本番環境で「何かがおかしい」という漠然としたアラートだけが上がり、根本原因の箇所を特定できずに時間を溶かした経験がある方に向けた記事です。箱部屋で鳴り続ける正体不明のビープ音を、複数デバイスの音声データから三角測量で位置特定したツール「Beep Locator」の仕組みを、クラウド運用における障害切り分けの観点から読み解きます。
開発ツール「Claude Code」(Anthropic社のAIコーディングエージェント。コマンドラインやクラウド経由でコードを書かせられる)を使い、個人の自宅で発生した物理的な騒音源の特定作業を自動化した事例ですが、やっていることの構造は分散システムの障害調査とよく似ています。単一の観測点では位置が分からない事象を、複数の観測点のデータを突き合わせて絞り込む、という発想そのものが監視設計のヒントになります。
何が起きていたか、技術的な仕組み
箱部屋のどこかから間欠的にビープ音が鳴るものの、人間が部屋に立って耳だけで探しても発生源を特定できない状況でした。
そこで採用されたのが「BeepBeep」という2007年の論文で提案された音響測位手法です。スピーカーとマイク、デバイス間通信さえあれば特別なインフラなしで距離を測れる、という点がポイントです。
具体的な仕組みは次の流れです。まずPythonで書かれたWebサーバーが中心になり、iPadやスマートフォン、ノートPCなどの「リスナー」デバイスがWebSocket(サーバーとブラウザが双方向にリアルタイム通信するための仕組み)経由で接続します。
各リスナーはブラウザのマイク機能を使い、直近60秒分の音声をバッファとして保持し続けます。同時にFFT(高速フーリエ変換。音声を周波数成分に分解する計算手法)とハイパスフィルタを使った簡易な検知ロジックで、ビープ音らしき波形をローカルで見張っています。
どこかのデバイスがビープ音を検知してサーバーに報告すると、サーバーはそのタイミングで最もラウンドトリップタイム(通信の往復にかかる時間)が短いデバイスに短いチャープ音(合図音)を鳴らさせます。全リスナーがそのチャープの前後0.6〜0.8秒程度のクリップをアップロードすることで、各デバイスの録音データの時刻合わせができ、これが位置計算の精度を左右する重要なステップになっています。
最初はデバイス同士が音を鳴らし合って自動的に位置関係を推定する方式を試したものの、精度が出なかったため、画面上でアイコンをドラッグしておおよその位置を手動指定してから音響データで微調整する「Rough mode」が追加されました。最終的にビープ音の発生源を誤差40cm程度まで絞り込み、電池切れ間近の一酸化炭素検知器が犯人だったと判明しています。
障害調査における「三角測量」との共通点
この構造は、クラウド環境での障害の根本原因分析(RCA: Root Cause Analysis)に通じる部分があります。
単一のサーバーのログだけを見ていても、マイクロサービス間を跨ぐレイテンシ悪化や断続的なエラーの発生源は特定できません。複数のサービス、複数のリージョン、複数のレイヤーから集めたデータを時刻で突き合わせて初めて、問題の「発生源」が浮かび上がります。
たとえばAWSであればX-Ray(分散トレーシングサービス)、Datadogであれば分散トレースの機能がこの「チャープ音による時刻合わせ」に相当する役割を果たします。各サービスがリクエストにトレースIDを付与し、タイムスタンプを揃えて記録することで、どのサービスのどの処理で遅延が発生したかを後から再構築できる仕組みです。
ビープ音の事例における「60秒のバッファを保持し続ける」という設計も見逃せないポイントです。障害発生後にログを見に行っても手遅れ、というケースは監視の現場でよくあります。直近の情報を常に一定時間バッファしておく「ローリングウィンドウ」的な発想は、APMツールのトレースサンプリング設定や、CloudWatch Logsの保持期間設計にそのまま応用できる考え方です。
既存の監視手法との違いと使い分け
単一障害点の特定であれば、1台のサーバーのメトリクス(CPU・メモリ・ディスクI/O)を見れば十分なことが多いです。
しかし分散システムでは「どのコンポーネントが悪いのか」自体が分からないケースが珍しくありません。このときに効くのが複数観測点からのデータ突き合わせという発想で、Beep Locatorのやり方はまさにこの縮図になっています。
既存の監視スタックと比較すると、次のような役割分担で整理できます。
| 手法 | 何を特定するか | クラウドでの相当ツール |
|---|---|---|
| 単一ホスト監視 | そのホスト内の異常 | CloudWatch Agent, node_exporter |
| 分散トレーシング | リクエストが遅延した箇所 | AWS X-Ray, Datadog APM |
| ログ相関分析 | 複数サービス間の因果関係 | CloudWatch Logs Insights, Splunk |
| 三角測量的推定 | 観測点から未知の発生源を逆算 | Beep Locatorの手法そのもの |
4段目の「三角測量的推定」は、通常の監視ツールが前提としない発想です。障害の発生源に直接センサーを置けない場合、周辺の観測点から逆算する、という考え方自体を監視設計に持ち込む価値があります。
今日から確認できること
自分のシステムで同じような「発生源不明の障害」に悩んでいる場合、以下を確認してみてください。
- トレースIDがサービス間のログ・メトリクスで一貫して付与されているか(時刻合わせの仕組みが欠けていないか)
- 障害発生後に「あのときの状態」を再現できる保持期間でログ・メトリクスを残しているか
- 複数の観測点(リージョン・AZ・サービス)のデータを同じダッシュボードで時系列に並べて見られる状態になっているか
- AWSならX-Rayのサンプリングルールが有効か、Datadogならトレース収集率が十分な値になっているか(デフォルトのサンプリング率だと肝心のタイミングのトレースが欠落することがあります)
特にサンプリング率の設定は見落とされがちです。コスト削減のためにトレース収集率を絞りすぎると、いざ障害調査をしたいタイミングで肝心のデータが欠けている、という事態になりかねません。
まとめ
正体不明のビープ音を複数デバイスの音声データで三角測量する手法は、単一の観測点では見えない障害を複数の観測点から逆算するという発想の分かりやすい実例になっています。
クラウド運用の現場でも、分散トレーシングのトレースID付与状況、ログ・メトリクスの保持期間、サンプリング率の3点は今すぐ確認できる項目です。
特に「障害発生後に当時のデータが残っているか」は、普段の監視設定を見直す良いきっかけになります。一度、自分のチームのX-RayやAPMの設定画面を開いて、サンプリングルールと保持期間を確認してみてください。