cbc賞

毎年7月に中京競馬場で開催されるcbc賞は、3歳以上の馬による芝1200mのGⅢレースとして多くのファンを集める。ピーク時には単勝・複勝・馬単など数十種類の投票券が秒単位で売買され、走路の状態や馬の動きがリアルタイムで中継される。競馬というエンターテインメントの裏側には、決して目立たないが極めて高度なソフトウェア工学とデータ基盤が存在する。私たちが普段構築しているSaaSやFintechのシステムと本質的に変わらない、可用性・一貫性・低遅延を追求したアーキテクチャがそこにはある。

cbc賞の興奮の裏側で、数千リクエスト/秒を捌く分散システムが沈黙のうちに動き続けている。本稿では競馬レース、とりわけ大規模な売上とリアルタイム性を要求されるcbc賞を題材に、その技術スタックを基盤・データ・配信・セキュリティ・AIの観点から解説する。競馬ファンにとっては新たな視点、エンジニアにとっては本番環境の参考事例となることを目指す。

レース運営を支えるリアルタイムデータ基盤

cbc賞の出走馬確定からレース終了後の確定まで、膨大なデータが連続的に生成される。出馬表、走路状態、天候、馬体重、騎手変更、オッズ変動、着順確定情報などは、それぞれ異なるソースから集約される。これらを一貫性を保ちながらリアルタイムに処理するため、現代の競馬システムではApache KafkaやApache Flinkを中心としたストリーミングアーキテクチャが採用されることが多い。Kafkaは複数のデータソースからイベントを取り込み、Flinkはウィンドウ処理を使って時間ベースの集計を行う。

具体的には、投票所やモバイル投票から送られてくる購入イベントをKafkaのpartitionに振り分け、Flinkで集計用のワーカープロセスに渡す。ここで重要なのは「イベント時間」と「処理時間」の区別である。Flinkのwatermark機構を使えば、ネットワーク遅延によって順不同に到着した購入データでも正確な締切時刻ベースで集計できる。これはcbc賞のような大型レースで、最後の1秒まで大量の投票が集中する状況において、結果の正しさを担保する上で不可欠だ。

ストリーム処理の結果は、PostgreSQLやRedisなどの永続化・キャッシュレイヤーに書き込まれる。Redisはオッズの即座な参照に向いており、PostgreSQLは確定後の会計処理や監査証跡に向いている。このように、用途ごとに最適なストレージを使い分けるポリグロット永続化は、競馬システムにおける典型的な設計パターンである。リアルタイムデータ基盤の設計についてはこちらの記事も参照

オッズ計算と分散システムの一貫性設計

cbc賞の単勝オッズは、売上金額に応じて刻一刻と変化する。オッズ計算の核心は、全投票データを集約して払戻金を按分することだ。これを分散システムで実現する際、最大の課題は「強い一貫性」と「可用性」のトレードオフである。分散システムのCAP定理に照らせば、投票の締切という瞬間的なパーティションには一貫性を優先し、通常時には可用性を優先する設計が必要になる。

実装レベルでは、RaftやPaxosに代表されるコンセンサスアルゴリズムがコアに使われる。たとえば締切直後の「売上集計と払戻配分」は、クラスタ内のleaderノードが一元的に計算し、quorumを得てから結果を確定する。こうした整合性の高い処理にはetcdやZooKeeperのような coordination service が活用される。私が本番環境で関わった高頻度トレード系のシステムでも、同様にRaftベースのリーダー選出を使い、決算処理の直列化を図った経験がある。

逆に、レース開催中の「参考オッズ」表示は最終的な整合性を許容できる。こちらはCassandraやDynamoDBのようなAP系データストアに集計結果を置き、Read Replicaを増やして参照負荷を分散する構成が有効だ。つまりcbc賞のような競馬システムは、用途ごとにCP系とAP系のストレージを使い分けるハイブリッドアーキテクチャを採用しているケースが多い。

画像認識と判定支援システムの技術進化

レースの着順判定は、従来から写真判定（フォトフィニッシュ）が使われてきた。現在では、ゴール板近くに配置された高フレームレートカメラが1秒間に数千枚の画像を撮影し、判定官が参照するシステムが標準的だ。画像処理の観点では、OpenCVを用いたエッジ検出や、馬の鼻先位置を特定するためのセグメンテーション技術が使われる。最近では、Deep Learningベースの姿勢推定（Pose Estimation）も導入されつつある。

ただしAIによる自動判定は慎重に扱われるべきだ。競馬の着順は金銭的な払戻に直結するため、人間による最終確認が必須である。したがって画像認識システムは「判定支援システム」として位置づけられ、判定官が客観的な指標を得るための補助ツールとなる。これは医療画像診断や金融の与信判定と同様、説明可能性（Explainability）と人間のオーバーライドを重視するAIの典型的な運用形態といえる。

動画配信側も技術的に高度化している。走路全体をカバーする4Kカメラ群からの映像は、H. 265/HEVCやAV1で圧縮され、MPEG-DASHやHLSを介して配信される。特に複数カメラを合成した「バーチャルリプレイ」は、3DCGレンダリングエンジンと同期制御の組み合わせだ。これによりcbc賞の接戦を、任意の角度から再確認できるようになった。

競走馬の生体データとIoTセンサーの活用

現代の競馬では、競走馬の心拍数、歩調、接地パターン、体温などを測定するIoTデバイスが訓練時に使われている。これらのセンサーデータはBluetooth Low Energy（BLE）やLPWA（Low Power Wide Area）を介ってスマートフォンやゲートウェイに送信され、クラウド上の時系列データベース（InfluxDBやTimescaleDBなど）に蓄積される。cbc賞の出走馬も、調教時にこうしたデバイスを装着し、負荷量と回復力を定量的に評価している可能性が高い。

時系列データの分析では、異常検知アルゴリズムが重要になる。たとえば心拍数の急激な上昇や、左右の対称性の崩れは、怪我や疲労蓄積の前兆かもしれない。本番環境では、PrometheusのRecording RulesやGrafana Alertingと組み合わせて、閾値ベースおよび統計ベースの異常検知を行うことが多い。競馬においても同様に、調教担当者や獣医師がダッシュボードを確認し、異常値を早期に把握する仕組みが構築されている。

一方で生体データの取り扱いにはプライバシーと倫理の観点が必要だ。馬に対するデータ収集と、それを元にした出走判断は透明性が求められる。馬主や関係者に対してどのようなデータを共有し、どこまで自動化して判断するかは、プラットフォームガバナンスの一環として整備されるべきだ。

モバイル投票と決済システムの高可用性設計

cbc賞の投票は、競馬場の窓口だけでなくスマートフォンやパソコンからも行われる。レース直前になると、同時接続数が急増し、通常時の数倍から数十倍のトラフィックが発生する。このようなバースト負荷に耐えるため、マイクロサービスアーキテクチャとコンテナオーケストレーション（Kubernetes）が採用される。Horizontal Pod Autoscaler（HPA）とCluster Autoscalerを組み合わせ、CPU使用率やカスタムメトリクスに応じて自動スケールアウトする構成が一般的だ。

決済処理にはPCI DSSへの対応が求められる。クレジットカード情報は決済ゲートウェイにトークン化し、アプリケーションサーバーには保存しない。認証にはFIDO2やWebAuthnによる多要素認証が推奨される。JRAのような公的機関のシステムでは、身分証明書番号や口座情報の取り扱いにも十分な暗号化（AES-256-GCM）とアクセスログの監査が必要になる。

可用性を担保するためには、複数の可用性ゾーン（AZ）にワークロードを分散させ、データベースもマルチAZレプリケーションを行う。さらに災害時には別リージョンへのフェイルオーバー計画が必要だ。これらはSREの文脈でいう「シングルポイント・オブ・フェイラーの排除」に直結する。私が担当したFintechサービスでも、決済のタイムアウトを監視するSLOを99. 99%に設定し、エラー予算を管理していたが、競馬の投票・決済システムも同様のアプローチが妥当だろう。

位置情報とGISによる走路管理と安全性向上

中京競馬場の芝1200mコースは、馬と騎手の安全を確保するために常に管理されている。近年では、GIS（地理情報システム）と高精度GPSを組み合わせた走路モニタリングが導入されつつある。芝の起伏や含水率、馬場状態を測定するセンサーを地図上にプロットし、整備計画に反映させる仕組みだ。PostGISのような空間データベース拡張を使えば、これらの位置情報を効率的にクエリできる。

競走中の馬の位置追跡も技術的に興味深い。走路に設置されたRFIDリーダーや、馬の蹄鉄に装着された超小型タグを使うことで、通過順やラップタイムを自動計測できる。これはRFIDのEPCglobal標準やISO/IEC 18000シリーズに準拠した実装が考えられる。ただし馬の高速移動に対応するには、リーダーの配置密度とアンテナの指向性を慎重に設計する必要がある。

GIS技術は、災害時や緊急時の避難経路計画にも活用される。競馬場は一度に数万人が集まる施設であり、万が一の事故や自然災害に備えたデジタルツイン（Digital Twin）化が進んでいる。これにより、管理者はリアルタイムに人の流れを把握し、適切な誘導が可能になる。

情報セキュリティと不正投票検知メカニズム

cbc賞のような大型レースでは、不正投票やマネーロンダリングのリスクが常につきまとう。システム側では、OWASP ASVS（Application Security Verification Standard）に基づいた開発と、WAF（Web Application Firewall）による攻撃検知が基本となる。SQLインジェクションやXSS、CSRFといったWeb攻撃に対しては、フレームワークの組み込み機能を最大限活用し、セキュアコーディングを徹底する。

不正検知の観点では、ルールベースと機械学習を組み合わせたアプローチが有効だ。例えば同一IPからの異常な大量投票、短期間に異なる決済手段を切り替える行動、勝率が統計的に不自然なアカウントなどを検知する。特徴量エンジニアリングでは、投票間隔の分散、地理的分布、デバイス fingerprint などを用いる。異常スコアが閾値を超えた場合は、自動的に追加認証を要求したり、専門チームによるレビューに回したりする。

監査証跡（audit trail）も重要だ。誰が、いつ、どの投票を行い、どのように確定したかを改ざん不可能な形で記録しておく必要がある。ブロックチェーンを使う必要は必ずしもないが、WORM（Write Once Read Many）ストレージや署名付きログを使った改ざん検知は有用だ。これにより、cbc賞の結果に対する信頼性が制度的に担保される。

低遅延中継とCDN配信の技術的課題

レースの生中継を視聴者に届けるには、超低遅延配信が求められる。投票をしながら映像を見ているユーザーにとって、数秒の遅延は体験を大きく損なう。従来のHLS配信では10秒〜30秒の遅延が発生しがちだが、近年ではWebRTCやRFC 9000で標準化されたQUIC、HTTP/3を使った低遅延配信が普及しつつある。

大規模な視聴者に対応するには、CDN（Content Delivery Network）を活用する。AWS CloudFront、Cloudflare、AkamaiなどのCDNエッジサーバーに配信をオフロードし、オリジンの負荷を減らす。特にライブ配信では、エッジでのキャッシュ制御が難しいため、HLSのセグメント長を調整したり、LL-HLS（Low-Latency HLS）を採用したりする。セグメント長を短くすると遅延は改善するが、CDNキャッシュのヒット率やバッファリング耐性が低下するため、トレードオフを慎重に評価する必要がある。

さらに、視聴者のデバイスや回線状況に応じたアダプティブビットレート（ABR）配信も重要だ。帯域が狭いモバイル回線では低画質に切り替え、Wi-Fi環境では高画質を提供する。これはDASHのMPD（Media Presentation Description）やHLSのマスタープレイリストで実現される。技術的には、クライアント側の帯域推定アルゴリズムが品質を大きく左右する。

予測モデリングと責任あるAIの設計

競馬ファンの間では、過去のレースデータから勝利馬を予測するAIモデルが盛んに議論されている。勾配ブースティング決定木（XGBoost、LightGBM、CatBoost）やニューラルネットワークを使って、走破タイム、上がり3ハロン、斤量、馬場適性、血統などを特徴量として学習する。時系列データを扱う場合は、LSTMやTransformerベースのモデルも使われる。

しかし競馬予測は金融市場と同様に「予測不可能な外生変数」が多く、単純な精度向上は難しい。天候の急変、競走中の接触、騎手の判断などは定量化しにくい。したがって本番運用では、モデルの出力を「確率分布」として扱い、リスク管理の文脈で活用することが重要だ。私がプロダクションで構築した推薦システムでも、point estimateだけでなく予測区間と不確実性を出力し、意思決定者が判断材料にする設計を採用していた。

責任あるAIの観点では、モデルのバイアスと透明性が問われる。たとえば特定の調教師や馬主に偏った予測になっていないか、過去のデータに含まれる構造的な偏りを検証する必要がある。SHAP（SHapley Additive exPlanations）やLIME（Local Interpretable Model-agnostic Explanations）を使った説明可能性の確保は、競馬におけるAI活用にも当てはまる。

監視・オブザーバビリティとSREの実践

cbc賞当日のようなピーク時にシステムを安定的に動作させるためには、オブザーバビリティが不可欠だ。OpenTelemetryを使って分散トレース、メトリクス、ログを統一的に収集し、JaegerやGrafana Tempoで可視化するアプローチが業界標準となっている。OpenTelemetryの公式ドキュメントでも、マイクロサービス間の依存関係を把握することの重要性が強調されている。

SREの観点では、サービスレベル目標（SLO）とエラー予算の設定が核心だ。例えば「投票APIの成功率は99. 95%以上」「オッズ更新の遅延は500ms以内」といったSLI（サービスレベル指標）を定義し、それを継続的にモニタリングする。アラートは閾値だけでなく、異常検知ベースにすることで、人間が対応できないほどのトラフィック変動にも自動で気づける。

カオスエンジニアリングも有効だ。本番環境に近いステージングで、データベースの一部を落としたり、ネットワーク遅延を注入したりすることで、復旧手順を事前に検証する。NetflixのChaos Monkeyが有名だが、金融や公営ギャンブルシステムでも同様の考え方が採用されるべきである。私の経験上、ピーク負荷を想定した負荷テスト（k6やLocustなど）とカオスエンジニアリングを組み合わせることで、本番での障害を大幅に減らせる。

FAQ：cbc賞と競馬システムについて

cbc賞の運営でどんなリアルタイムシステムが使われているのか？

投票データの収集・集計、オッズ計算、映像配信、着順判定の画像処理などがリアルタイムに行われている。Apache KafkaやFlinkのようなストリーミング基盤、RedisやPostgreSQLのようなストレージ、Kubernetes上のマイクロサービスが組み合わさって動作している。

オッズ計算はどうやって正確性と低遅延を両立しているのか？

通常時は最終的な整合性を許容したキャッシュ参照を行い、締切直後の確定処理ではRaftやPaxosなどのコンセンサスアルゴリズムを使って強い一貫性を担保する。用途に応じてCP系とAP系のストレージを使い分けるハイブリッド設計が採用される。

競馬中継の低遅延配信にはどんな技術が必要か？

QUIC/HTTP/3やWebRTC、LL-HLSなどの低遅延プロトコルに加え、CDNによるエッジ配信、アダプティブビットレート制御が必要だ。視聴者の回線状況に応じて画質を動的に切り替えることで、バッファリングを抑えつつリアルタイム性を確保する。

AIによる勝利予測は実運用でどこまで使われているか？

AIはあくまで予測支援やデータ分析のツールとして使われ、勝敗の確定や払戻の決定は人間が行う。特に説明可能性と不確実性の可視化が重要で、XGBoostやLightGBM、SHAPなどの手法が活用される。

投票システムのセキュリティ対策で特に重要なポイントは何か？

OWASP ASVSに基づいた安全な開発、PCI DSS準拠の決済処理、FIDO2やWebAuthnによる多要素認証、不正検知のためのルールベース・MLベースの監視、改ざん検知可能な監査証跡が重要だ。

結論：競馬はエンターテインメントでありソフトウェア工学の結晶でもある

cbc賞は単なるスポーツイベントではない。数百万単位のデータポイント、秒単位で変動するオッズ、万人規模の同時アクセス、高精細な映像配信、そして厳格なセキュリティ要求が交錯する、極めて高度な技術システムのフロントラインでもある。本稿で取り上げたKafkaやFlink、Kubernetes、OpenTelemetry、QUIC、機械学習フレームワークなどは、競馬業界以外のエンジニアにとっても馴染み深いものばかりだ。

競馬システムの設計思想は、Fintech、Eコマース、オンラインゲーム、ライブストリーミングなど、多くの分野に応用できる。特に「締切直後の整合性」「ピーク時のスケーラビリティ」「リアルタイム配信の低遅延」という3つの課題は、現代の分散システムが普遍的に直面するトレードオフを象徴している。次回cbc賞を観戦するときは、レース展開だけでなく、その裏側で動くソフトウェアアーキテクチャにも目を向けてみてほしい。

もしあなたのチームがリアルタイムデータ基盤、高可用性マイクロサービス、または責任あるAIの設計で課題を抱えているなら、お問い合わせフォームから相談してほしい。競馬システムと同じくらい厳しい可用性要求にも対応できる設計を一緒に考えていきたい。

What do you think?

公共性の高いリアルタイムイベントデータ（例：cbc賞のオッズ変動や走路情報）を、オープンデータとして第三者開発者に開放すべきか、それともセキュリティと公平性の観点から制限すべきか？

投票システムにおいて、超低遅延性と全ユーザーの公平なアクセス（地理的・回線的格差）を両立させるためには、どのような技術的・制度的な設計が必要か？

競馬の着順判定やオッズ確定といった金銭的影響の大きい場面で、AIの自動化と人間による最終判断の境界をどこに引くべきか？