實驗室研究方向

本實驗室的發展方向，著重於研究與教學並進之發展，畢業學生能將理論基礎與實作能力相互結合。

基於本實驗室發展方向分為以下六項研究方向：

• 聯邦學習架構下之大語言模型

將異質聯邦學習架構導入異質深度模型與異質大語言模型，透過使用分散式的本地端模型(Local Model)的訓練權重(Weight)訓練全局模型(Global Model)，可確保不同資源環境設備的本地端模型(Local Model)間可透過異質聯邦學習架構共享全局模型達到知識分享。 

• 大語言模型壓縮技術

• 本地大語言模型間的參數融合

• 同質與異質模型間的知識分享

• 利用大語言模型壓縮降低聯邦學習的傳輸代價

• 深度學習中的對抗性攻擊與防禦

近年來，隨著深度學習模型與大語言模型的發展，成為各種任務中的關鍵工具，但深度學習模型可能容易受到對抗性示例的影響，即被對手惡意干擾的樣本。對抗性攻擊為大規模部署深度學習帶來了新的挑戰。其中包含：

• 攻擊者操縱訓練資料集

• 攻擊者改變輸入以實施攻擊

• 觀察模型的輸入和輸出以提取模型

• 利用資料中的漏洞或偏差實施攻擊

• 物聯網資訊安全系統 (目前已有科技部計畫與多件產學計畫經驗)

  • 建置物聯網資安測試平台

  • 根據不同入侵攻擊如 DDoS、SSH Brute force attack 在物聯網以Deep Learning進行檢測

  • 可在不解密加密封包的情形下進行加密系統分析

  • 資安顧問服務

• Deep Learning LTE/5G 核心網路入侵偵測系統 (目前已有執行相關之科技部計畫與多年期產學計畫經驗)

  • 建置具深度學習之5G /LTE核心網路資安測試平台

  • 根據不同入侵攻擊如 DDoS、SSH Brute force attack 在LTE/5G 核心網路以Deep Learning進行檢測

  • 可在不解密加密封包的情形下進行加密封包分析以防止字典攻擊

  • 增加核心網路與SDN網路安全

  • 整合STIX/TAXII與 ISAC 資安通報系統

  • 須具備EPC、SDN程式開發與實作能力 

• LTE/5G 核心網路架構及服務與軟體定義無線網路(目前已有執行相關之科技部計畫與產學計畫經驗)

  • 針對GTP分析後，能提供不同UE上的網路服務程式提供QoS

  • 建置具深度學習之5G /LTE核心網路測試平台

  • 根據不同Traffic Types的QoS效能參數在同質與異質網路間之換手演算法

  • 包含5G、Wi-Fi、NB-IoT之間不同Traffic Types的換手優先順序

  • 核心網路與SDN網路安全

  • 須具備EPC、SDN程式開發與實作能力 

• Deep Learning SDN 具深度學習之軟體定義網路(目前已有執行相關之科技部計畫經驗)

  • 以Supervised/Unsupervised 實現物聯網特偵分析

  • 以深度學習與軟體定義網路實現物聯網入侵偵測

  • 以深度學習與軟體定義網路實現6LowPAN物聯網排程機制

  • 須具備Tensorflow、Keras、Mininet-wifi程式開發與實驗分析能力 

• Intelligent Industrial Wireless Sensor Networks 智慧工業無線感測網路 (目前已有執行相關之科技部計畫與產學計畫經驗) 

  • Artificial Intelligence Agent-based Industrial Wireless Sensor Networks 人工智慧代理模式之工業無線感測網路

  • IEEE 802.15.4e TSCH 具跳頻技術之智慧工業無線感測網路協定之實現

  • 6Top與6TiSCH 具低延遲、高穩定性之智慧工業無線網際網路協定

  • 6LowPAN 無線感測網路之物聯網協定實現

  • RPL(Routing Protocol over Low-power and Lossy networks) IP over TSCH 之智慧工業無線感測網路路由設計

  • 須具備Tensorflow、Keras與Contiki-ng OS等程式設計與實驗分析能力

實驗室位置：國立台中教育大學 求真樓 K208

E-Mail：thlee@mail.ntcu.edu.tw

電話：+886-4-2218-3801

傳真：+886-4-2218-3580