中文|English

容錯(fault tolerance)技術之研發一般區分為兩個方向:硬體容錯(hardware fault tolerance)與軟體容錯(software fault tolerance)。傳統的容錯研究幾乎均著重於硬體容錯,關於軟體或系統的容錯研究可謂是一門新的領域。軟體容錯,簡單地說就是包含所有在軟體中廣泛被使用來解決各種不同類型錯誤的方法,一如硬體容錯中使用的各種方法來對付不同種類的錯誤。進一步而言,軟體容錯技術 (Software Implemented Fault Tolerance),所指的是利用一組軟體來偵測作業系統或硬體方面所無法處理的錯誤以及從錯誤的情況加以還原。在此我們所考慮的錯誤是指會造成應用程式的損毀 (crash) 或懸滯 (hang)。有了軟體容錯技術之後,許多工商業界的應用程式便可以最有效率的方式將錯誤發生時的損失減到最小。

雲端運算平台之核心技術即在於虛擬機管理平台,本計畫針對以工業電腦為硬體平台之虛擬機容錯服務(fault-tolerant virtual machines, FT-VM)相關技術進行研究。工業用電腦目前的應用相當廣泛,如:通訊與網路、工業自動化、醫療運算、…等等,皆是主要應用市場。這些應用對於系統可靠性與穩定性都有高度之要求。然而最近,國內廠商發現未來工業電腦產品不再是比硬體品質或價格的市場,而是必須在以符合工業標準例如IPMI的產品再加上各種領域相關(domain specific)之加值應用(value added applications)。展望未來,在IPMI刀鋒伺服器上導入具高可靠度與高容錯性之雲端虛擬機服務是必然的趨勢,而目前這項技術(FTVM over IPMI)還正在起步中。國內廠商目前急需下列技術來提升產品的品質與附加價值:導入軟體容錯技術、研發軟硬體系統之整合與效能之測試技術研發、開發特定工業用途之加值服務等等。

本計畫以使用率最高之開源雲端運算軟體(Openstack)作為保護目標,即利用Openstack與支援IPMI之伺服器構建雲端運算平台,並研發相關高可靠度技術與系統來為Openstack提供高可靠度保護。在技術研發部分,本計畫除了基本的故障偵測與回復機制以外,還致力於研發高效率的故障偵測與回覆演算法以及異質環境之故障偵測與回復機制,在極力降低雲端虛擬機服務停機時間的同時,也使該系統可應用於各種異質環境。本計畫於研發期間還與資策會進行合作,利用本計畫之研發成果來為iServCloud系統提供高可靠度保護 (iServCloud系統為資策會基於Openstack所開發之雲端資源管理平台)。此外,目前也有多項技術專利正在申請或審查中。

過去數年,我們在Intel x86平台上研究開發軟硬體整合高可靠度與容錯之虛擬機技術,以符合國內廠商產品品質與軟體服務升級的需求。我們持續研發軟硬體整合的產品測試技術,確保我們研發軟體的品質,同時也能提升廠商新產品的品質。在人才培育部分,我們以技術導向實務為目標,進行教案編撰與課程開設。中大團隊在過去一年累積可觀的成果:(1)我們研發的「記憶體層級之不停機容錯(Zero-Down-time Fault Tolerance)技術」,經過測試軟體驗證後,證實其效能勝過目前的產品Micro-Checkpoint:我們的容錯虛擬機技術的每分鐘執行指令是Micro-checkpoint的2.85倍,服務等待時間(response time)比Micro-Checkpoint減少了67%,單位指令頻寬消耗則是Micro-checkpoint的41%。(2) 在軟硬體測試方面,目前國內工業現狀大部分只能以人工測試部分功能,而我們已能提升廠商品質確保能力至全面性的回歸測試,大量減少測試的人力與時間。以合作廠商為例,人力研發成本降低70%,測試時程縮短80%,新產品開發速度加快50%。(3) 在提升產學界無縫接軌方面,我們積極邀請業師上課,共計30人時。(4) 在技術擴散方面,我們積極與國內廠商以及相關法人接觸洽談合作事項,今年合作廠商共投入454萬研發資金、捐贈價值30萬硬體設備、人力資源投入價值270萬、衍生產學合作案100萬元 (另有多案洽談中)、並將與國內廠商及法人機構爭取大型整合性計畫。

圖一 System Architecture of HAAS

system architecture of HAAS

圖二 System Architecture of NCU-FT

system architecture of NCU-FT


  • 執行中
    • 虛擬化高品質軟體服務核心技術之研發(2016/10-2020/9) (文件下載)
  • 已結案
    • 工業用核心虛擬技術之開發(2015/1-2015/12) (文件下載)
    • 工業用核心虛擬技術之開發(2014/1-2014/12) (文件下載)
    • 工業用核心虛擬技術之開發(2013/1-2013/12) (文件下載)

  • 執行中
    • 雲端微服務熔斷機制與服務發現技術開發(2020/5-2020/11) — 合作對象:資訊工業策進會
  • 已結案
    • 串流樞紐服務優化技術(2017/6-2017/12) — 合作對象:資訊工業策進會 (文件下載)
    • 高可靠雲端檔案管理測試平台之先期研究(2016/6-2017/12) — 合作對象:以柔資訊股份有限公司
    • 物聯網應用自動化測試技術平台網頁服務(2016/4-2016/5) — 合作對象:工業技術研究院
    • 自動化測試平台之入口網頁服務開發與測試(2015/8-2015/12) — 合作對象:工業技術研究院
    • 虛擬機器之高可靠性架構研究(2015/3-2015/11) — 合作對象:資訊工業策進會
    • 工業用電腦虛擬核心技術之開發(2013/1-2015/12) — 合作對象:凌華科技股份有限公司
    • 服務導向IOT資料擷取平台雛形研究(2011/4-2011/12) — 合作對象:資訊工業策進會

  • 智慧型手機使用者認證

  • 由於資訊技術與網際網路的進步,手持行動裝置(如:智慧型手機、平板電腦)的效能與功能迅速地增加。行動裝置不再只是作為使用者的通訊工具,還可用在商業應用服務上,如行動銀行與線上購物。而這些新應用服務也掀起新的安全議題,如手持行動裝置上的隱私與敏感性資訊如信用卡號碼被洩漏造成財務上的損失。

    目前智慧型手機通防護方面,通常是以PIN碼、密碼為主,甚至是採用指紋或臉部等生物特徵的識別技術。然而,密碼與指紋這類型的安全性機制皆需要使用者執行一個特定的認證程序,屬於侵入式驗證的方式。

    近幾年,研究人員提出行動裝置上的非侵入式驗證代替侵入式驗證方法,如使用步態、觸碰與姿態模式和手機動作等。雖然非侵入式的驗證方法需要從使用者上擷取少許的行為。但市調指出,有60%-80%用戶會因侵入式認證不方便而選擇關閉該功能。這也是非侵入式驗證會比侵入式驗證更讓使用者接受的原因,此外,非侵入式驗證也因為使用者的行為習慣難被模仿而可以做為更進階的劫持防護機制。

  • 駕駛者行為識別

  • 根據2014年的統計報告顯示每天約有3500人因交通事故傷亡。此外,研究也顯示大部分的交通事故是人為因素造成,如駕駛者的異常行為(疲勞、酒駕等等因素),因此,偵測駕駛者異常行為的研究是避免交通意外事故中重要的一環。

    近幾年,穿戴型裝置蓬勃發展,相關的產品越來越多元化,其中,智慧型手錶內建多種感測器,如加速度計、陀螺儀與方位感測器等等,可以被用來持續行為監控分析或健康狀況監控,而我們將這些感測器用在收集駕駛者行為資料。

    有了駕駛者行為資料之後,根據多位駕駛者資料分布的分析,我們採用高斯混合模型建構每位駕駛者各自的行為模型。高斯混合模型在過去的文獻中,已經被廣泛地應用在不同的領域,如語者識別和駕駛者識別。

    目前基於高斯混合模型方法再加以改良提出更準確且強建的系統架構,其研究成果顯示我們的系統架構比傳統的高斯混合模型方法有顯著改善,識別率的度量指標”相等錯誤率”可達4~7%,未來我們團隊也是會朝降低相等錯誤率持續研究下去並且思考如何讓系統有更多的應用。

    近五年來,本計畫團隊承接六項科技部計畫與三項產學合作計畫,目前有一項科技部計畫為執行狀態。

  • 行人分心識別 (文件下載)


    • 執行中
      • 高安全等級智慧型行動應用惡意行為分析架構之技術研發-總計畫暨子計畫一:以多種學習策略增進智慧裝置使用者驗證能力之技術研發(2019/8-2022/7) (文件下載)
    • 已結案
      • 行動應用之惡意行為分析技術研發及平台建置研究-總計畫暨子計畫一:基於多種學習策略改善智慧型手機使用者驗證機制之模型建構效率研究(2018/8-2019/7) (文件下載)
      • 支援行動應用APP之惡意風險分析及使用者認證技術研發-總計畫暨子計畫一:智慧型手機可適應多重操作姿勢的多模式使用者驗證機制研發(2016/8-2018/7) (文件下載)
      • 支援在企業雲環境BYOD應用之資訊安全技術研發-以行為特徵為基礎之可適應多重操作姿勢的行動裝置使用者認證技術研發(2015/8-2016/7) (文件下載)
      • 可支援雲端服務平台之行動使用者認證鎖技術研發(2014/8-2015/7) (文件下載)
      • 支援行動裝置使用者與虛擬實驗平台之雲端技術研究--雲客端-手持行動裝置使用者識別機制(2013/8-2014/7) (文件下載)
      • 用於維護雲端服務(含客端)安全機制與其安全服務實驗平台之研究-總計畫(2010/8-2013/7)
      • 用於維護雲端服務(含客端)安全機制與其安全服務實驗平台之研究-子計畫一:用於雲端服務之行動裝置與網際網路服務異常行為監控與防護機制之研究(2010/8-2013/7) (文件下載)

    • 執行中
    • 已結案
      • 於雲霧架構下發展大規模邊緣端建構任務成本計算技術(2019/7-2019/12) — 合作對象:資訊工業策進會 (文件下載)
      • 串流樞紐服務優化技術(2017/6-2017/12) — 合作對象:資訊工業策進會 (文件下載)
      • 高可靠雲端檔案管理測試平台之先期研究(2016/6-2017/12) — 合作對象:以柔資訊股份有限公司
      • 全周即時主動安全感測技術(2010/6-2010/11) — 合作對象:工業技術研究院

    本實驗室於大數據分析與預測方面之研究,可分為以下幾個方向。

  • 智慧製造大數據分析與預測

  • 在生產力 4.0 的時代,一個很重要的特點就是生產系統 (如:機器、倉儲、生產線上的機台等)可以彼此的溝通、物聯網累積了大量資料。如何解讀這些大量資料,甚至讓機器自動化解讀感應器資料,達到機器自我運作、自我診斷、瑕疵分析、容錯與修復,一直是工業上的理想。工業用電腦的生產大廠商,常有製程良率與品管的問題。每個Job-Shop模式下的工廠都想提高工廠的利潤,其中的一個方式就是在製造工程中使用狀態良好的機器對原物料進行加工,以減少製造中產生的瑕疵品進而提升利潤。此外,要讓所有機器都維持在良好狀態就意味著必須立即維修狀況惡化的機器。我們可以利用觀看產線上的即時機器良率而得知哪台機器正在惡化。然而有時候製造工廠並沒有即時生產數據,因此可以使用工廠的定期數據。在其他的研究中建議使用維護機器歷史資料以及機器衰減率,但是有時候這些資料並不可靠而且難以得到。另一方面,由於製造工廠不會在每台機器上安裝檢查工具,因此無法得到每台機器的良率。若是在每台機器上安裝檢查工具,不但耗時而且大幅增加生產成本。所以製造工廠僅會在少數的機器上安裝檢查工具,考量質量控制目的,甚至只會在生產步驟中的最後一台機器上安裝檢查工具。因此我們的研究通過提出一種基於檢驗數據來計算所有未知的機器良率的新方法來填補這一塊空白。破片瑕疵分析計畫運用學術界的資源,輔導廠商變更生產模式,以非線性數理方法或者資料探勘的方法對於交期、機器自我運作、自我診斷、容錯與修復進行相關的課題研究。運用最大期望值機器學習演算法則,由似然函數(likeihood),果追因,運用人工智慧方法論中-高度資料不足的情境下進行決策推論,希望有助於我國產業技術之提升與發展。

    本實驗室結合相關領域教授學者共同研發生產力 4.0 的幾項關鍵技術:漸進式交期預測模型、特殊生產途程之根本原因分析方法、巨量資料分析平台、即時決策運算平台、預測瑕疵模型(文件下載)、自動光學檢查(文件下載)、自動胚布光學檢驗模型(文件下載),輔以替北部工業用電腦的廠商進行產學合作及實務問題的解決。近兩年來,本實驗室承接兩項科技部計畫與三項產學合作計畫,目前有一項科技部計畫與一項產學合作計畫為執行狀態。

  • 財務預測

  • 有效預測財務困難的企業對於金融機構作出適當的貸款決策是至關重要的。在一般情況下,輸入的變數(或特徵),如財務指標、特徵篩選方法的選擇、以及使用統計方法和機器學習技術,是影響預測效能的三個重要因素。在過去的十年中,我們的研究團隊在三個方向上對於財務危機預測問題(financial distress prediction problem , 簡稱: FDP)都獲得了巨大的啟發。在最近的研究中,公司治理指標(corporate governance indicators , 簡稱: CGIs)已經被發現是輸入變數中的除了財務指標(financial ratios , 簡稱: FRs)之外另一個重要的特徵。然而,通過合併CGIs和FRs獲得的效能還沒有被完整檢驗,因為只有一些選定的CGIs和FRs在相關的研究中使用,而所選擇的特徵在各個研究中有可能完全不同。因此,我們的研究致力於這個方向,以評估分別結合不同類別的 FRs和CGIs 所獲得的預測效能。實驗結果根據台灣的上市櫃公司真實資料,顯示在FRs中的償債能力和盈利能力和CGIs中的董事會結構和股權結構都是預測破產最重要的特徵。特別是,從預測的準確率、第I / II型錯誤、ROC曲線、以及分類錯誤成本的組合中得到的最佳預測模型的效能。更多詳細信息請詳閱我們最近的著作[LLT16] [LLL15]。

    許多研究認為在建構模型之前,特徵篩選是為資料探勘的預先處理步驟。大多數的研究主要集中在於應用單一特徵篩選方法,我們進行了全面的研究,探討進行filter approach和wrapper approach特徵篩選方法的效果。同時,特徵篩選對使用多種classifiers預測模型的影響也進行了研究。在實驗中,使用了兩個財務危機的資料集。此外,三個filter approach和兩個wrapper approach的特徵篩選方法結合六個相異的預測模型進行了研究。我們的實驗結果顯示,filter approach特徵篩選方法的效能比wrapper approach的模型更佳。另外,根據所選擇的技術中,執行特徵篩選並不總是能夠提高預測效能。有興趣的讀者可以參考[LTW15] [LLY14]。

    最後,使用適當的機器學習技術來建構預測模型也是影響其性能的關鍵因素。我們引入了classifier ensemble方法,以減少分類錯誤的成本。通過利用unanimous voting(UV)方法結合由多個classifiers產生的輸出,以找到最終的預測結果。基於四個相關的資料集獲得的實驗結果表明,我們的UV集合方法優於許多基線單一分類和classifier ensemble。更具體而言,UV集成不僅提供相對良好的預測準確率和第I / II型錯誤,也僅產生最小的錯誤分類成本。


    • 執行中
    • 已結案
      • 工業物聯網訊息應用於生產力4.0之智慧平台開發(2017/11-2018/10) (文件下載)
      • 機器學習導入電子產業智慧生產技術之開發與應用(2016/11-2017/10) (文件下載)

    • 執行中
      • 深度學習技術輔助遙測影像判識研究計畫(2020/1-2020/12) — 合作對象:農委會 (文件下載)
      • 自動光學檢測產業AI化推廣(2019/2-2021/12) — 合作對象:資訊工業策進會 (文件下載)
      • 機器學習暨數據分析與實務(2018/12-2020/7) — 合作對象:教育部
    • 已結案
      • 運用機器學習法於電子廠生產優化及品質提升之產學專題型合作計畫(2019/1-2019/12) — 合作對象:經濟部工業局
      • 海上無人載具傳輸頻寬自動調整軟體系統開發(2019/1-2019/3) — 合作對象:國家中山科學研究院
      • 工業用物聯網測試平台之開發(2016/4-2018/12) — 合作對象:凌華科技股份有限公司 (文件下載)
      • 應用於智慧製造預報之雛型系統委託設計(2017/9-2017/12) — 合作對象:工業技術研究院 (文件下載)
      • 人工智慧資料分析技術研究(2017/8-2017/11) — 合作對象:工業技術研究院 (文件下載)