111 高普考高考二級 資訊處理 資訊管理與資通安全研究 考古題詳解

核心觀念

本題為民國 111 年公務人員高等考試二級考試（高考二級）「資訊管理與資通安全研究」考科之經典整合題型，主要測驗考生兩大核心能力：

1. 資訊管理核心理論：精準辨析數位轉型（Digital Transformation, DX）之演進光譜，區分「數位化（Digitization）」、「數位優化（Digitalization）」與「數位轉型（Digital Transformation）」三者之本質差異，並掌握數位轉型涉及科技、流程、組織文化及商業/服務模式變革之全貌。
2. 新興資通安全風險治理：掌握數位轉型所引進之關鍵科技（如雲端運算、微服務與 API、物聯網/邊緣運算、軟體供應鏈與大數據資料湖），所帶來之「攻擊面擴展（Attack Surface Expansion）」與「邊界防禦失效」等資安風險，並能對應提出「零信任架構（ZTA）」、「DevSecOps」、「雲端安全治理（CSPM/CWPP）」等現代防護策略。
3. 相關法規遵循：本題涉及推動政府與企業轉型之資安法治規範，以命題當年（民國 111 年）《資通安全管理法》與《個人資料保護法》為基準（現行《資通安全管理法》後續已推動研修）。

---

解題方法

本題為高考二級研究級申論題，作答切入點首重「架構嚴謹」與「深度推論」，切忌空泛口號。解題架構分為三大層次：

1. 破題與定義精準化：開門見山定義數位轉型，引用國內外權威機構（如 Gartner、MIT Sloan）之共識觀點，以層次對比法釐清數位化、數位優化至數位轉型之進程，強調轉型的核心是「價值創造」與「文化流程再造」，科技僅為賦能工具。
2. 風險剖析具體化：切勿僅列出傳統資安威脅（如電腦病毒、網路斷線），必須針對「數位轉型情境」切入，從架構面（雲端混合）、開發與供應鏈面（API/第三方軟體）、端點面（IoT/遠距工作）、資料面（集中化巨量資料）及人員治理面深入分析。
3. 防護措施精準對應：防護措施須與前述風險形成「一對一」或「系統化閉環」呼應，提出符合當前國際主流標準（如 NIST SP 800-207 零信任架構、ISO/IEC 27001）之具體技術與管理因應方案。

---

選項分析

本題為申論論述題，非選擇題，故無個別選項之對錯辨析。閱卷評分之關鍵構面如下：

• 評分優劣分野：
• 劣等答卷：誤將數位轉型定義為「把公文或紙本資料掃描轉為 PDF 電子化」，資安防護僅寫「安裝防毒軟體、設定防火牆、定期更換密碼」。
• 優等答卷：精準點出業務模式創新與組織文化變革，剖析多雲環境的共同責任模型漏洞、微服務 API 曝露、開源軟體物料清單（SBOM）風險，並以零信任（永不信任、始終驗證）及縱深防禦架構為骨幹提出對策。

---

解題技巧

1. 排版格式原則：申論題採「三段式結構」（定義 $\rightarrow$ 風險 $\rightarrow$ 對策），各點給予明確粗體標題，內文輔以 2～3 行精要論述。
2. 作答時間配置：本題佔分通常為 25 分，建議作答時間控制在 25～30 分鐘，篇幅維持在國家考試試卷約 1.5～2 頁。
3. 避開常見陷阱：

• 陷阱一：定義過於狹隘，僅著眼於 IT 系統升級，忽略「組織文化」與「營運模式」。
• 陷阱二：風險與防護脫節，寫了 A 風險卻提出 B 防護，缺乏邏輯對稱性。
• 陷阱三：防護措施偏廢單一方面，應兼顧「管理面（Governance）」、「技術面（Technology）」與「法規/人員面（People/Compliance）」。

---

【答案】

一、數位轉型（Digital Transformation, DX）之定義

(一) 數位演進層次之演進

數位轉型不可與前置階段混為一談，其演進光譜可區分為三階段：

1. 數位化（Digitization）：將實體或類比資訊轉換為數位格式（如紙本表單電子化），著重於資料格式的改變。
2. 數位優化（Digitalization）：利用數位科技改善現有作業流程、提高營運效率與降低成本（如導入 ERP 或 BPM 系統），但組織的核心營運與服務模式並未改變。
3. 數位轉型（Digital Transformation）：全面性的策略與文化變革。透過新興數位科技（如雲端運算、人工智慧、巨量資料、物聯網等）之深度整合，促使組織重新定義其服務模式、組織架構、營運流程與組織文化，為使用者（顧客或民眾）創造前所未有的核心價值。

(二) 核心定義

**數位轉型（Digital Transformation）**係指：組織以價值創造與顧客/民眾體驗為核心驅動力，戰略性地整合數位科技，對組織的策略、流程、文化、人才能力及商業/公共服務模式進行全面且根本性的重塑，建立敏捷應變的組織韌性，以因應動態環境變遷的持續變革歷程。

---

二、推動數位轉型面臨之資安風險

數位轉型打破了傳統實體內網的邊界防禦架構，帶來以下新興資安風險：

(一) 雲端架構與邊界消弭風險（雲端安全組態與共同責任劃分不清）

組織轉型大量採用公有雲或混合雲（SaaS/PaaS/IaaS），內部邊界防禦瓦解。

核心觀念

本題評量機器學習（Machine Learning, ML）兩大主流範式之核心理論機制與實務落地能力，對應考科「資訊管理與資通安全研究」中之智慧資訊架構與資通安全威脅分析技術。

1. 監督式機器學習（Supervised Machine Learning, SML）：

• 數學定義：給定已知標籤之訓練資料集 $\mathcal{D}_{\text{train}} = \{(x_i, y_i)\}_{i=1}^N$，其中 $x_i \in \mathbb{R}^d$ 為輸入特徵向量（Feature Vector），$y_i$ 為真實標籤（Ground Truth Label）。
• 學習目標：在假說空間（Hypothesis Space）$\mathcal{H}$ 中尋求一最佳映射函數 $f: \mathcal{X} \to \mathcal{Y}$，使預測值 $\hat{y}_i = f(x_i)$ 與真實值 $y_i$ 之間的經驗風險最小化（Empirical Risk Minimization, ERM）： $\min_{\theta} \frac{1}{N} \sum_{i=1}^N \mathcal{L}(f(x_i; \theta), y_i) + \lambda \Omega(\theta)$ 其中 $\mathcal{L}(\cdot)$ 為損失函數（Loss Function），$\Omega(\theta)$ 為正規化項（Regularization Term）以抑制過度擬合（Overfitting），$\lambda$ 為超參數。
• 任務類型：分類（Classification，標籤 $y$ 為離散型）與迴歸（Regression，標籤 $y$ 為連續型）。

2. 非監督式機器學習（Unsupervised Machine Learning, UML）：

• 數學定義：給定無標籤資料集 $\mathcal{D}_{\text{train}} = \{x_i\}_{i=1}^N$，缺乏對應之目標輸出 $y_i$。
• 學習目標：從資料內在幾何結構、機率分佈密度或特徵相關性中，自動推論資料的潛在結構、模式（Patterns）或機率分佈 $P(X)$。
• 任務類型：分群（Clustering，依距離/相似度聚合）、降維與特徵萃取（Dimensionality Reduction，消除多重共線性與雜訊）、關聯規則（Association Rules）與密度估計（Density Estimation）。

---

解題方法

高考二級申論題評分標準兼具「理論嚴謹度」與「實務整合度」，解題切入架構如下：

1. 結構切分與平衡論述： 依題意拆分為「監督式學習」與「非監督式學習」兩大核心區塊，各區塊嚴格涵蓋「運作原理（含資料架構、最佳化目標、任務類別）」與「具體應用實例（兼顧資訊管理與資通安全實務）」。
2. 理論層次抽象化： 說明運作原理時，切忌僅使用「有老師教」或「沒老師教」等口語化通俗比喻，應導入數學符號（特徵空間、標籤空間、損失函數、反向傳播/最佳化演算法、距離度量標準），展現高等考試應具備之學術底蘊。
3. 實例呼應考科範疇： 實例選取須緊扣《資訊管理與資通安全研究》之命題焦點：

• 監督式學習選用「惡意電子郵件分類」與「IT營運維護負載預測」。
• 非監督式學習選用「未知/零時差攻擊之網路異常流量偵測」與「企業顧客價值分群」。

4. 綜合綜整對照： 於文末設置對比分析表，從輸入格式、反饋機制、目標函數、代表性演算法至效能評估指標完整總結，強化論述架構之完整性。

---

選項分析

本題為申論問答題，無選擇題選項。依閱卷評分指標，就作答面向之評分要點與答題完整性剖析如下：

• 監督式學習「運作原理」重點： 必須說明資料集組成、映射函數 $f(x)$ 之逼近過程、損失函數之反饋調校（如梯度下降法），以及兩大核心分支（分類與迴歸）。若漏掉損失函數或只談分類而未提及迴歸，屬於重大缺漏。
• 監督式學習「應用實例」重點： 必須明確定義該實例中的「輸入特徵（$X$）」與「預測標籤（$Y$）」，說明其如何經由訓練與推論階段解決實務問題。
• 非監督式學習「運作原理」重點： 核心在於「缺乏外部監督回饋信號（No Ground Truth）」，模型必須基於幾何距離（如歐氏距離、曼哈頓距離）或資訊熵自主探索資料分佈。主要任務應區分「分群」與「降維」，不可僅回答分群。
• 非監督式學習「應用實例」重點： 需著重於「在沒有預先定義標籤」的前提下，如何達成模式發掘（Pattern Discovery）或異常偵測（Outlier Detection），特別適合用以防禦未知威脅或挖掘潛在市場區隔。

---

解題技巧

1. 答題架構黃金三角： 回答各機器學習範式時，固定採用「定義與輸入架構 $\to$ 核心數學/運作機制 $\to$ 代表性演算法 $\to$ 實務落地情境」四層遞進結構，確保答題條理分明。
2. 釐清常見觀念陷阱：

• 混淆分類（Classification）與分群（Clustering）：分類屬監督式（類別預先給定且已知），分群屬非監督式（分組由資料相似度動態決定，事前不知群體語意）。
• 混淆評估指標：監督式具備 Ground Truth，評估採用準確率（Accuracy）、$F_1$-score、均方誤差（MSE）；非監督式缺乏 Ground Truth，需採用內部評估指標，如輪廓係數（Silhouette Coefficient）、戴維斯-博爾丁指數（DB Index）或重建誤差（Reconstruction Error）。

3. 字面圖表化加分要領： 申論題加入標準比較表格，能使閱卷委員迅速掌握考生的體系化知識，有助於爭取 S 等級（高分群）評分。

---

【答案】

一、監督式機器學習（Supervised Machine Learning）之運作原理與應用實例

(一) 運作原理

1. 資料架構與目標映射：

• 監督式學習之基礎為標記資料集（Labeled Dataset）$\mathcal{D} = \{(x_i, y_i)\}_{i=1}^N$。每個樣本由特徵向量 $x_i$ 與其對應之目標標籤 $y_i$ 組成。
• 其本質為函數逼近（Function Approximation）問題，目標在於尋找映射關係 $\hat{y} = f(x; \theta)$，使模型具備高度的泛化能力（Generalization Ability），即對未曾見過的測試資料亦能準確預測。

2. 模型訓練與最佳化機制：

• 前向傳播與誤差量測：模型接收 $x_i$ 計算出預測值 $\hat{y}_i$，利用損失函數 $\mathcal{L}(\hat{y}_i, y_i)$ 量化預測值與真實標籤之差異。

核心觀念

本題以命題當年（民國 111 年）法規為準（註：本法自民國 94 年制定公布施行迄今條文內容維持一致，現行法亦同），測驗考生對我國行政法規中資訊揭露界線之掌握，並探討其在「資訊管理」與「開放資料（Open Data）」實務上的應用界限。

1. 基本法理原則（原則公開，例外限制）：依《政府資訊公開法》第 1 條及第 5 條規定，政府資訊以「主動公開」或「應人民申請提供」為原則，其核心目的在於建構透明政府並保障人民知的權利。
2. 實體豁免事由（限制公開之法定要件）：《政府資訊公開法》第 18 條第 1 項明定機關「應限制公開或不予提供」的 9 款具體法定情形（包含國家機密、犯罪偵查、機關內部擬稿、監督管理取締、考試評選、個人隱私與著作權、營業秘密、文化資產與野生資源、公營事業經營利益）。
3. 分離原則（部分公開）：依《政府資訊公開法》第 18 條第 2 項規定，若申請之資訊僅部分含有法定限制事由，但得予以技術性或實體區隔（如遮蔽、抽離），機關仍應就無涉限制之其餘部分公開或提供。
4. 開放資料與政府資訊公開之連動性：開放資料（Open Data）在法律位階上屬於政府資訊之一環。依行政院「政府資料開放作業原則」第 6 點規範，開放資料集之盤點與釋出，同樣受《政府資訊公開法》第 18 條實體限制之拘束，尤以個人資料隱私、營業秘密保護及關鍵基礎設施資安防護為限制開放之主要核心。

---

解題方法

本題為高考二級（碩士級）專業科目申論題，作答應兼具「法律精確度」與「資訊管理實務思維」，解題切入點如下：

1. 破題界定規範位階：指出開放資料之提供仍受《政府資訊公開法》拘束，並確立「公開為原則、限制為例外（列舉主義）」之憲政與法治思維。
2. 體系化分類 9 款法定限制事由：若僅平鋪直敘條文易顯散亂，應依保護之法益屬性，將第 18 條第 1 項 9 款歸納為三大主軸：

• 國家與公共秩序利益（第 1 款、第 2 款、第 8 款）
• 行政公務正常運作與公信力（第 3 款、第 4 款、第 5 款）
• 私人權利與正當經濟利益（第 6 款、第 7 款、第 9 款）

3. 論述公益例外但書：詳述第 3、6、7、9 款具備「對公益有必要」時得例外公開之衡量機制。
4. 補強實務救濟與技術機制：補充「分離原則（第 18 條第 2 項）」及資訊管理之「去識別化（De-identification）與欄位遮蔽（Masking）」實務，展現資訊處理類科之跨領域素養。

---

選項分析

本題為申論題，非選擇題，無選項可供直接比對。考生在答題時常出現下列三種認知與判斷偏差，特此進行正誤法理分析：

• 偏差一：誤認機關得以「行政作業繁瑣」或「機關自行裁量」拒絕提供
• 分析（錯誤）：《政府資訊公開法》採「法定列舉限制主義」。機關若欲不予提供或限制提供，必須能具體指明符合第 18 條第 1 項所列之 9 款法定事由或其他法律特別規定，不得以缺乏人手或行政裁量任意拒絕。
• 偏差二：誤認資料集只要含有一處敏感資訊，即可全盤駁回申請
• 分析（錯誤）：違反第 18 條第 2 項之「分離原則」。在資訊管理實務中，若資料集僅含有部分身分識別欄位（如身分證字號），機關應進行欄位遮蔽或假名化後釋出其餘資料，而非全件拒絕。
• 偏差三：誤認隱私權或營業秘密「絕對不可提供」
• 分析（錯誤）：第 18 條第 1 項第 6 款及第 7 款均定有但書。若該項資訊之公開「對公益有必要」、「為保護人民生命、身體、健康有必要」或「經當事人同意」者，公益價值優於私益時，機關仍得例外予以公開或提供。

---

解題技巧

1. 九款條文速記口訣：

• 口訣：「密、偵、擬、監、試、隱、營、資、公」
• 密：國家機密與法規秘密（第 1 款）
• 偵：犯罪偵查與生命財產安全（第 2 款）
• 擬：決策前內部擬稿與準備作業（第 3 款）
• 監：監督、管理、檢驗、取締等公務（第 4 款）

核心觀念

本題評量考生於「軟體安全開發生命週期」（SSDLC）及「軟體品質保證」（SQA）領域中，針對原始碼檢測（Code Testing / Security Testing）之核心技術掌握程度。

1. 靜態分析（Static Analysis / SAST）：屬於白箱測試（White-box Testing），在不實際執行程式碼的前提下，透過語法剖析、控制流與資料流分析、規則比對等技術，檢視原始碼（Source Code）、位元碼（Bytecode）或二進位檔（Binary），以找出潛在缺陷、語法違規或安全弱點（如 CWE、OWASP Top 10 所列漏洞）。
2. 動態分析（Dynamic Analysis / DAST / Fuzzing）：多偏向黑箱或灰箱測試（Black-box / Gray-box Testing），必須在受控或模擬之執行環境中運行目標系統，透過向執行中程式傳入特定測試案例、邊界條件或攻擊載荷（Payloads），並監控其輸入輸出行為、記憶體狀態及系統反應，藉以找出執行時期（Runtime）之安全漏洞與功能缺陷。
3. 法規與標準依據：本題涉及「資通安全管理法」相關規範（以命題當年民國 111 年法規為準，如《資通系統防護基準》及政府機關委外辦理資通系統之安全檢測要求），受稽核機關之系統於上線前均應落實靜態原始碼掃描與動態弱點掃描／滲透測試。

---

解題方法

本題為經典的「實務作法＋比較題」，解題架構宜採分項條列與結構化圖表呈現：

1. 靜態分析之實務做法：從人工代碼審查（Code Review）與自動化靜態工具（SAST）雙軌切入，詳述其分析技術（語法分析樹、控制流／資料流、污點分析）以及融入 CI/CD Pipeline（Shift-Left 左移）之實務落地流程。
2. 動態分析之實務做法：從自動化動態掃描（DAST）、模糊測試（Fuzz Testing）及穿透測試切入，說明測試環境建立、爬蟲探測、Payload 注入、插樁（Instrumentation）監控到異常判定之標準作業程序。
3. 優缺點比較：繪製多維度對照表，從「程式依賴性」、「檢測時機」、「檢測覆蓋率」、「誤報與漏報（False Positive / False Negative）」、「修復指引精確度」及「邏輯漏洞識別力」等關鍵構面深入評比。
4. 實務整合綜整：結論補充現代實務（如 IAST 互動式分析或 DevSecOps）以展現高階答題深度。

---

選項分析

本題為高等考試二級之申論題，非選擇題，無選項設計。作答時應避免空洞的定義抄寫，聚焦於具體實務步驟與技術深度的對比。

---

解題技巧

1. 名詞精確度：作答時務必引用業界標準名詞（如 Abstract Syntax Tree、Taint Analysis、Sink/Source、Fuzzing、Quality Gate、False Positive/Negative），避免使用口語化說明。
2. 切入架構清晰：將實務做法拆解為「前置準備 $\rightarrow$ 核心檢測手段 $\rightarrow$ 流程整合／落地處置」，閱卷委員可一目了然。
3. 避免常見陷阱：

• 誤以為靜態分析「只能」靠工具：實務上靜態分析包含人工 Inspection 與自動化 SAST。
• 誤以為動態分析等同於功能測試：在資安與程式碼檢測語境中，動態分析著重於未預期輸入、邊界條件、崩潰監控與執行期漏洞（如記憶體洩漏、Race Condition）。

---

【答案】

一、靜態分析（Static Analysis）進行程式碼檢測之實務做法

靜態分析係指在不執行程式的狀態下，直接對原始碼、組譯碼或二進位碼進行檢驗與結構剖析，實務作法包含以下環節：

1. 實務檢測技術與手段

• 人工程式碼審查（Manual Code Review / Inspection）：由架構師或同儕進行 Walkthrough 或 formal inspection，針對商業邏輯、授權驗證設計與複雜演算法進行審查。
• 詞法與語法分析（Lexical & Syntactic Analysis）：透過剖析器（Parser）將原始碼轉換為抽象語法樹（Abstract Syntax Tree, AST），檢視是否符合撰寫規範或存在已知的危險函式調用（如 C/C++ 之 strcpy）。
• 資料流分析（Data Flow Analysis）與污點分析（Taint Analysis）：
• 定義不受信任的外部輸入為來源端（Source）。
• 追蹤變數傳遞路徑，檢查其是否未經適當消毒或驗證即傳遞至敏感操作執行點（Sink，如 SQL 查詢、命令列執行、HTML 輸出），以此找出 SQL Injection、XSS 等安全弱點。
• 控制流分析（Control Flow Analysis, CFA）：建立控制流程圖（Control Flow Graph, CFG），分析程式執行分支，偵測無效代碼（Dead Code）、無限迴圈或未初始化的變數。

2. 工程實務落地流程

• 自訂規則集（Rule Set Tuning）：依據企業資安政策、專案特性（如 OWASP Top 10、CWE/SANS Top 25），排除不適用的規則以抑制誤報。
• 整合 CI/CD 流程（DevSecOps Shift-Left）：