學位論文
Permanent URI for this collection
Browse
Recent Submissions
Item SQL Injection 攻擊偵測：使用資訊安全日誌管理系統平台的實踐方法(2023) 許智翔; Hsu, Chin-Hsiang本論文旨在探討如何利用Wazuh安全監控平台和有限狀態機方法來檢測和預防SQL注入攻擊。首先，我們介紹了SQL注入攻擊的威脅性和常見形式，並分析了目前現有方法在應對這一問題上的局限性。接著，我們詳細介紹了Wazuh平台和有限狀態機方法的原理和應用。通過結合日誌檔的收集和分析，我們提出了一套基於規則的檢測和預警機制，以提前發現和處理SQL注入攻擊。在實驗中，我們利用不同類型的SQL注入攻擊案例來驗證我們的方法的有效性。Item Condition Monitoring of Machine Components From Drive Data Using Semi-Supervised Anomaly Detection Methods(2023) Tim Wywiol; Tim WywiolnoneItem 基於高維度資料分解的空氣污染視覺化分析(2023) 楊千艎; Yang, Chien-Huang空氣污染是一個嚴重的全球環境問題，對人類健康和生態平衡造成嚴重影響。PM2.5是微粒物質的一個子集，直徑小於2.5微米，已經與嚴重的呼吸和心血管問題、土壤和水污染以及生態系統破壞相關聯。為了更好地了解PM2.5的來源和分佈，我們採用了一種類似PARAFAC的分解方法來分析台灣使用空氣盒子設備收集的空氣質量數據。這種方法允許識別導致某個地區和時間PM2.5濃度較高的因素，從而提供PM2.5分佈模式的洞察。為了增強對這些模式的分析，我們提出了一種通過可視化進行交互式多視圖分析的方法，以探索和理解複雜的數據集。這種方法旨在幫助更好地理解空氣質量，改進複雜數據集的分析和解釋，最終獲得更好的洞察和結果。Item 應用兩階段生成模型於會議摘要之研究(2023) 黃怡萍; Huang, Yi-Ping近年來，由於疫情的影響和遠端工作的普及，線上會議和視訊交流平台的使用 變得更加廣泛。但隨之而來的問題是，會議記錄往往包含許多分散的資訊，要 在大量的對話中擷取和理解關鍵資訊是困難的，且隨著會議越來越頻繁，意味 著參與者需要在有限的時間內掌握會議的要點，以便在忙碌的日程中做出明智 的決策。在這樣的情境下，能夠從會議紀錄中自動辨識和摘要出關鍵資訊的技 術變得更為重要。自動文件摘要主要分為擷取式 (Extractive) 和重寫式 (Abstractive) 兩種方 法，擷取式摘要透過計算原始文件中每個句子的重要性分數，選擇得分高的句 子並將它們組合起來成為摘要。重寫式摘要透過對原始文件的理解重新改寫句 子，生成出一個簡潔且包含原始文件中核心內容的摘要。由於對話中的話語經 常是不流暢且資訊分散的，使用擷取式摘要容易擷取出不完整的句子，造成可 讀性不高。目前在會議摘要任務中，主要的應用是能夠將原始語句改寫的重寫 式摘要。雖然已有許多相關的研究被提出，重寫式的方法應用在會議摘要中仍 面臨幾個普遍性的限制，包括輸入長度問題、複雜的對話結構，以及缺乏訓練 資料與事實不一致，而這些問題也是提高會議摘要模型效能的關鍵。本論文專注在「輸入長度問題」和「對話式結構」的研究，提出了一個先 擷取後生成的會議摘要模型架構，在擷取階段設計了三種方法來選擇重要的文 本片段，分別是異質圖神經網路模型、對話語篇剖析和文本相似度。在生成階 段使用先進的生成式預訓練模型。實驗結果顯示，提出的方法透過微調基線模 型，可以達到效果提升。Item 會議語音辨識之上下文語言模型 Reranking 研究(2023) 王泓壬; Wang, Hung-RenASR N-Best Reranking是自動語音識別(ASR)系統中用於提高轉錄輸出準確性的一種技術。在ASR系統中，系統為輸入音頻片段生成多個後選假設，稱為N-Best列表。而BERT (Bidirectional Encoder Representations from Transformers)是一種先進的語言模型，在文本分類、命名實體識別和問題解答等各種自然語言處理(NLP)任務中表現出卓越的性能。由於BERT能夠捕捉上下文信息並生成高品質的輸入文本表示，因此被用於ASR N-Best Reranking。為了更進一步增強BERT模型的預測，我們探索了增強語意信息與訓練目標，大致分為四部分: (1)將文本文法優劣信息融入到模型中的有效方法;(2)間接將整個N-Best列表信息融入到模型中的有效方法;(3)探討分類、排序及多任務訓練目標於模型訓練的可行性;(4)強化模型提取的文本信息。大型生成式語言模型(LLMs)已經證明了其在各種語言相關任務中的卓越泛化能力。本研究我們評估利用LLMs如ChatGPT於ASR N-Best Reranking任務的可行性。我們在AMI會議語料庫進行一系列的實驗，實驗結果顯示在降低單詞錯誤率(WER %)，提出的方法有其有效性，與基本ASR系統比較最多可達到1.37%的絕對WER (%)下降。Item 智慧城市中基於網路流量的可重組態影像串流服務(2023) 李國豪; Li, Guo-Hao智慧城市是利用人工智慧應用來解決許多現代都市問題的一個概念。同一時間，由於基於影像資料的許多人工智慧應用的蓬勃發展，相機裝置被大量地安裝在都市裡，再加上影像資料相對其他資料來說相對資料量大的天性，人工智慧應用需要在規模一邊快速成長的同時，一邊盡可能的保證影像資料品質。在今天智慧城市系統的規模下，基於代理者 (broker-based) 或是無需代理者 (brokerless) 的通訊模型各自面臨自己的挑戰，前者的系統中代理者可能成為系統運作的瓶頸，而後者則較難針對輕量化的相機裝置提供足夠的彈性以及可延展性。本篇論文提出一個可重組態的系統架構來解決兩種通訊模型遇到的挑戰，我們的目標是在他們遇到各自的運作瓶頸的時候提供更好的影像串流品質，這邊的串流品質我們更進一步聚焦到影像的幀率做為代表。我們提出的架構可以看作一個基於通訊模型的覆蓋網路，應用只需針對影像提出需求，該架構會動態偵測兩種模型各自可以提供的服務品質並用較佳的模型來做傳輸，該架構由一個負責偵測服務品質的品質偵測模組以及一個支援模式切換的可重組態方法組成，而且，當該架構採用無需代理者的通訊模型時，該架構可以釋放一些代理者的負載來讓其他使用代理者的應用得到更好的服務品質。實驗利用基於代理者的系統當作對照組與提出的架構進行比較，結果顯示提出的架構確實可以在代理者遇到頻寬瓶頸的時候提供給應用更多的影像幀數，並且可以讓代理者也提供更好的服務給其他應用。最後我們也討論了一些未來可能的研究方向。Item 古氣候因果關係的交互式視覺分析系統(2023) 張榕宸; Chang, Jung-Chen氣候數據可以提供有價值的信息來了解我們的環境。 探索和識別不同氣候事件之間的關係是氣候分析的一項重要任務。 特別是在研究古代氣候數據時，這是許多氣象學家非常感興趣的話題。 認識古代氣候事件的關係並弄清楚它們之間的關係可以幫助氣象學家重建歷史氣候，甚至預測未來的氣候。 在本研究中，我們基於REACHES（重建東亞氣候歷史編碼系列）數據集設計了一個交互式可視化系統。 為了幫助專家探索明清兩代跨越600年的關聯事件，並找出他們可能感興趣的事件的關係。我們使用關聯規則學習來計算不同氣候事件之間的關係，並找出其中意想不到的關係具體的時間和空間。Item Item 基於視覺顯著度的低運算成本省電方法(2023) 楊富宇; Yang, Fu-Yu行動裝置的使用在近年來逐漸增加，而螢幕是行動裝置中耗電占比大的部分之一，在使用行種裝置時，需開啟螢幕來執行各項操作像是觀看影片和撰寫訊息等，這些情境使得螢幕的耗電情況不容忽視。為了降低螢幕的耗電量並兼顧使用者體驗，有研究針對應用程式介面提出省電架構，配合視覺顯著圖並利用元件檔案將圖片分割為多個區域，將各個區域以更低功耗的色彩呈現以達省電效果，然而此架構卻有數百秒的運算時間。本論文提供6個方法更改上述省電架構，使省電架構在同樣的條件限制下有更短的運算時間。實驗結果顯示，本研究使省電架構的運算時間範圍從278秒至731秒，下降至介於45秒至137秒。Item 以棋型分數、開局庫、平行化方法改良 MCTS 外圍開局五子棋程式(2023) 蔡秉倫; Tsai, Ping Lung五子棋是一個古老的棋類遊戲，它有著簡單易學且豐富多樣的策略和高度的競技性的特點。由於原始規則的不公平性，現在的五子棋有各種不同的棋規，例如交換行棋權的SWAP2、帶有禁手規則的Renju、外圍開局五子棋等。儘管棋規各異，但遊戲的勝利目標始終是達成“連五”。本論文旨在研究外圍開局五子棋相關的各層面，探討包括現有的遊戲策略和演算法等技術應用。我們的目標是透過設計棋型分數、開局庫的方法來提升傳統MCTS外圍開局五子棋程式的棋力，並利用平行化的方法加速程式的效能。最後，我們將和第三方程式進行比較測試，用來評估其棋力。Item 整合全局場景與局部注意的自監督多標籤分類(2023) 陳俊彥; Chen, Chun-Yen自監督學習在各種計算機視覺任務中取得了顯著的成果，證明了其在廣泛應用中的有效性。然而，儘管取得了這些成功，針對多標籤分類的挑戰的研究工作仍相對有限。該領域尚待深入探討，需要進一步研究以充分利用自監督學習技術進行多標籤分類任務。在這篇論文中，我們提出了一個適用於自監督多標籤分類的多層次表徵學習（GOLANG）框架，同時捕捉圖像的場景和物件資訊。我們的方法結合了全局場景和局部對齊，以捕捉圖像中不同層次的語義信息。框架的全局模組通過對輸出特徵進行平均池化來學習整個圖像，而局部對齊模組通過學習關注來消除與對象無關的干擾。通過整合兩個模組，我們的模型能從影像中有效地學習各種層次的語義信息。為了進一步提高模型提取物件-場景關係的能力，我們引入了全局和局部交換預測技術，有效捕捉圖像中各種物件和場景之間的複雜關係。GOLANG框架在自監督多標籤分類的實驗上展示了優秀的性能，凸顯了其在在多標籤影像中捕捉多個物件和場景之間錯綜複雜關係的有效性。Item 使用零知識證明來實現可使用公有區塊鏈來稽核的匿名電子投票(2023) 楊秉軒; YANG, PING-HSUAN近年來，隨著數位技術的發展，電子投票由於其便利性漸漸取代傳統投票，許多選舉活動開始採用電子投票的方式來進行，然而，現有的電子投票系統存在一些缺陷，如完整性、所有人都可以驗證性和無收據性等方面的問題。這些缺陷會導致整個電子投票系統的不安全性，使得投票者對於投票結果缺乏信任。為了改善這些不完善處，本篇論文提出了一種使用零知識證明的匿名電子投票系統。透過零知識證明，我們可以在投票主辦方為可信之第三方的情況下確保投票者的匿名性且不洩漏具體的選票內容。此外，我們可以保證投票主辦方無法對投票結果進行任何作弊行為，例如故意漏票或者加票。最後，透過與公有區塊鏈的結合，將產生出來之智能合約放上公有區塊鏈，並將最後的投票結果數據上鏈，供所有人針對投票結果之正確性、合格性等等進行公開驗證，從而增加整個系統之信任度，以及確保投票的公正性跟透明度。Item 運用牌張間的關聯設計麻將程式(2023) 黃宥誠; Huang, Yu-Cheng麻將是一個多人且不完全資訊的機率型對局遊戲。隨著時間的推移，在不同的地區發展出許多不同的遊玩規則，本篇論文以臺灣麻將做為研究主題。 本研究在分析手牌完成度時，以遞迴的方式把手牌中能成組的所有組合方式拆分出來，並且改進"A New Approach to Compute Deficiency Number of Mahjong Configurations"一文中的方法，提出一個能同時考慮序數牌與字牌且能快速計算臺灣十六張麻將手牌進胡數的方法。 本研究在捨牌的策略為進行手牌拆分後，檢視所有擁有最低進胡數的拆法，並將手牌分類為孤張、未完成組與完成組，接著評估所有孤張、未完成組、完成組之間的關聯，針對不同的情況，選擇捨棄孤張或是拆掉能擁有最多進張牌的搭子。關於防守的策略，參考「利用他家資訊模組來改良麻將程式」一文中的做法，我們提出分別針對刻子與順子做非需求度的計算，並提出潛在需求牌的想法。Item 以注意力模塊、殘差連接建構之雨量深度學習超解析度模型(2023) 江家浩; Chiang, Chia-Hao人口的過度增長、土地的開發以及化石能源的消耗在近百年來造成地球氣候的變遷。自然災害發生的頻率也因此增加，並造成許多人類的傷亡以及產業的經濟損失。為了減緩自然的衝擊與資源的消耗，各國政府機關制定了相關政策，以減緩消耗；科學家們研發全新的、乾淨的替代能源，另一方面，氣象學家們則是藉由模型的建構，來模擬並預測這些極端事件的發生，以利人們在災害來臨之前做好準備，減少損失。其中，以水資源的影響最為深遠，它是地球中最基本也是重要的循環之一，同時也是占比最重的溫室氣體，且與人類活動息息相關。我們以台灣為例，台灣雖然年降雨平均高達2,500毫米，然而人均水資源卻是低於全球平均值。這是因為台灣的崎嶇地形特色所致，再加上季風與洋流的作用，使得降水的時空間分布不均。若能預測雨量的分布，則可訂定相關的防洪或者儲水建設，以降低災害並最大化水資源的利用，故一個準確且高解析度的預測模型一直是科學家們努力研究的方向之一。現今普遍的做法是將氣象模型的模擬資料做降尺度來提升解析度以供區域性的參考。然而這些預測模型所消耗的計算資源甚鉅，且解析度有限，很難提供疆域小且地形交互作用複雜的地區有準確的預測結果。我們提出了一個以深度學習為基礎，並結合殘差連接、注意力模塊的超解析度模型，可望提升現有的氣象模型所產出之低解析度的結果之準確性和解析度。文末，我們也比較了其他氣象降尺度的方法和其他機器學習為基礎的模型，並在四種指標(平均絕對誤差、方均根誤差、皮爾森係數、結構相似性)、定量降雨預報檢測中優於其他氣象降尺度的方法。Item 比較Gumbel和KataGo方法提升AlphaZero在外圍開局五子棋的訓練效能(2023) 黃得為; Huang, De-Wei本研究的目的是探討透過比較 KataGo 和 Gumbel 這兩種方法來儘量減少資 源的數量並保持或提升訓練的效率。KataGo 是一個改良版的 AlphaZero 演算法， 其作者使用了更有效率的訓練算法和重新設計的神經網路架構，並宣稱其訓練 速度比 AlphaZero 快50倍。而 Gumbel 方法則是 DeepMind 在2022年提出的一種方 法，可以在展開蒙地卡羅樹搜索(Monte Carlo Tree Search)時只需展開極少數節點 即可訓練出遠超在相同條件下其他已知演算法的效果。本研究使用這兩種方法應用在提升 AlphaZero 在外圍開局五子棋的棋力，並 比較這兩種方法的優劣和效果。實驗結果顯示，使用 Gumbel 和 KataGo 都可以 有效提升 AlphaZero 在訓練外圍開局五子棋上的效能。並且通過實驗發現，在相 同的訓練代數情況下，KataGo 所訓練出來的棋力比 Gumbel 好。但在相同短期時 間內的訓練中 Gumbel 所訓練出來的棋力比 KataGo 好。在本研究中，我們除了探討 AlphaZero、KataGo 和 Gumbel 演算法的改進外， 還額外討論了兩種提升自我對弈速度的方法以及兩種改進訓練效能的通用方法。首先，我們實作了兩種方法來提升自我對弈速度，並對三種演算法進行了 測試。通過實驗，我們發現這兩種方法的應用能夠平均提升自我對弈速度13.16 倍。這是一個顯著的改善，有效地節省了訓練時間。此外，我們還提出了兩種通用的方法來改進 AlphaZero、KataGo 和 Gumbel 的訓練效能。透過這兩種方法的應用，我們獲得了不錯的結果。這些方法不僅 提升了演算法的訓練效率，還改善了模型的學習能力和準確性。這些結果顯示出，改良 AlphaZero 的 KataGo 以及 Gumbel 方法可以顯著提升外圍開局五子棋 AI 的訓練效果和速度，並且減少所需的訓練資源。這樣的技術 創新可以讓更多的研究者參與到強化學習的研究中，並推動人工智慧在遊戲和 其他領域的發展。Item 通過對比式學習改進半監督物件偵測(2023) 黃騰寬; Huang, Teng-Kuan本篇論文中，我們研究了如何使用對比式學習幫助半監督物件偵測模型更好的學習。在半監督物件偵測中，使用無標注資料的流程相當於自監督學習的概念，因此我們參考自監督學習常用的對比式學習架構，提出了一種表徵等級的對比式學習。在半監督物件偵測中，常使用偽標籤法來進行學習，其核心概念是強、弱增強的圖像要有一致的預測，而對比式學習也有類似的假設，只是對於圖像的增強並沒有強、弱的要求。所以我們基於使用偽標籤法的半監督物件偵測模型，加上對比式學習的架構幫助模型學習。該方法通過計算無標注圖像的兩種視覺增強生成特徵的相似度，來改善半監督物件偵測的效果。實驗結果顯示，我們的方法在使用MS-COCO的1%、5%、10%有標注資料時，mAP結果分別提升了2.92%、1.88%、0.99%。這證明了對比式學習在半監督物件偵測中可以在特徵層面學習到額外的資訊，並且基於原本的半監督物件流程，加上對比式學習的流程並不需要增加太多額外的計算。我們期望這項研究能為半監督學習及物件偵測的未來研究提供新的思路和方向。Item 基於深度學習之籃球攻防戰術軌跡生成系統(2023) 沈哲緯; Shen, Jhe-Wei全球觀看籃球比賽的人數總計約超過22億人，根據外國媒體Sports Show在2020年公布全球最受歡迎的運動賽事，籃球在所有球類中排名第三，可看出籃球是一項非常熱門的運動。近年來運動分析的研究相當熱門，透過將生成對抗網路應用在籃球領域能夠幫助球隊提升籃球攻防戰術的素養，開發出基於深度學習之籃球攻防戰術軌跡生成系統。本系統開發目的為進攻球隊使用者在分析研究防守球隊可能會出現的防守方法時，通常只能使用經驗判斷推測，若透過本系統自動產生防守戰術軌跡供進攻球隊參考，進攻球隊可更加理解實戰中可能會遇到的防守戰術，可提升球員的戰術素養讓球隊提早思考應對方法。本系統透過使用者將一段真實籃球比賽攻防片段輸入，系統主要分為兩個子系統：投影轉換子系統與防守戰術軌跡生成子系統。投影轉換子系統主要分為三個步驟，第一為球場上球員與球的偵測方法，接著界定球場的範圍。第二為場上球員分隊使用球衣顏色做為辨別的依據。接著為3D球員座標投影計算出單應矩陣將對應的3D座標映射在2D戰術板球場座標系中並記錄為檔案作為防守戰術軌跡生成子系統的輸入。最後一個步驟使用生成對抗網路來進行防守戰術軌跡生成。本研究實驗結果顯示，透過影像處理得到球場邊線同時界定新的球場範圍可有效省略透過觀察手動決定球場頂點的步驟，減少時間成本。加入球員分隊的功能計算該區域內的色調特徵與顏色強度特徵，使用K-means clustering 將該二類特徵將場上球員分成兩隊，以利最後映射至平面戰術板座標系還原出真實比賽的情況。映射結果的球員正確率達到了77.2%，籃球則為61.0%。本系統結合了真實籃球比賽片段與防守戰術軌跡生成系統產生虛擬的防守戰術軌跡。Item 非持久性載波之無電池背向散射通訊系統(2023) 周柏瑄; Chou, Po-Hsuan近年來，物聯網（IoT）設備的數量顯著增加，這造成了電池更換時間及成本的挑戰。無電池（Battery-Free）物聯網設備使用電容和能量擷取器（Energy Harvester）來收集環境能量，例如太陽能或射頻（Radio Frequency）。一般來說，這些物聯網設備的日常任務，尤其是資料傳輸，通常會消耗大量能源。這可能會導致無電池系統耗盡電容中的能量。背向散射通訊（Backscatter Communication）是一種新穎的無線通訊方法，其使用環境中的載波訊號 (Carrier Signal）來實現物聯網設備之間的低功耗通訊。但背向散射通訊下的傳輸仍然存在一些限制。一個明顯的限制是背向散射通訊的傳輸僅能在載波訊號可用時才能工作。在設備由能量擷取器供電的無電池背向散射通訊系統中，由於環境能量不穩定，所有設備都可能發生斷電。最壞的情況下，由於載波訊號不活動，加上環境能量不可用，設備最終將耗盡能量，資料將面臨丟失。本論文透過使用另一篇論文中提出的射頻檢測器（RF Detector）來演示硬體設計的不同策略，這種電路設計可以幫助背向散射標籤識別載波是否可用。本論文考量載波可用性的到達率和環境能量擷取效率等不同情況下，提出解決策略 — TagDN，其旨在減輕背向散射標籤能量耗盡時發生的資料丟失問題。本論文同時分析了不同設置下所接收的封包數量和接收產率（Data Yield）。實驗結果表明，如果沒有射頻檢測器以及非揮發性記憶體（Non-Volatile Memory）等額外硬體支持，無論是封包接收數量還是接收產率，表現都是最差的。總結來說，若背向散射標籤包含額外的硬體支援，則封包接收數量和接收產率可以有顯著地提昇。Item 噪聲學習:漸進式的樣本選擇(2023) 王景用; Wang, Jing-Yong在人工智慧蓬勃發展的年代，深度學習技術在不同的影像辨識工作中，都取得不錯的成果，然而這些計算模型的訓練任務往往都是建立在乾淨資料集上做的實驗。然而創建一個乾淨大型資料集往往都需要龐大的標注成本，甚至在一些大型的開源資料集中也有一些人為的標記錯誤出現。為了降低建構資料集的成本以及錯誤標籤對模型的影響，噪聲學習主要研究如何在有標記錯誤的資料集中訓練出穩定可用的模型。在過去的研究中，篩選乾淨樣本的技術，如高斯混合模型或是JS散度技術，都無法準確將所有的乾淨樣本篩選出來。因此，本文從模型預測穩定度的觀點，結合過去相關研究中加入KNN演算法，利用模型預測的穩定度與樣本特徵的相似度進行多階段的篩選。參考近期論文的設計，在雙模型架構設計下，我們發現在訓練前期KNN模型的預測能力比雙模型的預測能力還要差。為了有效利用雙模型的預測結果和KNN模型，我們用模型預測穩定度的指標，漸進式的使用KNN模型，幫助我們過濾出乾淨標籤以及噪聲樣本。實驗結果可以看到我們的方法在不同的噪聲類型、不同的噪聲率下都能有不錯的表現，證明我們方法的有效性。Item 應用於 LoRaWAN 的無電池週期性拍照設計(2023) 張劭群; Chang, Shao-Qun近年來，隨著環境友善的意識提升，越來越多研究致力於如何有效利用環境中的能源（例如：太陽能，地熱）來減少設備佈署時的能量成本，以電池為裝置供電是現行大部份裝置的策略，但勢必得付出定期更換電池的人為成本。利用收集環境中的能源和電容器充電放電的機制，進而減輕需要定期人為替換的電池系統，稱為無電池系統。由於環境中能汲取的能源有限，所以必須更有效率的利用能源。在能源不足的情況下，可能會發生電力不足以供應裝置執行任務的情況，這時候就必須考慮如何不讓進行中的資料遺失的問題，稱為間歇性運算。常見的作法有利用非揮發性記憶體去保存以及使用外接的 SD 卡裝置來定期保存資料。本論文所提出的原型系統涵蓋無電池系統和間歇性運算的應用，用於有效的利用收集來的能源，進行定期的拍照紀錄目標，收集到的照片再利用 LoRaWAN將照片的資料上傳至遠端的伺服器加以利用。無電池系統中的相片的資料不同於以往簡單的資料（例如：溫溼度感測），必須花更多的時間進行傳輸，所以更有效的利用能量為本論文的挑戰和目標。主要的設計會根據電容裡所剩的能量，並利用電壓偵測來設計多個閥門以利於系統判定要執行哪種任務。先前的研究主要都先以點對點的方式進行傳輸，本論文則更進一步利用LoRaWAN 的傳輸方式以利於未來增加此裝置佈署的延展性。在往後的應用（例如：智慧城市）也更方便進行資料的篩選以及統整，以達到更多元的應用場景。實驗結果證明在能量不一定充足的無電池系統下，也可以根據有限的能源達到所設定的定期拍照任務。