淡江大學資訊工程學系碩士班學位論文
淡江大學,正常發行
選擇卷期
- 學位論文
為了支援高頻寬低延遲的語音服務，近年來巨量天線系統與波束成形 (Beamforming) 的技術已經被廣泛地探討可以強化特定方向的訊號強度並降低對其他方向的訊號干擾以提升系統整體的訊號品質，此論文考慮基地台配置有巨量天線系統並且有大量波束可供基地台選擇的網路情境，我們發現到下行鍊路(Downlink)傳輸時所採用的波束的選擇會直接影響基地台與使用者裝置間的通訊品質，也因此在進行無線資源分配排程(Scheduling)時應同時考慮傳輸時所採用波束的選擇。在本論文中，我們提出兩個波束選擇以及無線資源分配之策略，首先我們定義此網路的最大化吞吐量問題，並且提出可以達到最佳吞吐量之解決方案，接下來為了同時保證最大化吞吐量並滿足服務品質保證的需求我們提出了基於累加懲罰值與封包掉落感知的波束選擇與資源分配方法，所提出的方法在滿足最大化吞吐量的同時亦能夠同時盡可能地使每個 UE 都有較為公平的傳輸機會。模擬結果顯示所提出的的方法確實可以獲得接近於最大化吞吐量方法的吞吐量並在多數場景中都能明確的降低封包被丟棄的機率。
- 學位論文
投籃動作需要用到的是全身的協調性，不僅僅在於手的姿勢與力量。本研究利用攝影機錄製的影片，轉換得到每張影格的人體關節點資訊，進而利用其分析投籃姿勢的優劣和命中率之關係，並透過條件式生成對抗網路（cGAN）提供姿勢的改進方向。 本研究將影片轉為人體關節點資訊後，依跳投的特性計算每次投籃的區間，再將關節點在投籃過程的節點資訊繪製成貝茲曲線（Bézier curve），再以曲線相似度演算法比較與其他次投籃的相似度，最後使用最近鄰居分類法（K-Nearest Neighbor, KNN）進行投進和投失的姿勢判斷，並以混淆矩陣（Confusion matrix）分析其研究結果。研究結果顯示一般籃球課之學生，穩定度較差，能由研究顯示出其投進和投失的姿勢差異；而校隊球員已有相當穩定的投籃姿勢，因此難以從投籃姿勢判斷進球與否，需要考量更多的投籃資訊。
- 學位論文
P2P(Peer-to-Peer)，又稱點對點傳輸，是一種網路架構。在P2P的運作模式中，相對於傳統的主從式架構(Client-Server)，每個端點(Client)的溝通都會透過伺服器來傳遞。因此，在上述的環境中，每一個客戶端都是分散的。每一個端點都可以作為客戶端或伺服器端，甚至是同時兼任兩者而存在著。 近年來，由於物聯網的興起，另一種名為發布/訂閱(Publish/Subscribe)的通訊架構也逐漸流行。它的特色是由一個中間者(Broker)擔任伺服器，接收來自於發布者(Publisher)所發布的主題訊息，再轉發給訂閱該主題的訂閱者(Subscriber)。這麼做最大的好處在於可減少訊息發布者與訂閱者之間在時間與空間中的耦合，兩者甚至都不需要知道對方的存在。但是，萬一中間者發生故障，訊息遞送服務就無法運作。 為了解決 Pub/Sub 架構中的單點故障（SPOF）的問題，在本篇論文中，我們基於開源軟體 ActiveMQ 實現了階層式中間者的架構。具體來說，我們在具有 Raspberry Pi 開發版的 IoT 環境中部署兩層的中間者群集。數據在上層中間者（又稱中間者中心）之間進行同步，並在雙活躍配置下運行，為發布者提供服務。下層中間者（又稱中間者）由中間者中心管理，並負責為訂閱者提供服務。我們進行了幾次實驗，以測試階層式中間者架構的容錯能力，以及評估與單個中間者相比之下階層式中間者架構的系統性能。
- 學位論文
隨著科技化的發展，物聯網應用已成為近年來蓬勃發展的項目之一，使得現今許多設備皆主打著可連接網路，並且透過智慧型手機安裝相對應的應用程式(APP)即可控制設備、管理機器與收集資訊。若此時結合大數據之應用，將訊息加以分析與學習使用習慣，以各種形式反饋於使用者，讓現今的生活更加便利外，也增加許多提示，給使用者更注意生活。 由於全球衛星定位系統(GPS)於室內定位時常產生極大的誤差，而且無法由GPS計算出使用者位於的樓層，因此基於Wi-Fi及藍牙(Bluetooth)等無線訊號之室內定位應用的技術不斷衍生而出。其中，低耗電與低建置成本的低功耗藍牙(Bluetooth Low Energy, BLE)。而基於BLE技術所制訂的藍牙信標(Beacon)，也因此具有低耗電的優點，使Beacon應用不斷延伸發展。 本論文將以Beacon的室內定位概念為基礎，同時利用Beacon作為使用者的電子票證。這有別於固定Beacon這種常見的配置方式，而是由使用者攜帶Beacon裝置，再由固定位置的兩台Raspberry Pi 4設置為接收器，藉由比較兩台接收器所感測到的接收信號強度指標(Received Signal Strength Indication, RSSI)可計算出使用者移動的方向，同時結合OpenCV之影像辨識，來達到使用非接觸式電子票證之應用。本研究可運用於電影院或遊樂場等應用場景，達成減少工作人力的配置，也能在疫情流行時期，減少人與人的接觸。
- 學位論文
隨著科技以及醫療的進步，人類的壽命越來越長，為了偵測老人獨自在家中時突然發生危險事件，本論文探討藍牙Mesh網路對緊急事件提出省電且低延遲傳輸時間之通訊技術，針對藍牙拓樸的設計、緊急路徑的建置、發布及訂閱機制進行研究，使得本論文所建立的 Mesh Network能夠達到省電、低功耗且能在緊急事件發生的時候能夠快速且穩定的進行傳輸。在拓樸方面，本論文結合樹狀拓樸以及網狀拓樸的優點，越接近閘道器，其結構越接近網狀拓樸，具有網狀拓樸的高分散力，反之，越遠離閘道器，其結構越像樹狀拓樸，使各設備能因節省鏈結之維護而達到省電的優點。在緊急路徑的建置方面，有鑑於事件發生時，同一房間的緊急感測器容易同時發出警報，本論文所提的通訊技術，使同一房間緊急感測器的路徑分開，讓緊急感測器能夠快速且不發生碰撞，成功的傳輸緊急資訊到網關，但不同房間的緊急路徑共用，使網路的維護能達到省電的目的。在發布及訂閱機制方面，本論文在其模型的參數上依據事件的重要性進行特殊設計，降低封包傳輸發生碰撞的機率，並提升重要事件傳輸的成功率。最後，實驗顯示，本論文所用的拓樸相較於其他拓樸還要省電，而且其緊急事件的傳輸速率相較於其他論文還要更加快速及提高成功率。
- 學位論文
近年來，製造業一般而言均有能力透過自動化的機器進行大量生產，而產品的品質會直接影響到公司營業額，但在生產的過程中會遭遇一困難點，工廠無法提前預知產品的品質好壞，只能等待製造完成後經由檢測才能得知是否有瑕疵。因此，良率問題會是製造業者的致命傷，不僅增加不必要的成本，更是企業信譽的風險因子。 而今工業4.0的發展日漸蓬勃，大部分的工廠機具都加裝感測器使得在生產過程中，也能透過感測器回傳的各種數據即時監控內部狀況。但只有專業老師傅能透過數據找出與品質之間的相關聯，而新進的員工則需要花費大量時間才能學會老師傅的經驗，工廠更需要針對營運成本做出精準的評估。 因此，本論文基於人工智慧之技術，擬發展數據分析與品質預測系統的設計與實作，對於染整業的染程數據進行分析並對其找出與品質之間的關聯性，最後透過染程數據提前進行品質預測，以協助操作機器的人員，判斷當下該如何進行調整，避免整批材料報廢，以達到節省時間、降低染整廠的生產成本及增加良率的目標。 本論文所提出的「基於遷移式學習之智慧製造數據分析與品質預測」大致可分為二大類別，一為收集整理並分析數據，二為基於遷移式學習的採樣應用。其一，染程數據通常為時間序列資料，且每一筆資料的序列長度皆不等長，所以我們需要對數據先行格式整理，並對其進行分析與品質之間關聯；其二，普遍工廠中的數據大部分為正常品，只有少部分為瑕疵品，數據不平衡會影響所訓練出來的模型表現不佳。雖然，新、舊工廠都存有數據不平衡等問題，但舊工廠勝在資料龐大。因此，我們會先透過採樣法中的過採樣技術，產生瑕疵品數據，以平衡資料間數量。其後會再以欠採樣去除類別之間過於相似的數據，而改善數據不平衡所帶來的問題。但新工廠的數據相對於舊工廠來說還是較為少量，所以透過遷移式學習將舊工廠的知識遷移至新工廠的LSTM品質預測模型上，進一步改良新工廠預測模型的準確率以及召回率。 染整工廠使用本論文所設計之系統，可以提前預測產品品質，透過該品質回饋可使現場工作人員提前對於產品進行補救，以節省生產時間、降低瑕疵品與材料報廢所帶來的成本考量。
- 學位論文
目前在發展快速的網路資訊的時代中，新聞及媒體平台內的訊息龐大無比，想從其中取得有幫助的資訊並非容易之事。資訊爆炸的問題是新聞及媒體平台的所面臨的困境之一，因此使用推薦系統，將需要的、重要的新聞資訊，主動過濾與分析，並推薦給使用者，將是一重要的研究。它不僅可提高新聞平台的價值與商家的訊息曝光度，同時提升用戶在平台的體驗，藉由新聞平台獲取有興趣且重要的訊息。 本論文基於自然語言與人工智慧的技術，開發自適應用戶偏好的新聞推薦系統，從用戶看過的歷史新聞中去動態的分析用戶的偏好取向，並且能夠將用戶沒看過且可能感興趣的新聞資訊推薦給用戶，提升用戶的使用體驗。本論文所提出的「基於BERT技術挖掘自適應偏好之新聞推薦系統」，大致可分為三個部分，第一是數據收集與清理，第二是數據分析與特徵提取，第三是用戶喜好分析與推薦預測。 首先，第一部分需要先收集各新聞平台的新聞資訊，由於其分類不一，若要對新聞數據重新分類整理，需要先清理新聞內不必要的訊息；接著，第二部分是要對新聞重新分類，為達到分類的目標，我們需要提取新聞的特徵關鍵字，基於自然語言的模型算法，提取具有文意特徵的關鍵字，再根據主題熱度重新做分類；最後，第三部分是要分析用戶偏好並做預測推薦，本論文使用多種方法分析，其一，使用基於內容的方法分析，從過去用戶看過的新聞歷史中提取用戶的喜好特徵，並尋找符合用戶喜好特徵的新聞做推薦預測，其二，使用協同過濾的方法分析，尋找平台內其他用戶與目標用戶喜好特徵具有相同愛好的用戶還看過那些新聞做推薦預測。然而，線上新聞平台需要即時且靈活變化的推薦，因此，使用本論文自訂的規則模型ONDA，進行動態的新聞預測推薦。 本論文的貢獻如下: (1) 新聞關鍵字文意特徵 線上的新聞平台使用本論文所設計之系統，亦可提取具有文意特徵的新聞關鍵字，在以往的論文中所提取的新聞關鍵字是根據字詞出現在本文章的次數比出現在其他新聞中有較高的次數，依此來辨別字詞的重要程度，而在現代的新聞中許多新興詞彙往往簡短而有力，出現次數並不太多，而本論文基於深度學習的方法，除了比對字詞的出現頻率外，還學習了字詞前後句子之間的關係，以此特徵來表達字詞在文章中的意義，因此，模型是根據字詞前後句子的文意特徵，相互比對之後所提取的關鍵字，其富有文意特徵之新聞關鍵字。 (2)時間熱度與用戶之間的關係 在新聞難以推薦時，以往的論文中使用基於熱門的推薦方法處理，利用目標新聞在使用者中的點閱率，找出最熱門的新聞來提供給目標用戶參考，而本篇論文基於的是新聞關鍵字在當前時刻的搜尋熱度分數來觀察目標用戶與新聞熱度之間的關係，而特立獨行的用戶基於本方法能有效提高推薦的準確程度。 (3)用戶偏好隨時間衰退 在推薦系統中難以處理的問題之一便是用戶偏好的轉變，當用戶對新聞類別長期關注的偏好發生改變，過往的推薦系統將難以即時處裡，而本論文提出一種用戶偏好衰退的機制，使用者的閱讀偏好發生轉變時，過往的偏好影響力將會銳減，而現階段的偏好影響力將會相對提高，因此，能有效處理在短時間內用戶偏好轉變而改變推薦策略來提高預測的準確度。 (4) ONDA機制 推薦系統在預測目標用戶偏好時往往需要大量的線下運算，在即時的線上新聞平台，大量的線下運算無法給予用戶即時且有效的推薦，而本論文所提出的ONDA機制能更加彈性的改變推薦，定義用戶的新聞瀏覽規則，即時對用戶閱讀行為作出反應，能降低系統運算負擔並提升用戶在平台的體驗。 根據實驗數據顯示，透過以上本論文所提出的四項貢獻，相較於其他線上新聞推薦系統更能夠即時且有效的推薦對使用者可能感興趣的新聞，對於目標用戶偏好的轉變能更為有效且巧妙的改變推薦，並且即時的推薦機制能降低系統對大量用戶偏好運算的複雜程度，進而達到自適應用戶偏好預測，協助用戶在新聞平台能快速的取得對其有幫助的新聞資訊。
- 學位論文
隨著人工智慧相關的研究興起，許多機器學習的技術漸漸地發展成熟，並相繼地被應用在各個領域上，然而遊戲領域在此情況下，卻仍有極大的發展空間，其原因在於，遊戲的複雜性。代理者的一個動作可能會造就許多種不同情況，這不但使模型複雜度大增，且訓練時間也更長。因此本研究提出了一種結合長短期記憶模型與近端策略優化的策略增強式學習（SEPPO），根據特徵來制定代理者策略，並通過結合長短期記憶模型，來對近端策略優化進行優化。我們可以利用策略判斷使增強式學習更快地達到相同的成效。SEPPO確認的遊戲領域方面的實驗結果表明，可以有效減少訓練時間過長的問題。
- 學位論文
零日攻擊是一個未公開的漏洞，黑客可以利用該漏洞對計算機程序產生不利影 響。 2017 年5 月，零日勒索軟件WannaCry 造成了全球性災難，從入侵英國國家衛生 服務系統的醫院離線到關閉日本本田汽車公司[1]，在世界範圍內造成了無數經 濟損失。 WannaCry 通過EternalBlue 傳播，EternalBlue 是美國國家安全局（NSA）針對 較舊的Windows 系統開發的零時差漏洞。 到目前為止，零日攻擊仍在出現，在任何時間點，這種網絡威脅引起了對零日檢 測軟件漏洞的關注，成為一個必須要解決的迫切問題。 隨著黑客技術的發展，漏洞數量呈指數級增長。 從2010 年到2015 年，在CVE（通用漏洞枚舉）中新註冊的大約80,000 個漏洞 的數量正在增加[3]對於軟件漏洞檢測，傳統解決方案分別有其缺點，對於靜態 分析（使用特徵辨析）中的特徵提取通常取決於專家經驗來人為定義。 人工分析不僅容易出錯，而且耗時，而對於基於符號執行的其他狀態解決方案， 它們經常會遇到路徑爆炸問題，從而導致在大型項目中難以實施。 在這種情況下，一種既高效又準確的自動化漏洞檢測的新方法已成為當務之急。 近年來，有許多研究團隊致力於漏洞檢測的自動化。例如NeuFuzzy [5]使用深 度學習提高模糊測試的效率，以及VulDeePecker（Vulnerability Deep Pecker） 基於深度學習的漏洞檢測方法，從而無需手動定義功能。 在本文中，我們基於現有的用於靜態分析的雙向LSTM 實現了我們框架的原型， 並在兩個不同的測試套件上對其進行了評估： LAVA-M 和四個實際應用程序。實驗結果表明我們的框架可以找到 比現行方法更多的漏洞。
- 學位論文
在網路上投放一則廣告，只需要準備商品網站內容、關鍵字、標題、說明文案以及價錢，就能夠將自己的廣告，投放於很多用戶都會造訪的網站，如 Google或Facebook等網站及平台，讓自己的商品，能達到能夠得到更多的宣傳。然而，針對一個廣告內容而言，要找出較佳的關鍵、標題及文案說明，並不容易，以往在搜尋引擎投放廣告，必需藉由專業人士，設計廣告文案，才能以較有效的方式來投放廣告。 隨著現今網路廣告平台越來越多如，Google、YouTube及Facebook等大型平台都提供了網路廣告的服務，使得想要投放廣告的商家日益增多，讓廣告公司人力不足，但要培養一個廣告專家是不容易的件事情，需要長時間的訓練以及經驗累積才能與其他的廣告公司競爭。 因此本研究擬透過AI技術，扮演文案專，或協助文案新手，對擬投放的廣告，自動找出關鍵字、文案標題及文案說明。本研究關鍵字提取方法綜合了三種元素，第一種，網頁內的文字，透過TF-IDF提取本文的關鍵字，這樣能夠符合廣告關鍵字需要與內文相關的需求；第二元素，則是專家的經驗，透過爬蟲抓取Google 搜尋廣告的前三名廣告內容字詞做為關鍵字；第三則是使用者常用的熱門搜尋字詞，我們透過Google Trend熱門趨勢，抓取與網頁內文有關的熱門字詞，藉此提高廣告被搜尋到的次數，我們將這三種元素綜合起來，做為提取廣告關鍵字依據。除了關鍵字提取外，本研究自動生成標題與說明的技術，透過兩種方式，第一種為生成式的，一樣包含了，專家與熱門的元素，透過專家提供的過往廣告說明與標題，與Google搜尋前三名的廣告，透過實體辨識分類句子，並透過替換字詞的方式，將過往的標題與說明，經過演算法選出與網頁相關的標題，並根據前後字詞關係進行字詞替換。 本研究與以往的關鍵字提取與說明標題生成不同，我們的關鍵字提取方法，參考了外來的元素，藉此提高關鍵字的多樣性，並且能自動化產生。實驗結果表明，本論文所提出的方法可以成功地提供滿足精度和覆蓋率的關鍵字。