115 年 國立成功大學資訊管理研究所乙組《計算機概論》

這題考驗對作業系統中 Process Control Block (PCB) 的理解。PCB 是作業系統用來管理行程（process）的核心資料結構。

PCB 儲存了行程執行時所需的所有重要資訊，包括行程的狀態（執行中、就緒、等待等）、程式計數器 (Program Counter)、CPU 暫存器狀態、記憶體管理資訊、排程資訊（優先權等）、I/O 狀態等。這些資訊使得作業系統能夠暫停一個行程的執行，稍後又能恢復其執行，就像從未被中斷過一樣。

這題考驗對網路協定及其功能的了解，特別是網域名稱解析（Domain Name Resolution）的機制。

當使用者在瀏覽器輸入網址（例如 www.google.com）時，電腦需要知道對應的 IP 位址才能建立連線。這個將人類可讀的網域名稱轉換為機器可讀的 IP 位址的過程，稱為網域名稱解析。

選項分析：
(A) ARP (Address Resolution Protocol) 的主要功能是將 IP 位址解析成 MAC 位址，用於在區域網路（LAN）內進行通訊。

這題考驗資料庫設計中，關於主鍵（Primary Key）選擇的原則。主鍵是資料表中用來唯一識別每一筆記錄的欄位（或欄位組合）。一個好的主鍵應該具備以下特性：唯一性（Unique）、非空性（Not Null）、穩定性（Stable）且具有業務意義（Meaningful）或無業務意義（Surrogate）。

選項分析：
(A) Customer name (客戶名稱)：客戶名稱可能重複，且客戶名稱可能變更，不適合作為主鍵。

這題考驗物件導向程式設計（Object-Oriented Programming, OOP）中的繼承（Inheritance）和多型（Polymorphism）概念。

當一個子類別（subclass）想要提供與父類別（superclass）中同名、相同參數列表但不同實作的方法時，就稱為方法覆寫（Method Overriding）。這是一種實現多型的常見方式，允許父類別參考指向子類別物件，並呼叫子類別實作的方法。

這題考驗資訊安全的基本原則。

安全性原則是指確保資訊系統安全性的核心概念。這裡詢問的是確保資料未經授權不能被修改的原則。

這題考驗對雲端運算（Cloud Computing）主要特徵的理解。雲端運算提供彈性、可擴展的資源，並採用付費模式。

題目問的是「僅為實際使用的資源付費」的特性。

選項分析：
(A) Virtualization (虛擬化)：這是雲端運算實現資源共享和彈性的基礎技術，它將硬體資源（如伺服器、儲存、網路）抽象化，使其能被分割成多個虛擬資源。虛擬化本身並不直接涉及付費模式。
(B) Scalability (可擴展性)：指系統能夠處理不斷增長的負載，可以通過增加資源（縱向擴展）或增加實例（橫向擴展）來實現。這與付費模式有關，但不是直接描述「按使用量付費」。
(C) Elasticity (彈性)：指系統能夠根據需求自動地、快速地擴展或縮減資源。

這題考驗對基本資料結構及其特性的理解，特別是 FIFO (First-In, First-Out) 的概念。

FIFO 是一種處理順序，表示最先進入系統的元素，也是最先被處理或移除的元素。這就像排隊買東西，最先排到的客人最先被服務。

選項分析：
(A) Stack (堆疊)：是一種 LIFO (Last-In, First-Out) 資料結構。最後進入堆疊的元素，最先被移除（例如，程式的函數呼叫堆疊）。

這題考驗對統一塑模語言（Unified Modeling Language, UML）各種圖的認識及其用途。UML 提供了多種圖來視覺化軟體系統的設計。

題目問的是「物件隨時間的互動」。

選項分析：
(A) Class diagram (類別圖)：顯示系統的靜態結構，包括類別、屬性、操作以及類別之間的關係（如繼承、關聯、聚合）。它不描述物件間的動態互動。

正規化（Normalization）是關係型資料庫設計中的一個重要過程，旨在減少資料冗餘（redundancy）並提高資料的完整性（integrity）。

馮紐曼瓶頸（Von Neumann bottleneck）是電腦架構中的一個限制，指的是中央處理器（CPU）與主記憶體（Main Memory）之間資料傳輸的速率，通常比 CPU 的處理速度慢。

這題考驗對二補數（Two's Complement）表示法的理解，這是電腦系統中表示負數的標準方式。

計算 -57 的 8 位元二補數表示法的步驟如下：

1. 找出 57 的 8 位元二進位表示法。
   $57$ 的十進位轉二進位：
   $57 \div 2 = 28$ 餘 $1$
   $28 \div 2 = 14$ 餘 $0$
   $14 \div 2 = 7$ 餘 $0$
   $7 \div 2 = 3$ 餘 $1$
   $3 \div 2 = 1$ 餘 $1$
   $1 \div 2 = 0$ 餘 $1$
   從下往上讀，得到 $57_{10} = 111001_2$。
   補足為 8 位元，前面補 0：$00111001_2$。

這題考驗對 CPU (Central Processing Unit) 和 GPU (Graphics Processing Unit) 在現代電腦架構中不同特性的理解。

CPU 的設計重點是處理複雜的任務和指令，以及執行串列（sequential）指令流，因此它擁有較少的、但更強大的核心，並具備複雜的控制邏輯和較大的快取（cache）。CPU 擅長處理需要低延遲和複雜分支預測的通用運算。

GPU 的設計重點是進行大規模的平行運算，尤其是在圖形處理和科學計算領域。它擁有數百甚至數千個較為簡單的核心，這些核心能夠同時處理大量相似的數據。GPU 非常適合於高度並行的任務，例如圖像渲染、矩陣運算、深度學習訓練等。

選項分析：
(A) CPUs 和 GPUs 通常不共享相同的 ISA (Instruction Set Architecture)。它們的指令集設計不同，以適應各自的計算模型。

核心觀念

本題的關鍵是區分「整體準確率」與「詐欺交易的召回率」。將詐欺交易視為正類，定義：

• $TP$（真陽性）：詐欺交易被正確判定為詐欺。
• $TN$（真陰性）：正常交易被正確判定為正常。
• $FN$（偽陰性）：詐欺交易被漏判為正常。
• $FP$（偽陽性）：正常交易被誤判為詐欺。

整體準確率（Accuracy）計算所有交易中判斷正確的比例：

詐欺交易的召回率（Recall）則計算實際詐欺交易中，被正確偵測的比例：

題目問的是 $TP$，因此需要詐欺交易的召回率；整體準確率為 $95\%$，並不代表詐欺召回率也是 $95\%$。

解題方法

先計算實際交易筆數：

由整體準確率為 $95\%$，可得：

這只能求出「所有正確判斷的交易數」，不能單獨求出 $TP$。

令正確偵測的詐欺交易數為 $t$，則符合題目條件的混淆矩陣為：

對任何整數 $0\leq t\leq100$，表中各筆數皆合法，且準確率均為：

這題考驗對幾種常見搜尋演算法時間複雜度的理解。我們需要比較：

1. Linear Search (線性搜尋)
2. Binary Search (二分搜尋)
3. Hash Lookup (雜湊查找)

1. Linear Search (線性搜尋)

• Average-case: $O(n)$。在平均情況下，需要搜尋一半的元素。
• Worst-case: $O(n)$。在最壞情況下，需要搜尋所有元素，或者目標元素不在列表中。

2. Binary Search (二分搜尋)

• 前提條件: 資料必須是已排序的。
• Average-case: $O(\log n)$。每次搜尋將搜尋範圍減半。
• Worst-case: $O(\log n)$。在最壞情況下，也需要 $\log n$ 次搜尋。

3. Hash Lookup (雜湊查找)

• 前提條件: 需要一個好的雜湊函數和衝突解決策略。
• Average-case: $O(1)$。在平均情況下，雜湊函數能將鍵值映射到一個唯一的儲存位置，查找時間接近常數。
• Worst-case: $O(n)$。在最壞情況下（例如，所有鍵值都映射到同一個雜湊桶，發生嚴重的雜湊衝突），雜湊查找會退化成線性搜尋。

現在我們來比較這些複雜度：

Average-case Time Complexities:

• Hash Lookup: $O(1)$
• Binary Search: $O(\log n)$
• Linear Search: $O(n)$

從最小到最大：$O(1) < O(\log n) < O(n)$。
所以，平均情況下的順序是：Hash Lookup < Binary Search < Linear Search。

這題考驗對 Transformer 架構在現代大型語言模型（LLMs）中重要性的理解。Transformer 架構是近年來 LLMs 取得巨大成功的關鍵。

Transformer 架構的主要創新在於其「注意力機制」（Attention Mechanism），特別是「自注意力機制」（Self-Attention）。這個機制有兩個非常重要的優勢：

1. 處理長距離依賴 (Capturing Long-Range Dependencies): 傳統的循環神經網路（RNNs）在處理長序列時，容易遇到梯度消失或爆炸的問題，難以捕捉遠距離的資訊。而 Transformer 的自注意力機制能夠直接計算序列中任意兩個位置之間的關聯性，無論它們的距離多遠，從而有效捕捉長距離依賴。
2. 支援平行處理 (Support for Parallel Processing): RNNs 的計算是串列的（sequential），必須等待前一個時間步的計算完成才能進行下一個。

這題考驗對陣列（Array）和鏈結串列（Linked List）這兩種基本資料結構在記憶體管理和效率上的比較。

陣列 (Array) 的特點：

• 連續儲存 (Contiguous Storage): 陣列的元素在記憶體中是連續存放的。這意味著，如果知道第一個元素的地址和每個元素的大小，就可以直接計算出任何一個元素的地址 (random access)。
• 快取局部性 (Cache Locality): 由於元素是連續存放的，當 CPU 讀取陣列中的一個元素時，根據快取（cache）的工作原理，它會將該元素及其周圍的數據塊一同載入到快取中。這使得 CPU 在接下來訪問附近元素時，能夠從快取中快速取得數據，從而提高存取速度。這就是所謂的「快取局部性」。
• 插入/刪除效率低: 在陣列中間插入或刪除元素需要移動後續的所有元素，時間複雜度為 $O(n)$。

鏈結串列 (Linked List) 的特點：

• 非連續儲存 (Non-contiguous Storage): 鏈結串列的元素（節點）在記憶體中可以分散存放。每個節點包含數據和一個指向下一個節點的指標。

這題考驗對氣泡排序法（Bubble Sort）優化版本的理解。

標準的氣泡排序法會進行 $n-1$ 輪排序，每輪都遍歷未排序的部分。優化版本的氣泡排序法增加了一個標記 swapped，用於判斷在一輪排序中是否發生了任何元素的交換。

如果在一輪完整的內層迴圈（for (j=0; j<n-i-1; j++)）中，沒有發生任何元素的交換（即 swapped 的值仍然是初始的 0），這表示整個陣列已經是有序的了。此時，排序過程就可以提前終止，從而提高效率。

因此，在內層迴圈結束後，需要檢查 swapped 的值。如果 swapped 的值是 0，則表示本輪沒有發生交換，陣列已排序，需要跳出外層迴圈。

我們來看程式碼結構：
外層迴圈 for (i=0; i<n-1; i++) 控制排序的輪數。
內層迴圈 for (j=0; j<n-i-1; j++) 負責在每一輪中進行比較和交換。
在每輪開始時，swapped 被設為 0。
如果在內層迴圈中發生了交換，swapped 會被設為 1。
內層迴圈結束後，我們需要檢查 swapped 是否為 0。

這題考驗對 Fine-tuning (微調) 和 Retrieval-Augmented Generation (RAG, 檢索增強生成) 這兩種技術在 LLMs 中獲取和更新知識的方式。

Fine-tuning (微調):

• 獲取知識: 微調是透過在一個已經預訓練好的大型語言模型（如 GPT-3, BERT）的基礎上，使用一個較小的、特定領域或任務的資料集進行額外的訓練。模型在這些新的數據上進行權重更新，從而學習新的知識、適應新的風格或執行新的任務。
• 更新知識: 更新知識的過程與獲取新知識類似，就是用包含新知識的數據集對模型進行再次訓練。然而，這種方法需要重新訓練模型，可能成本較高，且如果新知識與舊知識衝突，可能導致「災難性遺忘」（catastrophic forgetting），即模型忘記了之前學到的知識。

Retrieval-Augmented Generation (RAG):

這題考驗對 Fine-tuning (微調) 和 Retrieval-Augmented Generation (RAG, 檢索增強生成) 各自適合的任務類型。

Fine-tuning (微調) 適合的任務：
Fine-tuning 適合於需要模型學習特定領域的語言風格、專業術語、特定任務的行為模式，或者需要模型產生特定格式輸出的場景。它能讓模型「內化」新的知識和能力。

• 特定領域的問答 (Domain-specific QA): 例如，讓模型回答醫學、法律或金融領域的問題。
• 風格轉換 (Style Transfer): 讓模型模仿某種寫作風格，如寫作詩歌、劇本，或以某位作家的風格寫作。
• 情感分析 (Sentiment Analysis) 或文本分類 (Text Classification): 在特定領域（如金融新聞、產品評論）進行精確的情感分析或分類。
• 指令跟隨 (Instruction Following): 訓練模型更好地理解和執行特定的指令，生成符合要求的輸出。
• 產生特定格式的文本: 例如，生成程式碼、JSON、SQL 查詢等。

Retrieval-Augmented Generation (RAG) 適合的任務：

核心觀念

• Fine‑tuning：將大量標註資料加入模型的參數空間，透過梯度下降重新訓練 LLM，使模型內部權重直接學習目標任務的模式。
• Retrieval‑Augmented Generation (RAG)：在生成過程中即時檢索外部知識庫（向量庫、文件庫），將檢索結果作為額外上下文送入原始 LLM，模型本身權重不變。

解題方法
把兩種技術在三個常見評估面向（準確度、可擴展性、維護成本）逐一列點比較，說明其根本機制如何影響每項指標。採用概念性描述搭配實務案例（如問答、摘要）作為說明依據，避免抽象空談。

準確度 (Accuracy)

結論：在固定、資料充分且需求高精度的任務（如法律條文判斷）下，Fine‑tuning 的準確度普遍優於 RAG；在需要即時最新資訊且可接受較小誤差的情境，RAG 可提供與時俱進的準確度。

可擴展性 (Scalability)