこと。特にジャズコンボではベースが低域を担当するので、ピアノやギターはむやみにルートや5度を重ねず、中低域をスッキリ保つ必要があります。(3) その曲のスタイルや空気感にふさわしい色（テンション）を持つこと。ビバップならタイトで機能的、モードやR&B寄りなら浮遊感やしなりを出す、といった具合です。(4) そしてボイスリーディング、すなわち各音が次のコードへ半音〜全音以内で自然に動くこと。滑らかな動きはプロらしい“伴奏の説得力”として聞こえます。まとめると、ヴォイシングとは単なる押さえ方ではなく、和音の中で何を喋らせ、どんな質感でバンドに置くかという、リアルタイムのハーモニーデザインそのものだと言えます。この感覚が身につくと、同じコード進行でもあなた独自の伴奏と世界観を提示できるようになります。つまりヴォイシングは、ジャズにおける声の表情そのものです。

「須磨の浦」は同じ神戸付近の海辺ですが、『源氏物語』と『平家物語』でまったく異なる意味を持ちます。

 「須磨の浦」は同じ神戸付近の海辺ですが、『源氏物語』と『平家物語』でまったく異なる意味を持ちます。『源氏物語』では平安中期（10世紀ごろ）の設定で、光源氏が政争に敗れて都を離れ、一時的に身を寄せる「流謫の場」として描かれます。荒い波音や嵐の夜などの描写を通じ、栄華からの転落、不安、望郷、そして後の復帰への転機が表現されます。これが須磨の浦の「孤独と再起」のイメージを決定づけました。これより時代が下る『平家物語』では、寿永3年（1184年）の一ノ谷の戦いの舞台として須磨の浦が登場します。ここでは平家一門が源義経らに破られ、西へ退き、若武者が討たれ、栄華が崩れる場面が語られ、盛者必衰と無常の象徴になります。物語内時間でも、成立年代でも、『源氏物語』の須磨が先、『平家物語』の須磨が後に位置します。

Apache Sparkは、分散処理エンジンです

 

1. Apache Sparkとは何か（前提）

Apache Sparkは、分散処理エンジンです。メモリ上でデータを扱うことで従来のHadoop系バッチ処理より高速に、大量データをバッチ処理・ストリーミング処理・機械学習・グラフ解析などに使えます。Python / SQL / Scala / Java / Rから利用できます。Amazon Web Services, Inc.
Sparkは1つのフレームワークでバッチとリアルタイム両方の処理、SQL分析（Spark SQL）、機械学習（MLlib）、グラフ解析（GraphX）までカバーする「統一エンジン」です。spark.apache.org+1

---

2. Sparkの主な実用パターン（ユースケース）

2.1 大規模ETL / データレイク整備

• 例：S3やデータベース、ログ、IoTイベントなど大量の生データを一気に読み込み、クレンジング・結合・正規化して分析用形式（Parquetなど）に変換する「ETL（Extract / Transform / Load）」バッチ。

• 特徴：Sparkは大容量バッチを一括処理するのが得意で、日次・時間毎の集計レポート生成やデータウェアハウス／レイクハウスへのロードに使われています。CData Software+1

• 組織的には「データレイクの心臓」として、部門横断で使われることが多いです。CData Software

2.2 ストリーミング／リアルタイム分析

• 例：クリックログ、センサー値、取引イベントなどが秒単位で流れてくるストリームをほぼリアルタイムで集計し、ダッシュボードや検知ロジックに反映。

• Spark Structured Streamingは継続的にデータを取り込み、ウィンドウ集計や異常検知を行えます。これは不正検知、レコメンドの即時更新、パーソナライズ広告などに使われています。AWS Documentation+1

• 典型的にはKinesisやKafkaなどのストリームからSparkで処理→結果をS3やRedshiftに格納、という流れがよくあります。AWS Documentation+1

2.3 機械学習・レコメンド

• Spark MLlib（機械学習ライブラリ）や分散データフレームを使って、大量データで学習するクリック率予測モデルやレコメンドモデルを学習する用途があります。

• 具体例として、Yelpは広告クリック率予測モデルの学習をSpark on Amazon EMRで行い、広告収益とCTR（クリック率）を改善したと報告されています。また、Washington Postは読者の行動データをSparkで解析し、レコメンドを最適化しています。Amazon Web Services, Inc.

• 特徴：大量データを反復学習するワークロード（勾配降下・特徴量生成など）では、Sparkの「メモリに保持したまま繰り返し計算できる」性質が効きます。Amazon Web Services, Inc.

2.4 対話型データ探索・BI支援

• Spark SQLを使って、巨大なログテーブルやイベントテーブルに対してインタラクティブにクエリを打って可視化・調査する使い方があります。バッチではなく“調査・仮説検証”フェーズでデータアナリストがよく使います。Amazon Web Services, Inc.+1

2.5 グラフ解析・つながり分析

• SparkのGraphXなどでソーシャルグラフ、ネットワークの中心性解析、レコメンド用の関係性グラフなどを分散計算するケースがあります。これは広告のターゲティング・ユーザー類似度推定・不正取引ネットワーク検出などに応用されます。Instaclustr

---

3. AWSでのApache Spark関連ソリューション

Spark自体はオープンソースですが、AWSは “クラスタのセットアップやスケーリングを代わりにやる” サービスを複数用意しています。以下が主な選択肢です。

3.1 Amazon EMR（Elastic MapReduce）

用途イメージ：フル機能のビッグデータ基盤 / 自由度高いSpark実行環境

• Amazon EMRはHadoop/Spark/Hiveなどのビッグデータ系OSSをマネージドで動かすサービスです。Sparkクラスタを数クリックで用意し、S3のデータを分散処理できます。Amazon Web Services, Inc.

• Spark on EMRは機械学習（MLlibによるスケールアウト学習）、ストリーム処理、インタラクティブSQL、ETLまで幅広くカバーします。Amazon Web Services, Inc.

• Amazon SageMakerと連携して、EMR上のSparkから学習・推論ジョブをSageMakerに渡すことも可能です。これは大規模特徴量生成をSparkで行い、その後のMLライフサイクル管理をSageMaker側でやる、という分業に向いています。Amazon Web Services, Inc.

• EMR Serverless：近年は“サーバレス版EMR”が提供されており、Sparkジョブを投げるだけで自動的に必要な計算リソースが立ち上がり・スケールし・終了します。クラスタ常駐管理が不要になり、アイドルコストを抑えられる、というのが狙いです。Amazon Web Services, Inc.+2AWS Documentation+2

  • ストリーミング（Spark Structured Streaming）もEMR Serverless上でスケールさせられるようになっていて、リアルタイム処理基盤としても使えます。Amazon Web Services, Inc.

  • Step Functionsなどとつなげて、バッチETLパイプラインや定期集計をワークフロー化することも一般的です。Amazon Web Services, Inc.

まとめると、EMRは「Sparkを含むビッグデータOSSスタックをほぼ素のまま使いたい」「チューニング自由度も欲しい」「でもインフラ管理は極力AWS側に任せたい」という場合の主力です。Amazon Web Services, Inc.+2AWS Documentation+2

---

3.2 AWS Glue

用途イメージ：サーバレスETL特化（データ整備・カタログ化）

• AWS Glueはサーバレスのデータ統合／ETLサービスで、裏側の実行エンジンとして最適化済みのApache Sparkランタイムを採用しています。GlueのSparkランタイムはオープンソース版Sparkより高速化・コスト削減のためにAWS側でチューニングされています。AWS Documentation+2Amazon Web Services, Inc.+2

• “ジョブ”単位でPySpark（またはSpark SQL変換スクリプト）を投げるだけで、Glueがインフラを自動で用意・スケール・終了します。管理するのはスクリプトとスケジュールだけです。AWS Documentation+1

• Glueにはクローラとデータカタログがあり、S3等のデータソースを自動的にスキーマ推定してメタデータ管理できます。これは組織横断の“データレイクの目録（データカタログ）”として使われます。CloudThat+1

• ストリーミングETLもサポートしており、Spark Structured StreamingベースでKinesis等のリアルタイムデータを取り込みつつクレンジング→S3/Redshiftに流し込むことができます。AWS Documentation+1

Glueは「分析用データをきれいに整備してRedshiftやデータレイクに流し込みたい」「とにかくサーバレスで、ETLパイプラインの管理コストを最小化したい」という場合に選ばれます。AWS Documentation+1

---

3.3 ストリーミング連携：Amazon Kinesis × Spark

用途イメージ：リアルタイムのイベント処理／監視／不正検知

• Amazon Kinesis（Data Streamsなど）は、クリックログ・IoTセンサー・アプリイベントなどを高スループットで取り込み、ほぼリアルタイムで下流に流します。AWS Documentation+1

• Spark Structured StreamingはKinesis Data Streamsのコネクタを通じて、専用スループット（Enhanced Fan-Out）で各シャードから2MB/秒レベルの読み取りが可能です。これにより、低レイテンシーでの集計・アラート・ダッシュボード更新・特徴量生成などができます。AWS Documentation+1

• この構成は「リアルタイム売上監視」「決済不正検知」「パーソナライズ広告の即時更新」のような、秒〜分単位の応答が必要なケースでよく採用されます。AWS Documentation+1

---

3.4 SageMaker連携（学習・推論のMLOps化）

用途イメージ：Sparkで特徴量生成 → SageMakerでモデル運用

• Spark（特にEMR上のSpark）は、巨大データから特徴量を生成・集計・前処理する部分に強い。Amazon Web Services, Inc.

• その後、Amazon SageMakerに渡して分散学習・ハイパーパラメータ最適化・モデルデプロイ（エンドポイント化）まで持っていく、という分業パターンが一般的になっています。Amazon Web Services, Inc.

---

4. ざっくり使い分けイメージ

シナリオ	向いているAWSサービス (Spark関連)	ねらい
データレイクのバッチETL／日次集計	AWS Glue（サーバレスSparkランタイム）	最小運用コストでETLを回したい
ストリーミングETL／リアルタイム分析	Spark Structured Streaming + Kinesis／EMR Serverless	数秒〜数十秒で検知・集計したい
ビッグデータの自由度高い分析・ML基盤	Amazon EMR / EMR Serverless（Sparkクラスター/ジョブ）	OSSスタックをほぼそのまま使いたい
特徴量生成から学習・推論まで一気通貫なMLパイプライン	EMR上のSpark + SageMaker	大規模データで学習し、そのまま本番提供したい

（上記はそれぞれのサービス公式ドキュメント・活用事例に基づき要約しました。InfoQ+4Amazon Web Services, Inc.+4AWS Documentation+4）

---

まとめ

• Apache Sparkは「大量データをまとめて変換・学習・分析」「リアルタイムで流れてくるデータを即座に処理」の両方を1つのエンジンでこなせるのが強みです。Amazon Web Services, Inc.+2spark.apache.org+2

• AWS側ではSparkをいちから自分でEC2に構築しなくても、

  • Amazon EMR / EMR Serverless（ビッグデータ/ML向けの高自由度クラスタ・サーバレス実行）Amazon Web Services, Inc.+2AWS Documentation+2

  • AWS Glue（サーバレスETL基盤。Glue 5.0は最適化Spark 3.5系でさらに高速化・低コスト化）Amazon Web Services, Inc.+1

  • Kinesis + Spark Structured Streaming（リアルタイム処理）AWS Documentation+2AWS Documentation+2

  • EMR ↔ SageMaker連携（特徴量生成から学習・デプロイまで）Amazon Web Services, Inc.
    という形で目的別のマネージド選択肢が揃っています。