隨著科技日新月異的發展，智慧型手機本身通訊與運算能力也隨著軟體和硬體的改善而不斷地增強，其便利性與高機動性的特色使得越來越多人持有智慧型手機，最後成為人們生活中不可或缺的部份。總觀來說，持有與使用率的上升，不知不覺的形成一種共享經濟與無所不在的行動運算網絡。 基於普及性與相對優秀的運算效能，我們設計與實作出Gnafuy，一個基於行動裝置下的分散式運算框架，希望借用世界上所有閒置行動運算裝置的資源來實行無所不在的運算。 我們發展出一套應用程式介面(API)供開發者依照自己的需求來撰寫自己的分散式運算程式，藉由遵循Gnafuy所制定的應用程式介面，開發者可只專注在演算法本身的開發，而不需要在意其演算法如何被分配到手機上以及待處理資料的分配情形。本篇文章還討論了Gnafuy所採用的分散式運算的程式模型，以及我們如何藉由一個手機應用程式將任務部署至自願者的智慧型手機中，我們發展出一套伺服器端的機制來增加訊息傳遞的成功率，以及偵測計算後回傳結果是否正確，排除被惡意程式污染的客戶端結果。

本研究利用字串分析之方式對行動應用程式之執行檔進行靜態分析，進以偵測行動應用程式之行為。 本研究計算行動應用程式所呼叫特定系統函式之序列，進一步比對特定可疑行為模式並判定行動應用程式是否包含其可疑行為，由於進行此研究需要考慮行動應用程式執行檔中每一個系統函式的呼叫，因此增加了大量的計算複雜度，故需要大量的運算資源來進行，為了提高運算的效率，本研究採用了Hadoop 作為分散式運算的平台來達成可延展的分析系統，進以達成分析大量行動應用程式的目的，透過建立特定的行為模式庫，本研究已分析了上千個現實使用的行動應用程式，並提供其含有潛在可疑行為的分析報告。 / This work presents a syntax analysis on the executable files of iOS apps to characterize and detect suspicious behaviors performed by the apps. The main idea is counting the appearances of call sequences in the apps which are resolved via reassembling the executable binaries. Since counting the call sequences of the app needs to consider different combinations of every function calls in the app, which significantly increases the complexity of the computing, it takes abundant computing power to bring out our analysis on massive apps on the market, to improve the performance and the effectiveness of our analysis, this work adopted a distributed computing algorithm via Hadoop framework achieving a scalable static syntax analysis which is able to process huge amount of modern apps. We learn the malicious behaviors pattern through comparing the pairs of normal and abnormal app which are identical except on certain behaviors we inserted. By matching the patterns with the call sequences we collected from the public apps, we characterized the behaviors of apps and report the suspicious behaviors carried potential security threats in the apps.

在這份研究中，我們提出一個類分散式神經網路框架，此框架為高頻交易系統研究下之子專案。在系統中，我們透過資料探勘程序發掘財務時間序列中的模式，其中所採用的資料探勘演算法之一即為類神經網路。我們實作一個在分散式平台上訓練類神經網路的框架。我們採用Apache Spark來建立底層的運算叢集，因為它提供高效能的記憶體內運算（in-memory computing）。我們分析一些分散式後向傳導演算法（特別是用來預測財務時間序列的），加以調整，並將其用於我們的框架。我們提供了許多細部的選項，讓使用者在進行類神經網路建模時有很高的彈性。 / In this research, we introduce a distributed framework of artificial neural network (ANN) as a subproject under the research of a high-frequency trading (HFT) system. In the system, ANNs are used in the data mining process for identifying patterns in financial time series. We implement a framework for training ANNs on a distributed computing platform. We adopt Apache Spark to build the base computing cluster because it is capable of high performance in-memory computing. We investigate a number of distributed backpropagation algorithms and techniques, especially ones for time series prediction, and incorporate them into our framework with some modifications. With various options for the details, we provide the user with flexibility in neural network modeling.