• 學位論文

整合開放性帳號及低成本，高可用性儲存設備P2P應用系統開發模式

現今社會越來越多的服務是透過網際網路來提供，由於網際網路傳輸的終端與終端的特性(end-to-end characteristic)，多數的網際網路服務是以客戶端/伺服器模式(client/server model)來進行實作，而其中大部份的服務都要求使用者必須註冊一組帳號與密碼，如此會造成兩種困擾：1.當使用者越來越多時客戶端/伺服器模式的服務效能及延展性會變差。2.使用者要為每一種網際網路服建立帳號及密碼會令使用者覺得厭煩。因此兩個解決此問題的技術被提出來，一個是解決客戶端/伺服器模式瓶頸的P2P架構，另一個是提供單一登入帳號的OpenID技術。雖然P2P提供分散式的服務以解決因使用者變多而引起的效能及延展性問題，但有關P2P的儲存方式的設計卻必須特別留意，P2P系統為了提高服務的可靠性，通常是以儲存複製的資料(replication)來因應，而此複製資料(replication)的個數則依每一個P2P系統所要求的忍受度(tolerance)來決定，P2P系統為維護複製資料(replication)的個數，每當帶有複製資料的節點離開或毀損時，系統必須嘗試在其他節點重建此複製資料，此重建過程往往會佔用相當的頻寬，因而影響服務效能。為了方便開發P2P的服務並避免使用者使用多組登入帳號及提升P2P服務的效能，本論文提出一個整合OpenID的P2P設計模式同時也針對資料重建的部份提出以再生編碼(regenerating code)結合快取的方式來改善重建資料的效能以提升網際網路的服務品質。我們在不用額外維護一份原始檔案的條件下，利用最近下載完的節點(peer)中的使用最近最少使用演算法的快取(LRU cache)中的資料來提高存取的效率以及降低編碼的成本，我們用模擬的方式，在不同快取大小以及不同節點可靠度(peer availability)之下，記錄最近存取檔案的節點的資訊。在實驗中，我們發現這些被記錄的節點在快取大小為64個檔案區塊(block)的條件下，有83%以上的比例可以改善存取效率和編碼成本。

• 學位論文

無線區域網路第一層與第二層核心技術之設計與實現

對於一個支持IEEE 802.11的接收器來說，最近以來的一個挑戰就是讓接收器架構越簡潔越好，譬如在無循環前綴單載波分組傳輸(non-cyclic prefix single-carrier block transmission, non-CP SCBT))、單輸入單輸出(single-input single-output, SISO)與多輸入多輸出(multi-input multi-output , MIMO)正交頻分複用(orthogonal frequency division multiplexing , OFDM)間進行有效率的硬體共享。基於頻率域類比數位轉換器(frequency-domain analog-to-digital conversion, FD-ADC)技術，本論文提出了一個多模接收器在頻率域上去處理所有的數位訊號，為了要在頻率域回復符號時序(symbol timing)，本論文提出了一個採用了符號速率循序並用匹配濾波器(matched filter)結果去搜尋的頻率域符號同步器(FD symbol synchronizer)，由模擬與實作結果顯示這個提出的頻率域符號同步器在低訊雜比下仍然很強健並且在VLSI實作上有很低的複雜度。而為了要讓等化器(equalizer)盡量簡潔，在無循環前綴單載波分組傳輸上，另外也提出了一個採用了單FFT架構以及球面解碼(sphere decoding)演算法的單載波頻率域等化器(SC-FDE)，因此IEEE 802.11b的等化可共用MIMO-OFDM收發機中的硬體元件。 除此之外，我們還設計了一個事前修剪的技術去更進一步降低使用空間多工多輸入多輸出傳輸中信號偵測的複雜度，這個事前修剪的技術利用zero forcing (ZF)的偵測結果及Nq-QAM星座圖上多層次結構的特性去減少傳統K-best演算法的搜尋空間，因此這方法很適合同時擁有K-best及ZF偵測器的接收器。 除了上述的實體層問題外，因為無線高速網際網路(Internet)的存取的增加讓資料由存取網路(access network)轉傳到網際網路的高速無線後置網路(wireless backhaul network)的需求變的必要，而實務上更高的傳輸率要更高的基地台密度，因此使得在高速無線後置網路的佈署中，使用基礎網路的架構變的不符成本效益，在這情況下，IEEE 802.11s 無線網狀網路(wireless mesh network, WMN)提供一個吸引人的方法來快速且低成本的佈署，在本論文中研發了IEEE 802.11s 無線網狀網路並實際佈署了一個3x3的格狀拓樸網狀網路在實驗室及一個跨三層樓的建築物中，考量到無線網狀功能的可攜性，網狀網路的開發是在一個現成的商用無線晶片中的純軟體延伸，其中使用模組化軟體設計及不需要高成本硬體更動，為了要加強傳輸廣播類(broadcast-type)網狀網路控制封包的可信度，數種廣播策略在實驗室中進行路由重建率、可接受的延遲及通道使用率等評量，對於網狀網路的佈署上，我們的觀察指出RTS/CTS可以增加網路吞吐量達到87.5%，另外比起使用IEEE 802.11b/g，用802.11n傳輸可在多重資料流(multi-stream)或多點跳躍(multi-hop)的通訊上能達到更好的公平性(fairness)，在本論文中總結的網狀網路的實驗觀察希望能提供給要佈署小型或中型室內IEEE 802.11s無線網狀網路的人一些導引。

• 學位論文

線條化藝術畫之自動產生與其在資訊隱藏上之應用

本論文研究探討了三種藝術影像的自動產生與資訊隱藏技術。這三種不同類型的藝術影像分別是「線條化類立體主義畫作」，「條狀化類未來主義畫作」，與「方塊化類新造型主義畫作」。除了建立一套自動產生這三種藝術畫的系統外，並利用其在影像處理上的特性，各提出了一種資訊隱藏的技術，以達到秘密傳輸之應用。第一種藝術畫─線條化類立體主義畫作的產生方式，是將一張原始影像用霍夫轉換方式找到影像中主要的線條，再用這些線條重新組合出立體單色形塊的新藝術。進而根據人類視覺對平均區塊顏色的敏感度較低這項特性，在維持區塊的顏色平均下，決定各個像素重新填色的方式，來達到藏入秘密訊息的效果。第二種藝術畫─條狀化類未來主義畫作的產生方式，是先將一張原始影像分割成許多單色大區塊，並依其方向特徵加以切割成條狀。另利用此藝術畫留白畫風的特性來產生不同填色的順序，達到藏入秘密訊息的效果。最後一種藝術畫─方塊化類新造型主義畫作的產生方式，是將一張原始影像用二元空間切割方式及相互信息(mutual information)進行遞迴式水平或垂直切割。本論文提出了兩個方法來利用此藝術畫來進行秘密傳輸：第一種是在二元空間分割過程中產生此影像的二元分割樹，利用微調葉節點的區塊平均色方式來達到藏入秘密訊息的效果；第二種是在區塊填色的時候，用二元空間切割方式逐步填色，用不同填色方向來達到藏入秘密訊息的效果。 除了上述的方法外，我們還提出了幾個增加安全性的方法，確保藏入的秘密資訊不被駭客發現。這些方法皆有實驗結果證明它們在視覺方面達到預期效果，以及在資訊隱藏技術上的可行性。

• 學位論文

運用關係萃取策略於動態社群探勘之研究

近來在動態社會網路上，因為社群演化的廣大應用，動態社群的問題已經引起重大的關注。多數潛在的社會現象實際上可經由分析社群網路結構萃取出來。雖然在動態社群上已有多數的研究發表。它們一般而言均針對一連串的互動圖作社群分群，一連串的互動圖是通常用來表現動態社群網路的一種方式。然而互動圖展露在人與人之間的關係可能是不夠充足，因為它只是在一個時間切片上的快照。在這時間切片上兩人若沒有互動發生，並不代表這兩人沒有關係。本篇論文提出一個新穎的演算法，EPC(關係萃取和社群氏族的社群探勘者)，可被用來探勘社群演化。我們提出了一個關係萃取策略，在一個時間窗內產生出關係圖。EPC 架構於關係圖來產生社群分群，且利用社群氏族對映來發掘出動態社群在動態社群網路上的演化。實驗結果在合成資料和真實數據中顯示EPC 的結果不僅在準確度比之前的方法佳，且在彈性和平滑程度也勝過之前的方法。

• 學位論文

應用於多天線偵測之可變可重疊之叢集演算法

在這篇論文裡，我們推薦一個具有高輸出率、固定複雜度的硬性輸出球體解碼器，並支援高維度64QAM、256QAM調變的4T4R和8T8R多輸入多輸出通訊系統。 本論文提出一基於可變可重疊之叢集的MIMO偵測方法(Variable and Overlapped Cluster-based MIMO Detection Algorithm)，在PER 在0.08下與最大相似算法誤差在0.5dB以內，較K best球體解碼器演算法低複雜度，可硬體實作的演算法。 本演算法是在偵測前，以基礎等化器找出的可能落點為依據，決策出該每個天線維度上可能候選星群，並以寬度優先搜尋的分支分界的方法，結合MMSE-SQRD解碼的系統架構來解碼，而本叢集分群法為以下兩種： 重疊叢集法(Overlap cluster)，為一減少複雜度並維持偵測效能之方法，在叢集的決策上，為了減少在邊界情況(Boundary condition)下的決策失誤，兩個不同的群可能會有相同的候選星群，藉此在叢集上有更高的準確性。 可變叢集法(Dynamic cluster)，為適應不同天線的通道衰減效應，而改進的叢集法。在決策的候選星群時，利用排序QR分解(Sorted QR Decomposition)演算法之通道路徑的範數(norm)資訊，使低通道衰減之天線有低數量之候選星群，高通道衰減天線維度擁有較多數量之候選星群候選星群，而此法符合實際天線陣列在真實情況下的傳輸環境。 實作於IEEE 802.11n的通訊平台上，提供4T4R和8T8R在高維度64QAM、256QAM調變，在符合TGN-E所規範的通道模型中進行模擬。模擬結果指出此演算法與傳統K-best球體解碼器，若維持PER 在0.08的誤差0.5dB之內，以較低的複雜度完成相同的系統效能；若維持約略相同複雜度之下，具有較佳的系統效能表現。因此，此演算法為多輸入多輸出系統提供了具有低複雜度、接近效能最佳化的偵測演算法。

• 學位論文

基 於 動 態 調 整 權 重 之 co-cluster

由於科技的進步，網路的發展，造成資訊量迅速攀升，然而這樣的進步卻相 對的造成使用者必須付出更多的時間去瀏覽所需的文件。有鑒於現今搜尋引擎的 廣泛使用，人們希望以更高的效率與效能取得資訊，其中分群的技術應用，扮演 著重要的角色。在搜尋的過程中，若能先將文件做好適當的分群，則可讓搜尋系 統提供更結構性的結果給使用者。如此一來，不僅可以減少搜尋文件的時間，更 可加快使用者找到自己想要的文件。 本研究利用Co-Clustering 的分群方法為基底並做更進一步的改良，針對分 群效能的改善以及feature 權重的增減加以討論，並且以Reuters、20newsgroup 及classic3 資料集做分析，萃取出核心關鍵字，並給予適當的權重，進而過濾一 些不必要的雜訊以及加強關鍵字的強度。利用座標的資訊，利用核心關鍵字在距 離群中心的距離為基礎做關鍵字之調整權重。接著，利用logistic function 的特性 對關鍵字之權重調整到介於0 與1 之間，再將關鍵字賦予調整後權重之後，再做 一次Co-Clustering，重複以上的動作達到收斂後，進而得到較高的分群結果。

• 學位論文

線上遊戲世界之物價資料分析─角色高階化現象探討

永續經營的線上遊戲世界中，角色的高階化是必然的趨勢。在高階化的遊戲世界中，高等級的玩家角色累積了較多的財富，而造成較高的物價水準，因此角色的高階化現象將影響遊戲中的經濟平衡。物價過高或是資源太少對於新手玩家來說都是不友善的遊戲環境，若未作出適當的調控，將無法吸引新玩家的加入，也會對遊戲的永續經營造成影響。基於遊戲經濟平衡的重要性，本研究欲藉由動態的觀察與分析遊戲世界中物價資料，探討遊戲的高階化現象。 本研究觀察《魔獸世界》遊戲伺服器中的經濟行為，將不同伺服器視為不同的經濟體，以遊戲中的拍買場資料持續觀察物價的波動。本研究結果發現在遊戲世界中，隨著伺服器年齡的增長，高階化程度提高，物價也隨之提高。另一方面，研究結果也發現雖然遊戲世界中的市場供需由作為群體的玩家角色們所影響，但物價將隨著遊戲重大變革而有立即的反應，所以系統對於遊戲中的物價調控有著決定性的影響。

• 學位論文

多文件摘要系統基於標題資訊

為了能在最短的時間內，得到最多的資訊內容，本論文發展自動摘要系統將這些大量的數位化文件剔除資訊量較低的句子，留下讀者想要吸取到的有用資訊，讓讀者快速且有效地了解這些資訊的內容而不失原意。

• 學位論文

以玩家風格為基礎的遊戲自動化組隊系統

現今的遊戲有一大部分是建立在玩家組隊之上的遊戲，但是目前的自動組隊系統並無法建立出一個適當的平衡使得玩家隊伍能面對適當等級的挑戰，而尤以在競技類型的遊戲中最為明顯，當遊戲未達到對戰組合平衡的時候，玩家可能會感到焦慮、沮喪、甚而咒罵自己隊友、提早離開遊戲、提早投降等，進而產生不好的遊戲經驗。因此本研究針對競技遊戲的自動組隊系統當作主題，並加入一個新的方向，以玩家風格當作主軸的組隊系統以期能改善目前的組隊系統。 為了瞭解玩家的遊戲風格對於隊伍平衡的影響，本研究除了用勝負各半與否來定義平衡之外，另外也使用了「樂趣平衡」的概念，這就類似棒球Call Game的概念一樣，將一方玩家過早投降，或結束遊戲的場次定義為「樂趣不平衡」。並在這之中觀測本來的組隊系統以及考量玩家風格的組隊方式對「樂趣平衡」的影響。 本次實驗中，發現目前的組隊系統對於「樂趣平衡」並無太大的影響，但玩家風格卻確實影響到了「樂趣平衡」，其中若以隊伍整體傾向為考量的話，兩邊隊伍是以「保守且團隊」的風格越容易達到「樂趣平衡」。若以玩家個體組成為考量，則發現「自由且團隊」傾向風格的玩家與「樂趣平衡」有很大的關係，隊伍中擁有這種玩家可以減低樂趣不平衡的場次比例，相對地沒有這類型的玩家就會增加樂趣不平衡的場次比例。

• 學位論文

基於Constrained-PLSA之半監督式文件分群

目前網路上的資料相當龐大，可輕易取得非常多未標記資料；然而監督式學習方法，需要給足夠標記的資料做訓練分類模型，資料標記往往需要浪費大量人力以及時間；而非監督式學習方法雖然不需要標記資料，但是往往使用者在分群之前已經有些背景知識，理論上這些知識應該加入系統，讓系統可快速有效的分群，所以本論文加入少許標記的資料，利用這已知的資訊，來達到更好的效果，同時不用介入過多的人力來幫助資料的分群。本論文提出Constrained-PLSA，這是一種半監督式學習的演算法，將些許標記資訊整合加入Constrained-PLSA演算法中，利用標記的資訊引導未標記的資訊導向正確的方向，使分群效果提升。最後實驗結果顯示只要些許的標記資料可以讓Constrained-PLSA達到穩定且不錯的效果。另外本論文也用Constrained-PLSA探討標籤分析，利用論文資料集做實驗，此資料集每篇文章包含了摘要和標籤兩個資訊，標籤是由使用者看完文章後所給定的關鍵字，因此標籤是一個很重要訊息；本論文分析出四種摘要和標籤的組合方式：Words only、Tags only、Words+Tags和Tags as words，利用這幾種組合方式做實驗，並用不同的分群演算法來討論分析哪個組合方式下，能使標籤有最好效能提升效果，在此實驗中也可看出Constrained-PLSA可以經由些許標記資料，有效提升分群效能。