基本情報 平成26年度 秋期 問28｜テクノロジ系に関する問題

答えは c「冗長性を排除することによって，更新時異状を回避する」 です。

「正規化」はデータの重複を整理する作業。同じ情報があちこちに散らばっていると、片方だけ更新して食い違いが起きやすくなります。

例：顧客の住所が「注文表」と「顧客表」の両方に書いてあると、引越しのときに片方の更新を忘れて住所が2種類になってしまう。これが更新時異状です。

👉 覚え方：「正規化＝重複をなくして更新の食い違いを防ぐ」。

ほかの選択肢：a 格納効率の向上は主目的ではない（表が増えてかえって結合が必要になる）／b 整合性制約を「排除」は逆／d ロック待ちを減らすことは目的ではない。

なぜこれが正解か

正解は c。第3正規形までの正規化の目的は、データの冗長性を排除し、更新時異状・挿入時異状・削除時異状を回避することにある。同じ事実を1か所だけに記録するよう表を分解することで、一部だけ更新されて内容が食い違うといった不整合を防ぐ。

各選択肢の解説

• a：値の重複がなくなって格納量が減ることはあるが，それは副次的な効果。表の分割によって結合が必要になるため，格納効率や性能の向上は正規化の目的ではない。
• b：正規化は整合性を保つための手法であり，整合性制約を「排除」するものではない。
• c：冗長性を排除し，更新時異状を回避する（正解）。
• d：属性間の結合度やロック待ちの削減は正規化の目的ではない。

覚え方・ひっかけ注意

「正規化の3つの異状（アノマリー）」：

• 更新時異状：同じデータの複数箇所の更新漏れ
• 挿入時異状：関係のない情報がそろわないと行を挿入できない
• 削除時異状：行を削除すると残したい情報まで消えてしまう

これらを防ぐのが正規化。第1正規形（繰返し項目の排除）→第2正規形（部分関数従属の排除）→第3正規形（推移的関数従属の排除）と進む。検索性能のために意図的に非正規化することもある。

理論的背景

E.F.Coddが提唱した関係モデルの中核理論で、正規形は関数従属性（Functional Dependency, FD）の分析に基づく。

• 第1正規形（1NF）: 繰返し項目を排除、各属性は原子的（atomic）
• 第2正規形（2NF）: 1NF + 主キーの一部への部分関数従属を排除
• 第3正規形（3NF）: 2NF + 推移的関数従属を排除（X→Y, Y→Z ならZのみのテーブル分離）
• BCNF（Boyce-Codd正規形）: すべての関数従属の左辺がスーパーキー
• 第4正規形（4NF）: 多値従属性の排除
• 第5正規形（5NF/PJNF）: 結合従属性の排除

各段階で「冗長性削減」と「異状回避」を実現するが、結合コスト増加と読込み性能低下のトレードオフがある。

実務での使われ方

OLTP（オンライントランザクション処理）では更新整合性が最優先で3NF以上が標準。OLAP（オンライン分析処理）では読込み性能優先でスター/スノーフレークスキーマによる意図的非正規化が行われる。

NoSQL（MongoDB、DynamoDB、Cassandra）は意図的に非正規化を許容し、結合不要のドキュメント/列指向設計で読み込みスケーラビリティを獲得。これは「正規化はトランザクション整合性、非正規化は読み込みスケーラビリティ」のトレードオフで、CAP定理・PACELC定理にも関連する。

現代のクラウド時代では、CDC（Change Data Capture）でOLTP正規化DB→OLAP非正規化DWHへリアルタイム連携し、両者の利点を享受するLambdaアーキテクチャやKappaアーキテクチャが主流。dbtで非正規化変換をコード管理する。

試験での位置づけ

FE/AP/DBスペシャリストのデータベース設計分野で必出。①各正規形の定義、②関数従属性の判定、③第3正規形までの分解手順、④非正規化のトレードオフ、⑤関係スキーマ設計の良し悪し、が主要論点。AP/DBスペシャリストでは具体的なテーブル設計問題で頻出。

選択肢の発展補足

非正規化の典型シナリオ: ①集計列の事前計算（売上合計の冗長保持）、②外部キー先のラベル展開（顧客名を注文表に複製）、③履歴管理（バージョン管理付き）、④読込み専用ビュー（マテリアライズドビュー）。これらは正規化の理論的「正しさ」を犠牲にして実用性を高める手法。

NoSQL（特にDocument DB）では「1リクエスト1ドキュメント」原則で関連データを埋め込み、結合排除でスケーラビリティを得る。MongoDBの埋め込みドキュメント、DynamoDBのSingle Table Design（1テーブルで複数エンティティを表現する高度技法）がその極致。「正規化↔非正規化」は永遠のトレードオフで、AI/ML時代の特徴量ストア（Feature Store）でも同様の議論が続いている。