111 地方特考三等 資訊處理 資訊管理與資通安全 考古題詳解

核心觀念

本題測驗「資訊安全—身分認證（Authentication）」與「生物辨識技術（Biometrics）」之核心理論與實務應用：

1. 身分認證三要素（Authentication Factors）：

• 所知（Something you know）：密碼、PIN 碼（缺點：易忘、外洩風險）。
• 所持（Something you have）：硬體金鑰（Token）、智慧卡、OTP 簡訊載具。
• 所具／所為（Something you are / do）：個人的「生理特徵」（如指紋、臉部、虹膜）或「行為特徵」（如聲紋、筆跡、打字節奏），即生物辨識技術。

2. 生物辨識的核心效能指標：

• 誤接受率（False Acceptance Rate, FAR / Type II Error）：未授權者被系統判定為合法的機率，代表**安全性（Security）**指標（FAR 愈低，安全性愈高）。
• 誤拒絕率（False Rejection Rate, FRR / Type I Error）：合法授權者被系統拒絕登入的機率，代表**方便性與可用性（Convenience/Usability）**指標（FRR 愈低，使用愈流暢）。
• 交叉錯誤率（Crossover Error Rate, CER / Equal Error Rate, EER）：當 $\text{FAR} = \text{FRR}$ 時之交點錯誤率，數值愈低代表該技術綜合辨識精確度愈佳。

---

解題方法

1. 子題 (一) 架構安排（20 分）：

• 定義清楚：分點闡述生物辨識的本質（生理特徵 vs. 行為特徵）與認證流程（擷取 $\to$ 萃取特徵值 $\to$ 雜湊/特徵庫比對）。
• 清單與矩陣化分析：依題目指定列舉至少 5 種技術，並按「優、良、普」嚴格標示「安全性」與「方便性」。
• 對比論述：說明「安全性」以偽造難度、特徵維度與 FAR 為評估基準；「方便性」以設備侵入感、使用姿態要求、採樣速度與 FRR 為評估基準。

2. 子題 (二) 架構安排（5 分）：

• 精準點出主流技術：現行智慧型手機主要採用指紋辨識（光學／超音波／電容）與臉部辨識（2D 影像／3D 結構光 Face ID）。
• 優缺點剖析：分別從感測體驗、環境適應性、防偽造能力（防假體／Liveness Detection）進行雙向對比，條理分明。

---

技術分析（評比維度深入剖析）

生物辨識技術	安全性等級	方便性等級	核心評析論述
虹膜辨識<br>(Iris Recognition)	優	普	安全性（優）：虹膜紋理具高度唯一性與終生不變性，特徵點多達 200 處以上，難以透過照片或高解析印刷偽造（FAR 極低）。<br>方便性（普）：受測者需正對紅外線鏡頭、眼球需保持特定距離與角度，戴墨鏡或強烈反光易失敗，使用者心理抗拒感較高。
指／掌靜脈辨識<br>(Vein Recognition)	優	良	安全性（優）：血管藏於皮下，必須以近紅外線偵測血紅素流動，為真正的「活體辨識」，幾無留存外部痕跡或被盜印複製之可能。<br>方便性（良）：僅需平放手指或掌心感應即可辨識，無強烈侵入感，但感測模組體積與功耗相對較大，手部冰冷或循環不良時可能短暫影響讀取。
指紋辨識<br>(Fingerprint)	良	優	安全性（良）：技術純熟，但手指容易在物體表面殘留痕跡，早期電容式或光學式可能被矽膠指模欺騙（現行超音波指紋已顯著改善）。<br>方便性（優）：接觸即解鎖，耗時僅需數百毫秒；缺點為手濕、出汗、脫皮或寒冷時 FRR 會升高。
臉部辨識<br>(Facial Recognition)	良	優	安全性（良）：3D 結構光或飛時測距（ToF）具良好活體防偽；但一般單鏡頭 2D 易受照片、螢幕翻拍攻擊，且雙胞胎或極相似親屬仍有誤判風險。<br>方便性（優）：非接觸式操作，使用者抬手看一眼即可瞬間完成認證，人機互動體驗最自然。
聲紋辨識<br>(Voice Recognition)	普	良	安全性（普）：屬於行為/生理特徵綜合體，容易受環境背景噪音干擾，且現代生成式 AI（Deepfake 聲音複製技術）已能高擬真合成聲紋，安全性門檻較低。<br>方便性（良）：適合遠端語音客服或免動手操作（Hands-free），但使用者感冒沙啞時易造成誤拒絕。

---

解題技巧

1. 避免單一面向評分：生物辨識中「安全性」與「方便性」常呈負相關（Trade-off）。答題時若將某項技術同時評為「安全性優、方便性優」，閱卷委員容易認定論述缺乏批判思考；必須指出各自的限制（如虹膜極安全但使用門檻高；臉部極方便但防偽造難度高）。
2. 導入專業術語拉開分差：

• 討論安全性時，主動帶出「活體檢測（Liveness Detection）」、「假體攻擊（Spoofing Attack）」與「FAR」。

核心觀念

本題評量**漢明錯誤更正碼（Hamming Error Correction Code, ECC）**之原理、編碼計算與錯誤偵測更正機制。核心概念與公式如下：

1. 同位位元數量公式： 若資料位元數為 $m$，同位位元數為 $r$，則需滿足漢明不等式： $2^r \ge m + r + 1$ 本題 $m = 8$，$r = 4$，滿足 $2^4 = 16 \ge 8 + 4 + 1 = 13$。總編碼長度為 $n = m + r = 12$ 位元。
2. 同位位元配置位置： 編碼位置由左至右編號為 $1$ 到 $12$。同位位元 $P_k$ 必須配置在 $2$ 的次方位置（$2^{k-1}$），即位置 $1, 2, 4, 8$；其餘位置依序填入原始資料位元 $D_1 \sim D_8$（即位置 $3, 5, 6, 7, 9, 10, 11, 12$）。
3. 同位檢查規則（偶同位 Even Parity）： 任一位置編號 $X$ 轉為二進位後，若其第 $k$ 個位元為 $1$，則該位置即受同位位元 $P_{2^k}$ 檢驗。偶同位要求所有受檢驗位置的位元（包含同位位元本身）經互斥或（$\text{XOR}, \oplus$）運算後之結果必須為 $0$（即 $1$ 的個數為偶數）。
4. 徵兆值（Syndrome）錯誤定位： 接收端重新計算各同位群組的同位檢查值 $S_8, S_4, S_2, S_1$，組合為二進位整數 $S = (S_8 S_4 S_2 S_1)_2$：

• 若 $S = 0$，表示無單一位元錯誤。
• 若 $S \ne 0$，則 $S$ 的十進位數值直接指出發生錯誤的位元位置，將該位置位元反轉（$0 \leftrightarrow 1$）即可完成更正。

---

解題方法

(一) 同位位元檢驗位置詳細說明

將 12 個位元之位置編號以 4 位元二進位表示（從 $0001_2$ 到 $1100_2$），各同位位元檢驗之位置由二進位權重決定：

編碼位置（十進位）	1	2	3	4	5	6	7	8	9	10	11	12
二進位位置表示	0001	0010	0011	0100	0101	0110	0111	1000	1001	1010	1011	1100
位元代號	$P_1$	$P_2$	$D_1$	$P_4$	$D_2$	$D_3$	$D_4$	$P_8$	$D_5$	$D_6$	$D_7$	$D_8$

各同位位元檢驗的位置如下：

1. $P_1$（位置 1）：檢驗二進位編號之第 0 位元（最低位）為 $1$ 的位置。

• 規則：從位置 1 開始，每取 1 個位元、跳過 1 個位元。
• 檢驗位置：1, 3, 5, 7, 9, 11。

2. $P_2$（位置 2）：檢驗二進位編號之第 1 位元為 $1$ 的位置。

• 規則：從位置 2 開始，每取 2 個位元、跳過 2 個位元。
• 檢驗位置：2, 3, 6, 7, 10, 11。

3. $P_4$（位置 4）：檢驗二進位編號之第 2 位元為 $1$ 的位置。

• 規則：從位置 4 開始，每取 4 個位元、跳過 4 個位元。
• 檢驗位置：4, 5, 6, 7, 12。

4. $P_8$（位置 8）：檢驗二進位編號之第 3 位元為 $1$ 的位置。

• 規則：從位置 8 開始，連續取 8 個位元。
• 檢驗位置：8, 9, 10, 11, 12。

---

(二) 計算資料 $10010010$ 的 12 位元 ECC 碼

將 8 位元資料 $10010010$ 由左至右依序置入資料位元 $D_1 \sim D_8$：

• 位置 3 ($D_1$) = 1
• 位置 5 ($D_2$) = 0
• 位置 6 ($D_3$) = 0
• 位置 7 ($D_4$) = 1
• 位置 9 ($D_5$) = 0
• 位置 10 ($D_6$) = 0
• 位置 11 ($D_7$) = 1
• 位置 12 ($D_8$) = 0

依偶同位條件（受檢位元之總和經互斥或運算為 $0$）計算各同位位元：

1. 計算 $P_1$： $P_1 \oplus \text{Bit}_3 \oplus \text{Bit}_5 \oplus \text{Bit}_7 \oplus \text{Bit}_9 \oplus \text{Bit}_{11} = 0$ $P_1 \oplus 1 \oplus 0 \oplus 1 \oplus 0 \oplus 1 = 0 \implies P_1 \oplus 1 = 0 \implies P_1 = 1$
2. 計算 $P_2$： $P_2 \oplus \text{Bit}_3 \oplus \text{Bit}_6 \oplus \text{Bit}_7 \oplus \text{Bit}_{10} \oplus \text{Bit}_{11} = 0$ $P_2 \oplus 1 \oplus 0 \oplus 1 \oplus 0 \oplus 1 = 0 \implies P_2 \oplus 1 = 0 \implies P_2 = 1$
3. 計算 $P_4$： $P_4 \oplus \text{Bit}_5 \oplus \text{Bit}_6 \oplus \text{Bit}_7 \oplus \text{Bit}_{12} = 0$ $P_4 \oplus 0 \oplus 0 \oplus 1 \oplus 0 = 0 \implies P_4 \oplus 1 = 0 \implies P_4 = 1$
4. 計算 $P_8$： $P_8 \oplus \text{Bit}_9 \oplus \text{Bit}_{10} \oplus \text{Bit}_{11} \oplus \text{Bit}_{12} = 0$

核心觀念

本題評量深度學習（Deep Learning）模型在「模型訓練（Training）」與「實際應用／推論（Inference / Deployment）」兩個不同階段之目標差異與架構設計，核心涵蓋以下四大觀念：

1. 損失函數可微性與端到端反向傳播（Backpropagation）：

• 歸一化指數函數（Softmax）具備平滑且處處可微（Smooth and Differentiable）之特性，能將神經網路末端之未正規化對數幾率（Logits）轉換為合法的機率分布。
• 配合交叉熵損失函數（Cross-Entropy Loss），其損失對 Logits 的偏微分具有極度簡潔之閉合形式，計算效率極高且不易產生梯度消失，非常適合隨機梯度下降（SGD）進行端到端最佳化。

2. 表徵學習（Representation Learning）與特徵萃取器架構：

• 深度神經網路的多層隱藏層本質上是非線性特徵萃取器。拔除最後分類層後，倒數第二層（Penultimate Layer）所輸出的高維特徵向量（Deep Features / Embeddings）具備高度線性可分（Linearly Separable）與強語意表徵的特性。

3. 最大邊界分類（Maximum Margin Classification）與泛化能力：

• 支援向量機（SVM）以**結構風險最小化（Structural Risk Minimization, SRM）**為基礎，透過尋求將兩類分得最開的超平面（Maximal Margin Hyperplane），最大化幾何邊界（Geometric Margin），在統計學習理論上對未見資料具備更強的泛化能力（Generalization Ability）。

4. 經驗風險最小化 vs. 幾何間距最大化之對比：

• Softmax 目標為最大化訓練樣本的概似機率（Maximum Likelihood Estimation, MLE，屬經驗風險最小化），易受界外點（Outliers）與類別不平衡拉扯，不保證最大間隔。
• SVM 僅依賴支撐向量（Support Vectors）決定決策邊界，抗雜訊性更強，且在下游任務樣本量小（Few-shot / Transfer Learning）時能顯著降低過擬合（Overfitting）風險。

---

解題方法

本題為申論題，作答應採取「架構切分對比法」：先論述訓練期為何必用 Softmax（側重數值最佳化與梯度流），再論述推論／實務期為何改採 SVM（側重幾何間距、泛化魯棒性與小樣本部署效率），最後進行綜整比較。

一、 訓練階段採用 Softmax 的原因：數值最佳化與反向傳播

1. 機率分佈正規化： 設神經網路最後一層輸出之未正規化向量（Logits）為 $\mathbf{z} = [z_1, z_2, \dots, z_C]^T$（$C$ 為類別總數），Softmax 函數將其轉換為各類別之預測機率： $p_i = \text{Softmax}(z_i) = \frac{e^{z_i}}{\sum_{j=1}^{C} e^{z_j}}, \quad \forall i \in \{1, \dots, C\}$ 滿足 $\sum_{i=1}^{C} p_i = 1$ 且 $p_i \in (0, 1)$，提供直觀的機率語意。

2. 與交叉熵損失結合產生理想的梯度導流： 訓練多分類任務時，損失函數採用多類別交叉熵（Categorical Cross-Entropy Loss）： $L = -\sum_{i=1}^{C} y_i \ln(p_i)$ 其中 $y_i$ 為真實標籤的 One-hot 編碼。對輸入 Logit $z_i$ 計算偏微分，推導結果為： $\frac{\partial L}{\partial z_i} = p_i - y_i$ 此導數形式極度簡潔，誤差梯度直接等於「預測機率值減去真實標籤值」。當預測正確且機率接近 1 時，梯度趨近於 0；當預測錯誤時，梯度大小適中且平滑，完全相容於鏈狀法則（Chain Rule），讓全網參數（權重 $\mathbf{W}$ 與偏差 $\mathbf{b}$）能高效進行端到端（End-to-End）反向傳播。

3. SVM 在端到端深度網路訓練中的限制： 傳統 SVM 的鉸鏈損失（Hinge Loss）具備不可微的折點（Non-smoothness），且二次規劃（Quadratic Programming）求解難以直接與隨機小批次（Mini-batch SGD）訓練完美融合，若在深層網路中直接對 SVM 權重進行端到端微調，計算代價高且數值穩定性較差。

---

二、 實際應用階段採用 SVM 的原因：幾何邊界、泛化性與邊緣部署

在實際工程落地（例如惡意病毒碼分類、少見腫瘤辨識等場景）中，常採用「深度網路作為特徵萃取器 + 線性／核 SVM 作為終端分類器」的混合架構（Hybrid Architecture / Transfer Learning），其核心考量如下：

1. 追求最大邊界超平面（Maximum Margin Hyperplane）： Softmax 僅要求將正確類別的概似值推高，決策邊界容易貼近某些樣本點；而 SVM 的最佳化目標為： $\min_{\mathbf{w}, b} \frac{1}{2}\|\mathbf{w}\|^2 \quad \text{s.t.} \quad y_k(\mathbf{w}^T \mathbf{x}_k + b) \ge 1, \quad \forall k$ 其追求的是最大化邊界分離帶 $\frac{2}{\|\mathbf{w}\|}$。

核心觀念

本題聚焦於前瞻科技對現代資通安全之衝擊，測驗考生在「量子計算技術原理」與「現代密碼學安全性評估」的整合分析能力：

1. 量子電腦（Quantum Computer）架構與原理：

• 基本運算單元：量子位元（Qubit），可同時處於 $|0\rangle$ 與 $|1\rangle$ 的線性疊加態（Superposition）： $|\psi\rangle = \alpha|0\rangle + \beta|1\rangle \quad (\text{其中 } |\alpha|^2 + |\beta|^2 = 1)$
• 量子物理特性：量子疊加（Superposition）、量子糾纏（Entanglement）、量子干涉（Quantum Interference）。
• 運算優勢：$n$ 個量子位元可同時表徵 $2^n$ 種疊加狀態，具備巨量平行運算能力（Quantum Parallelism）。

2. 現代密碼學之數學難題破譯衝擊：

• 非對稱密碼學（公開金鑰密碼系統）：基於整數質因數分解難題（如 RSA）及離散對數／橢圓曲線離散對數難題（DLP / ECDLP，如 DH、DSA、ECC）。
• 對稱密碼學與雜湊函數：基於混淆（Confusion）與擴散（Diffusion）設計之區塊加密演算法（如 AES）與單向雜湊（如 SHA-2 / SHA-3）。

3. 量子演算法威力：

• 秀爾演算法（Shor's Algorithm）：在多項式時間（Polynomial Time）內求解質因數分解與離散對數問題。
• 格羅弗演算法（Grover's Algorithm）：對非結構化資料搜尋提供二次方加速（Quadratic Speedup），時間複雜度由 $O(N)$ 降至 $O(\sqrt{N})$。

4. 防禦架構演進：後量子密碼學（Post-Quantum Cryptography, PQC）與量子金鑰分發（Quantum Key Distribution, QKD）。

---

解題方法

本題為 25 分之申論題，答題架構應採「定義 $\to$ 衝擊分析 $\to$ 因應對策」三段式鋪排：

1. 第一部分：精準定義量子電腦（約 8～10 分）：

• 從「底層物理特性（Qubit、疊加、糾纏）」切入，對比傳統電腦（Classical Bit，僅具 0 或 1 之確定狀態）。
• 說明量子邏輯閘與量子演算法如何利用機率幅與相消／相長干涉，實現針對特定演算法題型的超多項式加速（Super-polynomial Speedup）。

2. 第二部分：分類剖析對資安密碼學之衝擊（約 12～15 分）：

• 分類論述：嚴格劃分「非對稱密碼學（毀滅性崩解）」與「對稱密碼學／雜湊函數（安全性折半）」兩大主軸，分別指涉對應之量子破密演算法（Shor's 與 Grover's）。
• 威脅時態：提及「現在蒐集、未來解密」（Harvest Now, Decrypt Later, HNDL）之即時潛在威脅。
• 防禦機制補述：點出 NIST PQC 標準化轉型及 QKD 之防護思路，展現資訊管理與資安架構之完整視野。

---

選項分析

本題為申論題型，無選項。閱卷評分點之面向與對照拆解如下：

• 子題一：何謂量子電腦？
• 核心給分點：必須寫出「量子位元（Qubit）」、「量子疊加（Superposition）」與「量子糾纏（Entanglement）」，並點出其透過量子平行性（Quantum Parallelism）突破傳統圖靈機（Turing Machine）馮紐曼架構的限制。
• 子題二：對目前資安密碼學之影響？
• 核心給分點（非對稱加密）：必須明確點出 Shor's Algorithm，並說明其將 RSA、ECC、Diffie-Hellman 等主流公鑰演算法的指數時間複雜度降為多項式時間，導致現行數位簽章、身分驗證與金鑰交換機制完全失效。
• 核心給分點（對稱加密與雜湊）：必須明確點出 Grover's Algorithm，說明其提供平方根加速，使有效金鑰長度減半（如 AES-128 降為 64-bit 安全度，AES-256 降為 128-bit 安全度），但可透過「倍增金鑰長度」因應。
• 延伸評分點（因應趨勢）：論述後量子密碼學（PQC，基於晶格、雜湊等數學難題）之轉移必要性，始能取得 22 分以上之特優級距分數。

---

解題技巧

1. 名詞配對精準度：

• 提到「RSA / ECC / DH / 數位簽章」 $\to$ 必配 Shor's Algorithm（多項式時間破解、結構崩解）。
• 提到「AES / DES / SHA 暴力搜尋」 $\to$ 必配 Grover's Algorithm（複雜度 $O(\sqrt{N})$、金鑰強度減半）。

2. 避免答題誤區：

• 切忌寫出「量子電腦能在所有運算上超越傳統電腦」之錯誤敘述。量子優越性（Quantum Supremacy）僅限於特定演算法可解的數學問題類別（如 BQP 複雜度類別），非所有一般性計算皆有指數級提升。
• 切勿混淆 PQC（在傳統電腦上執行的防量子演算法）與 QKD（依賴實體光纖量子通訊硬體之金鑰分發協定）。

---

【答案】

一、量子電腦之定義與核心運算原理