• 學位論文

手背: 透過手背之手勢辨識研究

在這篇論文裡,我們探索透過手背來作為感測手勢的來源,其干擾 遠低於以手套形式作為感測手勢的方法以及提供比手腕和手肘作為來 源更為精準的辨識。我們的裝置利用應變規陣列黏貼於手背表面,並 利用機器學習相關技術來辨識多樣的手勢。 為了更加了解手勢辨識之正確度以及手背上不同感測位置的影響, 我們安排共計十位使用者實施使用者研究。實驗結果顯示出:藉由將 感測器所讀取之數值圖像化後,跨使用者的結果差異極大,而相同的 使用者則相似。對於跨使用者做出 16 個手勢的系統而言,系統辨識 之正確度落於 27.4%,而對於單一使用者而言,同樣的系統則能達到 95.8%的正確率。另一項實驗結果,則顯示以橫列為基礎的排列方式, 感測陣列最適合黏附於坐落在 MCP(手指與手掌間的關節) 至手腕頂端 之間 1/8 到 1/4 的位置。

• 學位論文

針對加密音訊之藉由改進直方圖位移技術的幾乎可逆式資料隱藏方法

這篇論文針對加密的音訊提出一個幾乎可逆式且高容量的資訊隱藏方法。有鑑於傳統方法: 從經過加密的音訊中挪出空間來存放額外的資訊，可能對還原後訊號的品質造成一定程度的影響，由於原始音訊具有連續的特性，我們以一半數量的取樣去預測另外一半的取樣，進而得到預測誤差，再從這些誤差中騰出空間，以利於音訊加密後將資訊藏入。內容擁有者需採取一套特定的加密技術去加密這些誤差，而其餘一半的取樣則可以使用任一種加密機制，如: AES 或位元exclusive OR 運算子。資訊隱藏者使用資訊隱藏金鑰加密資訊，並將其藏入經過加密的音訊中。在接收端，擁有資訊隱藏金鑰者可以正確無誤地取出藏入的資訊；並且，本方法支援兩種機制: 先解密音訊再取出藏入資訊或是先取出藏入資訊再解密音訊，使用者可以根據不同的應用採取不同的順序；最後，實驗結果指出我們提出的方法可以讓藏有大量資訊的音訊達到較好的品質，並且還原回來的音訊幾乎能被完全還原，其分段式訊號雜訊比的值可以超過或接近60 分貝。

• 學位論文

基於比特幣區塊鏈之分散式自治治理架構

在我的論文中描述了一分散式組織架構（Decentralized Autonomous Governance(DAG)）基於比特幣區塊鏈之設計與實作。一 DAG 會由一群人提供資金（bitcoin）共同發起，根據任何目標，並共同直接管理大家提供得資金（bitcoin）。DAG 實際上是一個軟體，並在程式碼中詳細描述所有的治理規則。當一 DAG 被發起，所有的 bitcoins 會被保存在 DAG 中之一帳戶，每一位提供 bitcoins 的發起人會收到相對應得 Tokens代表他們對此 DAG 擁有權之分額和投票權。該 Tokens 的擁有者可以直接和 DAG 互動，透過投票支持或否決一 bitcoins 使用申請。投票權力的權重根據擁有該 Tokens 的數量。每個 Tokens 的擁有者都可以申請使用 bitcoins。只有在一使用申請被足夠多的 Tokens 擁有者同意支持後，bitcoins 才會轉移至申請者之帳戶。以上的過程和結果均會被記錄在 Bitcoin 區塊鏈（blockchain）。我會在“GCOIN Layer”上逐步得實作我的設計。

• 學位論文

利用不對稱溝通概念的實驗性遊戲

不對等溝通像是某種語言的流利度不夠可能會是種尷尬的經驗在現實生活中。然而，就遊戲而言，不對等溝通的機制能夠使遊戲變得更具挑戰性與趣味性。比手畫腳是一個典型的例子，遊戲方式是其中一個玩家嘗試透過肢體語言表達其意思，而其他玩家嘗試去猜謎底。不同於現今大多數的電子合作遊戲，它們採納的大都為對等溝通的機制，而我們想嘗試加入不對等溝通機制於電子合作遊戲中。因此，我們設計了一款遊戲，角色為一個人與一隻狗，在不對等溝通的狀況下去解決一連串的謎題。最終，我們執行了一個實驗來評估我們的遊戲。從觀察中，我們發現了許多有趣的溝通模式以及提出了一些潛在的設計議題供未來作參考。

• 學位論文

透過綁定於USIM的不同資訊達到M2M的裝置認證

隨著物聯網等概念出現，人們將研究的重心移至機器對機器的通訊上，並且對於其安全的議題開始注重。 目前機器對機器的通訊遇到許多問題，而其中一個重要的問題為USIM的盜取，由於物連網裝置通常無輸入介面，所以傳統的PIN碼鎖已不再能保障最基本的安全。 本篇論文提出兩種解決方法。第一種我們加強原始的認證方式，提出裝置認證的演算法，使IMEI與IMSI配對，在IMEI有可能被篡改的情況下，仍能確保USIM的安全。與3GPP TR33.868所提出的解決方法相比，我們更有效率地達到裝置認證上的安全。 另外，我們欲利用硬體特殊且不易被人為更動的特性，藉此保護USIM。因此，第二種方式使用每個裝置皆有些許不同的時脈偏移值作為參考。從結果來看，在不被攻擊者篡改資料封包的情況下，此方法能有效且安全地辨別裝置。在我們的實驗中，所提出的兩個方法能夠用硬體或是軟體的方式所實作。

• 學位論文

基於雲端運算模式之巨量資訊分析

隨著網路應用與行動裝置的快速發展，使用者每日不斷地的產生巨量的數據資料。這一些龐大的數據資料可以透過巨量資料分析來獲得更多的洞見，提供用以更深入不同領域的專業知識，提升該領域的發展。然而，傳統的資料分析演算法皆是在單一電腦上作設計之考量。在處理巨量資料時，便可能無法滿足資料分析時所需要的硬體資源，例如：記憶體容量限制、硬碟空間容量與不同的計算模式下所需的硬體需求…等。考量這種種的因素皆增加了我們在設計巨量資料分析演算法時的困難度。 因此，我們針對植基於雲端運算下之巨量資料探勘演算法在設計上所面臨的問題作深入地探討。本篇論文中，主要面臨三個大挑戰。第一，資料延展性 (Data Scalability)：在雲端運算的環境中，輸入的資料必須先轉換為鍵 (Key) 與值 (Value) 的資料表示方法。這對於傳統資料探勘演算法而言，是十分不直覺的設計。因此，這樣的設計考量將造成研究人員於設計一個具高度可擴展性的巨量資料探勘演算法時之複雜度。第二，負載平衡 (Load Balancing)：資料輸入後通常被分割成許多個資料區塊 (Data Partition) 接著透過雲端運算的平台將每一個資料區塊分配給不同的機器作資料分析。然而，在不同的機器上，所要負擔的工作負載可能不盡相同。這樣的情況將導致巨量資料探勘演算法設計的困難度。第三，資料通訊上之先天限制 (Constraints of Data Communication)：現今雲端運算的平台，其計算模式是由數個階段 (Phase) 所構成，例如：map 階段與 reducer 階段。然而，在同一個階段中，不同的機器之間不能直接作通訊。因此，在設計我們的分散式巨量資料探勘演算法時，雲端運算環境與其計算模式 (Computing Model) 的先天限制必須被考量。在本論文中，我們指出在雲端運算平台中，傳統資料探勘演算法在設計上所面臨的挑戰並針對這些挑戰提出適合的雲端計算模式與其相對應的巨量資料探勘演算法。 我們首先提出兩個植基於 MapReduce 計算模式 (MapReduce Model) 的分散式資料分群演算法 (Distributed Data Clustering Algorithm)，分別為在雲端運算環境中以密度為基礎的分散式分群演算法 (Distributed Density-based Clustering) 與以格網為基礎的分散式分群演算法 (Distributed Grid-based Clustering)。所提出的演算法將巨量的輸入資料拆成數個大小幾乎相同的資料區塊並在分散式資料探勘處理時，盡量減少資料通訊上的成本負擔。如此一來，便可以更有效的對巨量的資料集作有效的分群。 在第 3 章中，我們發現 MapReduce 計算模式下，諸如遞迴此類的探勘演算法將會遭遇到下述情況。例如：在同一個資料處理階段中，難以達到資料共享之目的且 MapReduce 計算模式無法反覆地處理部份的分析結果，其需要透過額外階段來完成部份分析結果之處理。為了克服這個問題，我們針對一個此類別的探勘演算法-頻繁循序樣式分析 (Frequent Sequential PAttern Mining) 提出了分散式的頻繁循序樣式探勘演算法 (Distributed Frequent Sequential PAttern Mining Algorithm in the Cloud (SPAMC))。我們採用反覆式 MapReduce 計算模式 (Iterative MapReduce Model)，克服上述問題，以高效率的處理巨量的循序資料。 接下來，在第 4 章中，根據前一章節的實驗結果，我們發現即使採用了反覆式 MapReduce 計算模式，但是在頻繁循序式樣探勘(Frequent Sequential Pattern Mining) 中，反覆初始 MapReduce 的成本太高。因此，我們提出了一個新的頻繁循序式樣分析-採用均勻分散式詞彙循序樹之演算法 (Distributed Frequent Sequential PAttern Mining in the Cloud -Uniform Distributed Lexical sequence Tree (SPAMC-UDLT))。該演算法可於新提出的串流式 MapReduce 計算模式 (Streaming MapReduce Model) 中運行，以解決資料重載 (Data Reloading)、工作負載不平衡 (Unbalanced Workload) 與反覆式 MapReduce 計算模式中 mapper 之間缺乏有效通訊方法 (Lack of Communication between mappers) 之問題。 在最後章節中，我們探討一些可能需要大量計算資源的資料探勘演算法模組作討論。為了克服計算資源的需求，我們設計一個運行於異質性雲端運算 (Heterogeneous cloud computing) 環境中高度可延展之以密度為基礎的分散式分群演算法 (Highly Scalable Distributed Density-based Clustering (HiClus))，其可透過異質性雲端運算的優勢，利用 GPU 上成千上百的執行緒 (thread) 作平行的資料分析運算，以滿足此類演算法需要大量計算資源的需求。 在本論文中實驗結果顯示，我們所提出的數個分散式巨量資料探勘演算法與新的計算模式皆可以達到非常高的資料延展性與加速在巨量資料集下的資料探勘處理。

• 學位論文

透過介面客製化輔助使用者點擊大螢幕行動裝置介面之探討

隨著大型螢幕智慧型行動手機的廣泛流行,越來越多使用者在單 手操作時,沒有辦法點擊到需要的介面,而造成了難以觸擊(hard-to- access)的問題。為了解決這個問題,我們首先去了解使用者在操作這 些難以觸擊介面時的使用行為。從 32 位不同背景大螢幕手機使用者 的日常操作習慣中,我們發現,日常使用 APP 中,許多難以觸擊的介 面都發生在特定的介面類型(interface pattern),例如 87.5% 受訪者表 示導航列上的介面平均每天有 3 次以上發生難以觸擊的問題。我們利 用了使用者使用 APP 時會有日常固定操作習慣的現象,設計了行動介 面客製化互動,讓使用者透過一次性的客製設定,移動難以觸擊的介 面至自己方便點擊的區域,方便使用者點擊每日大量使用的難以觸擊 介面。除此之外,我們更進一步將我們設計實作在 iOS 導航列上,提 供給開發者易於使用、方便導入的客製化工具:Adaptable Navigation Bar,透過使用者測試證實在重複發生的難以觸擊問題上,我們的客製 化工具能幫助在可接受的互動成本下幫助使用者點擊難以觸擊的介面。 進一步與兩位設計師和一位工程師的使用回饋表示,我們的客製化工 具能有效解決難以觸擊(hard-to-access)的問題,並且易於立即使用 於現有的 APP 專案之中。

• 學位論文

利用軟體定義網路基於網路通道多路徑路由應用在內容傳遞網路

隨著網路服務的盛行，網際網路的頻寬需求也越來越高。線上服務的效能也直接影響使用者的滿意度，而最主要影響到使用者滿意度的主因則是封包遺失率以及端點至端點的延遲。內容傳遞網路是最普遍被使用的技術，它透過快取以及透過基於網路名稱系統的使用者匹配機制的智能路由來改善使用者的滿意度。然而，由於現在最主要的跨網路路由協定是BGP，它的路由方式容易導致網路中局部連結過載，造成內容傳遞網路在跨區域連線的效能下降。這篇論文中，我們提出一個基於網路通道多路徑的路由系統，此系統透過軟體定義網路的幫助，可以動態的建立網路通道。我們藉由在部分的自治系統中部屬通道系統，使內容傳遞網路能獲得更多的替代路徑來避開壅塞連結。除此之外，我們提出了一個部屬通道系統的演算法，此演算法可以在部屬系統數量的限制下，找出有利的位置來部屬通道系統。最後在我們的研究結果中可以看出我們提出的通道系統有效的降低平均封包遺失率以及端點至端點的延遲，另外，也證實我們提出部屬通道系統的演算法能夠找出適合的地點部屬通道系統。

• 學位論文

霧端無線接取網路之虛擬機配置設計之最小化回程網路流量

• 學位論文

使用深度學習以改善語音評分之方法與比較

語句發音標準與否是溝通上重要的一環，也與欲表達的意義有著密不可分的關係，不同但類似的發音可能代表了不同的含意，因此，發音的標準性在語言學習中有其重要的地位。 本論文中共分為兩大部份，分別為利用類神經網路模型來分類音素以及利用類神經網路模型的分類結果來進行英語語句的評分，並建立一套以類神經網路模型為基底的英文語音評分系統，藉以達到電腦輔助語言學習之功用。 類神經網路及深度學習部分，本論文利用了MFCC特徵及filter-bank特徵來比較其在深度學習中的效果，同時也測試了多種類神經網路的參數組合，在找出對於訓練資料集比較合適的參數組合後便會以大維度特徵來進一步實驗，最終的實驗結果以使用了MFCC的大維度特徵為最好，其類神經網路模型的音素辨識率可達73.33 %。 語音評分的部分，本論文以HMM-GMM為基底的語音評分系統來當作比較及改善的對像，本論文提出了max-gap評分方法與adaptive-k評分方法以利用類神經網路模型的輸出結果來進行語音評分。在語音評分上的測試結果顯示，adaptive-k評分方法相較於以HMM-GMM為基底的語音評分系統在短句評分中有較好的表現，但在長句評分中仍待改善，整體而言，adaptive-k評分方法相對於以HMM-GMM為基底的語音評分系統仍有所改進。