民國109年2月
最新消息與公告
更新防火牆及骨幹交換器韌體 新一代校務整合資訊系統進度

本中心配合總務處全校機電維護,於停電期間更新防火牆及骨幹交換器韌體。

取得A1新生管理與F11獎助學金系統網頁雛形,進行初次功能測試除錯,並於2/4會同相關單位進行系統之功能說明與教育訓練,開放使用單位進行測試與確認。。
防火牆資安設定 視聽館電梯汰換工程
近期有部分主機遭遇外部暴力攻擊,針對此現象本中心已加強主機的防火牆資安設定,並在主機上新增主機登入失敗的電子郵件提醒功能。 1月份因視聽館電梯汰換工程,暫停校外單位借用電腦教室,待電梯工程完工恢復借用。
本校對外網路流量分析

本校個人電腦維修統計

電腦專欄
科技新聞
Google讓機器人也能正確辨識透明物體
文/李建興 | 2020-02-14發表 資料來源:iThome
由於透明物體有折射與反射光線的特性,因此一般光學感測器無法正確取得透明物體的深度,導致機器人無法順利抓取或是移動透明物體。


圖片來源


Google、Synthesis AI與哥倫比亞大學的研究人員,開發出了一種稱為ClearGrasp的機器學習演算法,能夠利用RGB-D圖像,正確估算透明物體的3D空間資訊,使機器人可以正確地與透明物體互動。 Google提到,機器人大量利用RGB-D攝影機或是光達等光學3D感測器,創建精確的環境3D地圖,但是這些光學空間感測器卻對像是玻璃容器之類的透明物體失效,因為這些感測器都是假設所有物體表面皆為朗伯(Lambertian)表面,也就是表面可平均地對所有方向反射光線,在所有視角呈現均勻的亮度,但是透明物體違反了這個假設,透明物體既反射又折射光線,因此感測器通常無法正確取得透明物體的深度。 研究人員面對的第一項難題便是取得深度學習模型的訓練資料集,目前並沒有任何透明物體3D資料集,現成的資料集都會忽略透明表面,因為需要花費大量的人力與時間資源進行標記工作。為了解決這個問題,研究人員著手創建大規模的透明物體資料集,其中包含5萬個寫實渲染圖,資訊包含物體表面法向量、分割遮罩、邊緣和深度。 每張圖像最多包含5個透明物體,這些物體放置在平坦的地面上或是手提袋內,皆具有不同的背景和照明,研究人員還拍攝了286個真實世界圖像測試集,拍攝真實測試集非常麻煩,需要在場景中將每個透明的物體,以相同的擺設方式置換成上色的物體,以布料或是膠板當作物體背景,場景內還會隨機散布不透明物體,研究人員在室內以各種照明條件進行拍攝。雖然透明物體混淆了典型估算深度的方法,但仍有部分的線索可作為估算物體形狀的提示,像是透明物體的表面會出現鏡面反射的現象,該現象發生在光線充足的環境,物體因反射光線而出現的光點。由於這視覺提示在RGB圖像中很明顯,且與物體的形狀相關,因此卷積神經網路可以依據這些線索,反過來精確推估物體表面法向量,並進一步用在估算深度上。 大多數的機器學習演算法都用單眼RGB圖像來推估深度,但即便是人類,要用單眼來推估物體深度也不是一件簡單的事,特別是在平坦表面的背景,估算的深度會有更大的誤差,更別說要估算深度的對象是透明物體,因此研究人員認為,與其直接估計所有幾何形狀的深度,不如直接使用RGB-D攝影機的初始深度估計值,這樣就能利用非透明的表面深度,來計算透明物體的表面深度。 研究人員開發用來辨識透明物體的ClearGrasp演算法,使用3個神經網路,一個用於估算表面法向量,一個用於計算遮蔽的邊緣,也就是深度不連續的地方,另一個則是計算透明物體的遮罩,遮罩是用來排除非透明物體的像素,以便填充正確的深度。 演算法包含了一個全域最佳化模組,該模組會從已知深度的曲面,開始預測其他曲面的法向量,以重建物體的形狀,並使用預測的遮罩來分隔不同的物體。每個神經網路都以合成資料集訓練,並且在真實測試資料集中表現良好。 但是ClearGrasp演算法反而在估算牆壁或是水果等其他表面法向量表現很差,研究人員發現,這是因為合成資料集的限制,透明物體的背景就只是平坦的地面,因此他們找來了Matterport3D和ScanNet資料集,以真實室內場景訓練法向量預測模型,使其能良好地處理所有表面。 經實驗證實,ClearGrasp能夠比現存的其他方法,更精確地重建透明物體的深度,而且即便只以合成圖像訓練,ClearGrasp也能正確地處理真實世界中的物體,即便物體的形狀在訓練資料集中從未出現過。透過利用ClearGrasp計算的深度作為輸入,可大幅改進機械手臂抓取透明物體的成功率,從12%大幅上升至74%,具吸力裝置的抓取成功率甚至高達86%。

 

資訊安全
FBI年度網路犯罪報告:商業電子郵件詐騙的損失金額最高,占整體一半
文 / 陳曉莉| 2020-02-14 發表 資料來源:iThome
詐騙雖然只占去年美國網路犯罪投訴案件的5%,但卻讓受害者的金錢損失最為慘重


圖片來源

美國聯邦調查局(FBI)旗下的網路犯罪投訴中心(Internet Crime Complaint Center ,IC3),在本周公布了2019年的網路犯罪報告,指出去年相關的總投訴案件為46.7萬件,當中,商業電子郵件詐騙(Business email compromise,BEC)雖然不到2.4萬件,只占所有投訴案件的5%,但此類犯罪所造成的損失,卻高達17億美元,占去年網路犯罪損失總額的一半。

IC3去年所接獲的網路犯罪投訴案,林林總總超過30種類別,最多人投訴的是藉由郵件、語音、簡訊或網站進行的網路釣魚攻擊,達11.5萬件,約占投訴案件總數的1/4。其它在排行榜上領先的,還有未付款/未送貨,達6.2萬件。勒索占了4.3萬件。個資外洩占3.8萬件。欺騙(Spoofing)占2.6萬件。與商業電子郵件詐騙的2.4萬件。

去年網路犯罪案件所造成的損失總額為35億美元,若從損失的規模來看,商業電子郵件詐騙損失高達17.8億美元,占所有損失金額的一半,穩操勝算與愛情詐騙(Confidence Fraud/Romance)的損失為4.8億美元,利用假資料進行欺騙的Spoofing則造成3億美元的損失。

IC3主任Donna Gregory表示,去年並沒有看到新型態的網路犯罪手法,相反的,犯罪集團不斷淬鍊既有的手法,讓受害者更難辨別真偽,例如當使用者接到銀行簡訊說要驗證帳號資訊時,或是在網路上搜尋金融服務時,都可能是詐騙簡訊或遇到假網址。

為了追回被騙的金額,FBI設立了重獲資產團隊(Recovery Asset Team),同時鼓勵受害者愈早報案就愈有機會追回資產,該團隊在去年總計替受害者尋回逾3億美元。

根據IC3的統計,全球網路犯罪的投訴數量或損失金額都逐年增加,例如2015年到2019年的投訴案件數量,從28.9萬攀升至46.7萬,損失金額則從11億增加至35億美元。


計中資訊
電腦教室 校園無線網路
 計網中心電腦教室課表  無線網路使用說明
電子郵件 網頁空間
 電子郵件信箱使用說明
 教職員個人網頁空間使用說明
資訊相關規範
 教育部校園網路使用規範  國立臺北教育大學校園網路使用規定
 國立臺北教育大學宿舍網路管理要點  國立臺北教育大學電腦使用及管理辦法
  資訊安全小組組織結構圖
計算機與網路中心電子報
電 話:02-6639-6688 分機83404
地 址:臺北市和平東路2段134號
計算機與網路中心 版權所有