正解：（イ）分割統治法（Divide and Conquer）

【分割統治法を採用している代表的なアルゴリズム】 ← 超頻出ポイント！

アルゴリズム名	分割と結合の具体的な仕組み
マージソルト	要素群を半分ずつに再帰的に分割し、1要素まで細分化したあとにソートしながら結合（マージ）していく（計算量: $O(n \log n)$）。
クイックソート	「基準値（ピボット）」を選び、それより小さいグループと大きいグループに分割して再帰的に処理する（平均計算量: $O(n \log n)$）。
二分探索（バイナリサーチ）	ソート済みの配列で、中央の値と比較して探索範囲を半分に分割（削ぎ落とし）しながら目的のデータを検索する（計算量: $O(\log n)$）。

正解：（イ）貪欲法（Greedy Algorithm）

【代表的なアルゴリズム設計技法の比較】 ← 超頻出ポイント！

設計技法	アプローチの特徴	代表的な適用例
（イ）貪欲法 （Greedy）	各ステップで目先の局所最適解を検証せずに選択する。高速。	おつりの枚数最小化（日本円等の硬貨）、ハフマン符号、プリム法・ダイクストラ法（グラフ最短経路）
（ア）動的計画法 （DP）	問題を小さな部分問題に分割し、部分問題の計算結果をメモ（記録）して再利用することで全体最適解を求める。	ナップサック問題、編集距離（Levenshtein distance）
（ウ）分割統治法	大きな問題を小さく分割し、それぞれを独立して解いたあとに解を結合・統合する。	マージソルト、クイックソート
（エ）バックトラッキング	解の候補を探索し、条件に合わないと分かった時点で1つ前の分岐まで戻って別の選択肢を試す（枝刈り）。	Nクイーン問題、迷路解法

正解：（ア）メモリコンパクション（Memory Compaction）

【記憶管理における関連用語の比較】 ← 超頻出ポイント！

用語名	動作・メカニズム
（ア）メモリコンパクション	メモリ上の使用中領域を詰めて移動し、連続した大きな空き領域を作る。
ガーベジコレクション	プログラム内で使われなくなった不要なメモリ領域（ゴミ）を検知し、自動的に解放して再利用可能にする。
（ウ）スラッシング	仮想記憶システムで物理メモリが不足し、ページアウト/インが多発して処理能力が極端に低下する状態。
デフラグ（デフラグメンテーション）	ハードディスク（HDD）などの補助記憶装置上で、断片化したファイルを整理・再配置する処理。

正解：（イ）ブロードキャストストーム（Broadcast Storm）

【ブロードキャストストームの回避技術・対策】 ← 超頻出ポイント！

防止技術・機能	動作・メカニズム
スパニングツリープロトコル（STP）	スイッチ間で制御フレーム（BPDU）をやり取りし、物理的なループ経路の一部を論理的に遮断（ブロック）して木構造（ツリー状）を作る。
ループ検知機能	スイッチ自身がテストフレームを出力し、自分に戻ってきた場合にポートを自動閉鎖して障害を防ぐ。
ストームコントロール機能	特定のポートで閾値以上のブロードキャストトラフィックが発生した際、超過分のフレームを破棄・制限する。

正解：（イ）フリップフロップ回路（Flip-Flop）

【フリップフロップの利用場所と関連知識まとめ】 ← 超頻出ポイント！

適用先・概念	特徴・仕組み
SRAM（Static RAM）	フリップフロップで記憶セルを構成する。リフレッシュ（再充電）動作が不要で高速だが、回路が複雑で大容量化が難しい（キャッシュメモリに使用）。
CPUレジスタ	CPU内部で演算データを一時保持する最も高速な記憶領域。フリップフロップ群で構成される。
DRAM（Dynamic RAM）との違い	DRAMはコンデンサ（電荷）で1ビットを記憶するため、放電を防ぐリフレッシュ（再充電）操作が必要（主記憶・メインメモリに使用）。

正解：（イ）デジタルツイン（Digital Twin）

【デジタルツインの活用例と主なメリット】 ← 応用・記述問題でも超頻出！

活用分野	具体的な内容と効果
製造・工場（スマートファクトリー）	稼働中の製品や製造装置の状態を監視し、部品の摩耗や故障を事前に察知（予知保全）する。
都市・交通（スマートシティ）	都市全体の交通量、人流、気象データを再現し、渋滞緩和策や災害時の避難シミュレーションを実施する。
開発・テスト	物理的な試作品を作らずに、仮想空間上で強度試験や動作テストを何度でも低コストで実行できる。

正解：（イ）フィジカルAI（Physical AI）

【フィジカルAIと関連AI技術の分類】 ← ポイント！

用語名	特徴・主な適用領域
（イ）フィジカルAI	高度なAIモデルを物理ボディ（ロボット・自動運転・ドローン等）に搭載し、現実空間で自律的に行動する技術。
（ア）マルチモーダルAI	テキスト、画像、音声、動画など「複数の異なる形式のデータ」を同時に理解・処理できるAI技術（フィジカルAIの目や耳として機能）。
（ウ）エッジAI	端末側（現場デバイス）でAI推論処理を行い、リアルタイム応答（低遅延）を実現する実装形態（フィジカルAIの制御に必須）。

正解：（イ）コンテナオーケストレーション（Container Orchestration）

【コンテナオーケストレーションが提供する主な機能】 ← 超頻出ポイント！

機能名	具体的な制御内容
自動デプロイ・配置	空きリソースの多い適切なサーバ（ノード）を自動選択してコンテナを配置・起動する。
オートスケーリング	アクセス増加時やCPU負荷上昇時に、自動でコンテナの個数を増やして対応する。
セルフヒーリング（自己修復）	コンテナがクラッシュ・停止した場合、自動的に検知して再起動または再作成する。
ロードバランシング	複数のコンテナ間でトラフィックを均等に分散し、サービス不能を防ぐ。

正解：（イ）モノリスアーキテクチャ（Monolithic Architecture）

【モノリス vs マイクロサービスの比較表】 ← 超頻出ポイント！

比較項目	モノリスアーキテクチャ	マイクロサービスアーキテクチャ
構成単位	すべての機能が1つのプログラム（一体型）	機能ごとに独立した複数のサービス群（分散型）
デプロイ・更新	一部分の変更でもシステム全体の再デプロイが必要	サービスごとに独立して開発・デプロイが可能
スケーラビリティ	全体をまるごと複製して増強（部分拡張は困難）	負荷の高い特定サービスだけを個別にスケールアウト可能
初期開発・運用	全体像を把握しやすく、初期開発やテストが容易	サービス間通信（API）や分散管理の設計が複雑

正解：（イ）ローリングメンテナンス（Rolling Maintenance / Update）

【無停止デプロイ・更新手法の比較】 ← 超頻出ポイント！

手法・名称	概要・特徴	主なメリット
（イ）ローリング メンテナンス	冗長化されたノードを「1台ずつ順に」切り離してアップデートし、戻していく。	追加の予備環境を用意する必要がなく、リソースを最小限に抑えられる。
（ア）ブルーグリーン デプロイ	現行環境（Blue）と全く同じ新環境（Green）を用意し、ロードバランサーの切り替えで一瞬で移行する。	問題発生時に元の環境へ一瞬で切り戻し（ロールバック）できる。
（ウ）カナリア デプロイ	新バージョンを「一部のユーザ（数％）だけに先行公開」して挙動を確認し、段階的に拡大する。	バグ発生時の影響範囲を限定的に抑えられる。