114 年 國立臺灣大學地質科學系及海洋研究所聯合招生《計算機概論（B）》

本題在考驗電腦中各主要儲存元件的功能與存取速度。CPU 在執行指令時，需要快速存取資料與指令，因此會使用速度極快的暫存記憶體來儲存這些資訊。

• CPU (Central Processing Unit)：中央處理器，負責執行程式指令。
• Hard Disk (硬碟)：傳統的儲存裝置，速度較慢，用於長期儲存資料。
• RAM (Random Access Memory)：隨機存取記憶體，速度比硬碟快，是主記憶體，用於暫存 CPU 正在執行或即將執行的資料與指令。
• ROM (Read-Only Memory)：唯讀記憶體，通常儲存啟動 BIOS 等固定程式，資料不易修改。
• Cache (快取記憶體)：位於 CPU 內部或非常靠近 CPU 的高速記憶體，速度比 RAM 更快，用於暫存 CPU 最常存取的資料與指令，以進一步提升存取效率。

本題在考驗電腦硬體中各主要元件的功能劃分，特別是負責執行指令的核心元件。

• CPU (Central Processing Unit)：中央處理器，是電腦的大腦，負責執行程式的指令（包括算術、邏輯、控制和輸入/輸出操作）。

本題旨在測試對電腦記憶體層級結構及其存取速度的理解。電腦系統為了平衡效能與成本，採用了不同速度和容量的記憶體組合，形成一個記憶體層級。

記憶體層級結構通常由上到下，速度由快到慢，容量由小到大：

1. CPU 暫存器 (Registers)：最快，直接在 CPU 內部，用於儲存 CPU 當前正在處理的資料。
2. 快取記憶體 (Cache Memory)：速度極快，位於 CPU 附近（常見有 L1, L2, L3 Cache），用於儲存 CPU 最常存取的資料，減少 CPU 等待時間。
3. 主記憶體 (RAM - Random Access Memory)：速度較快，用於儲存目前執行中的程式和資料。

本題考驗對二元搜尋樹 (Binary Search Tree, BST) 基本性質的理解。

本題在考驗對網路協定版本 IPv4 和 IPv6 的基本認知，特別是位址空間的差異。

• IPv4 (Internet Protocol version 4)：使用 32 位元來表示 IP 位址，總共可以提供 $2^{32}$ 個位址，大約是 43 億個位址。隨著網際網路的快速發展，IPv4 位址已接近枯竭。

本題在考驗對防火牆 (Firewall) 功能與限制的理解。

防火牆是一種網路安全系統，用於監控和控制進入及離開網路的網路流量，基於預先設定的安全規則來決定允許或封鎖特定的流量。它的主要目的是保護內部網路免受未經授權的存取和惡意流量的侵害。

然而，防火牆並不能阻止「所有類型」的網路攻擊。以下是一些防火牆無法有效防禦的攻擊類型：

1. 內部威脅 (Insider Threats)：由內部人員發起的惡意行為。

本題考驗對電子郵件傳輸協定的認知。

電子郵件系統的運作涉及兩個主要的傳輸過程：

1. 寄送郵件 (Sending Mail)：當使用者撰寫並寄送一封電子郵件時，郵件用戶端 (Mail Client) 會將郵件傳送給郵件伺服器 (Mail Server)。這個過程使用的協定是 SMTP (Simple Mail Transfer Protocol)，簡單郵件傳輸協定。

本題考驗對資料庫基本概念的理解，特別是資料組織的目標。

• Redundancy (冗餘)：指資料中存在重複的、不必要的副本。過多的冗餘會浪費儲存空間，並可能導致資料不一致。
• Data Integrity (資料完整性)：指資料的準確性、一致性和可靠性。當資料因冗餘或更新不當而產生不一致時，資料完整性就會受到損害。

本題考驗作業系統中進程 (Process) 與線程 (Thread) 的核心概念及其區別。

進程 (Process)

• 定義: 一個正在執行中的程式。作業系統為每個進程分配獨立的記憶體空間（位址空間）、系統資源（如檔案控制器、網路連線等）和一個進程控制區塊 (Process Control Block, PCB)。
• 資源: 每個進程擁有自己獨立的資源，包括程式碼、資料、堆疊 (stack)、堆積 (heap) 和其他系統資源。
• 獨立性: 進程之間是相互獨立的。一個進程的崩潰通常不會影響其他進程。
• 開銷: 創建和切換進程的開銷較大，因為需要分配和管理獨立的資源，以及複製或映射記憶體空間。
• 通訊: 進程間通訊 (Inter-Process Communication, IPC) 必須透過作業系統提供的機制（如管道、訊息佇列、共享記憶體等），相對較慢且複雜。

線程 (Thread)

• 定義: 進程內部的執行單元。一個進程可以包含一個或多個線程，這些線程共享進程的資源。線程也被稱為輕量級進程 (Lightweight Process)。
• 資源: 同一個進程中的所有線程共享該進程的記憶體空間（程式碼、資料、堆積）和系統資源。每個線程有自己的程式計數器 (Program Counter)、暫存器集合和堆疊。
• 獨立性: 線程之間不完全獨立，它們共享資源。一個線程的崩潰可能會導致整個進程崩潰。
• 開銷: 創建和切換線程的開銷比進程小，因為不需要分配獨立的記憶體空間和大量系統資源。
• 通訊: 線程之間可以直接透過共享記憶體進行通訊，速度較快且簡單。

總結區別:

| 特性 | 進程 (Process) | 線程 (Thread)

本題考驗作業系統中虛擬記憶體管理機制的核心概念，特別是分頁 (Paging) 與頁面替換演算法 (Page Replacement Algorithm) 的目的。

背景:
現代作業系統採用虛擬記憶體技術，允許程式使用的記憶體空間超過實體記憶體 (RAM) 的大小。這透過將記憶體劃分為固定大小的區塊（稱為「頁」或 Page）並將它們儲存在輔助儲存（如硬碟）中來實現。當 CPU 需要存取一個不在實體記憶體中的頁時，就會發生「頁錯誤」(Page Fault)。

頁面替換演算法的目的:
當發生頁錯誤時，作業系統需要將輔助儲存中的目標頁載入到實體記憶體中。然而，實體記憶體可能已經被其他頁面填滿。

本題考驗對幾種重要現代科技及其主要應用領域的配對能力。

1. Blockchain (區塊鏈)：

   • 特性：去中心化、不可篡改、透明、加密。
   • 主要應用：最核心的應用是確保交易的安全性與透明度，特別是在金融領域（如加密貨幣）、供應鏈管理、數位身份驗證等需要高信任度的場合。選項 A「Data privacy and secure transactions」最符合此特性。

2. Artificial Intelligence (AI) / Machine Learning (ML)：

   • 特性：從大量數據中學習模式、進行預測、自動化決策。
   • 主要應用：廣泛應用於數據分析、模式識別、自然語言處理、電腦視覺等。機器學習的發展高度依賴於對大量數據進行高速分析。選項 B「High-speed data analysis for machine learning」是 AI/ML 的重要應用場景。

3. Edge Computing (邊緣運算)：

   • 特性：將運算和數據儲存移至數據來源的「邊緣」位置，而不是集中在數據中心。
   • 主要應用：強調低延遲、即時處理能力，特別適用於物聯網 (IoT) 設備、自動駕駛汽車、智慧城市等需要快速響應的應用。

邊緣運算 (Edge Computing) 的角色

邊緣運算是一種分散式運算架構，它將數據的處理和儲存能力從傳統的雲端數據中心移至更靠近數據產生點的「邊緣」設備或伺服器。在現代科技中，邊緣運算扮演著越來越關鍵的角色，主要體現在以下幾個方面：

1. 降低延遲 (Reduced Latency)：

   • 傳統雲端運算需要將數據傳輸到遠端的數據中心進行處理，再將結果傳回，這個過程會產生顯著的延遲。
   • 邊緣運算將處理能力部署在靠近數據源的地方（如 IoT 設備、本地伺服器、基地台），大大縮短了數據往返的時間，實現了近乎即時的響應。這對於自動駕駛、遠端手術、工業自動化等對延遲極為敏感的應用至關重要。

2. 節省頻寬 (Bandwidth Savings)：

   • 物聯網設備產生海量數據，將所有數據傳輸到雲端會消耗巨大的網路頻寬，成本高昂且可能導致網路擁塞。
   • 邊緣運算可以在本地對數據進行預處理、過濾和分析，只將重要的、經過摘要的數據傳輸到雲端，顯著節省了頻寬資源。

3. 提高可靠性與可用性 (Enhanced Reliability and Availability)：

   • 邊緣設備可以在網路連接不穩定或中斷的情況下獨立運作，因為關鍵的處理和決策可以在本地完成。
   • 這對於偏遠地區、移動設備或對離線運行有要求的應用來說，能確保服務的連續性。

4. 增強數據安全性與隱私 (Improved Security and Privacy)：

   • 敏感數據可以在本地處理，減少了數據在傳輸過程中被攔截或洩漏的風險。
   • 某些數據可以被匿名化或聚合後再傳輸，符合隱私保護法規的要求。

部署基於人工智慧 (AI) 的決策系統，尤其是在涉及人類權益、社會公平和個人福祉的領域（如醫療、金融、招聘、司法、自動駕駛等），引發了一系列複雜的倫理考量。以下是幾個關鍵的倫理議題：

1. 偏見與公平性 (Bias and Fairness)：

   • 問題: AI 系統的決策可能受到訓練數據中的偏見影響。如果訓練數據反映了歷史上的社會不公或歧視（例如種族、性別、年齡歧視），AI 系統就可能複製甚至放大這些偏見，導致不公平的決策結果。
   • 考量: 如何確保 AI 系統的決策是公平、無歧視的？如何識別和減輕數據、演算法和部署過程中的偏見？這涉及到對不同群體的公平對待，以及避免系統性歧視。

2. 透明度與可解釋性 (Transparency and Explainability)：

   • 問題: 許多先進的 AI 模型（特別是深度學習模型）被視為「黑盒子」，其決策過程難以理解。當 AI 系統做出影響重大的決策時（例如拒絕貸款申請、診斷疾病），使用者和監管者需要知道決策的依據。
   • 考量: 我們是否有權利知道 AI 系統如何做出影響我們的決策？如何設計可解釋的 AI (Explainable AI, XAI)？缺乏透明度會損害信任，並使追究責任變得困難。

3. 責任歸屬 (Accountability and Responsibility)：

   • 問題: 當 AI 系統做出錯誤或有害的決策時，誰應該負責？是開發者、部署者、使用者，還是 AI 本身？
   • 考量: 建立清晰的責任歸屬機制至關重要。這需要法律、政策和技術上的配合，以確保在出現問題時，能夠找到負責的對象並進行補償或糾正。

4. 隱私與數據保護 (Privacy and Data Protection)：