本研究旨在探討在電腦系統環境中如何辨識電腦檔案的類型，回顧檢視早期電腦辨識檔案的運作方式，對照過去研究辨識的方法，研發更新型的辨識技術，應用深度學習的實驗，開發新的檔案辨識技術。
本研究採取深度學習的技術，比較多層神經網路模型與卷積神經網路模型，本研究隨機蒐集5種檔案類型，每種檔案類型各蒐集11000個，總計彙集了55000檔案，進行檔案位元組數據的擷取，針對檔案內容片段進行分析。研究結果顯示，在多層神經網路模型的實驗結果整體準確度達到98%，卷積神經網路模型的實驗結果整體準確度達到99%，這兩種辨識檔案類型的方法是基於檔案內容片段的分析，本研究的方法未來期望進一步延伸到其他檔案的研究與分析。

The purpose of this study is to explore how to identify the types of computer files in a computer system environment, review the operation of early computer identification files, develop newer identification techniques, apply deep learning experiments, and develop new ones based on past research identification methods. File identification technology. This study adopts the technique of deep learning, compares the multi-layer neural network model and the convolutional neural network model. This study randomly collects 5 file types, each of which collects 11,000 files, and aggregates 55,000 files for file bits. The capture of the group data is analyzed for the fragment of the archive content. The results show that the overall accuracy of the experimental results in the multi-layer neural network model reaches 98%, and the overall accuracy of the experimental results of the convolutional neural network model reaches 99%. The two methods for identifying file types are based on the archive content fragments. Analysis, the future expectation of this research method is further extended to the research and analysis of other archives.

目錄
目錄 i
圖目錄 ii
表目錄 iii
第一章 緒論	1
1.1研究動機與目的	1
1.2名詞釋義	2
第二章 文獻探討	5
2.1檔案類型的相關研究	5
2.2檔案識別方法研究	5
第三章 研究方法	7
3.1研究架構	7
3.2研究檔案類型	8
3.3實驗模型	8
3.4資料處理	12
第四章 研究結果	12
4.1 MLP& CNN實驗模型之訓練結果分析	12
4.2 檔案位元組長度與各檔案類型之預測結果	14
第五章 結論與建議	17
5.1研究結論	17
5.2研究限制與建議	17
參考文獻	19
中文部分	19
英文部分	19
英文論文	21

圖目錄
圖3-1  本研究架構圖	7
圖3-2  本研究MLP結構圖	9
圖3-3  本研究CNN結構圖	10
圖3-4  relu 激活函數	11
圖3-5  sigmoid 激活函數	12
圖4-1  MLP與CNN訓練圖形	13
圖4-2  MLP與CNN實驗混淆矩陣圖	15

表目錄
表4-1  混淆矩陣準確度統計表	14

中文部分
 [1] Wiki – the relu definition source https://zh.wikipedia.org/wiki/線性整流函數
 [2] Wiki – the sigmoid definition source https://zh.wikipedia.org/wiki/S函數
 [3] Wiki – the Keras definition source https://zh.wikipedia.org/wiki/Keras
英文部分
[4] M.C. Amirani, M. Toorani, A. Beheshti. “A new approach to content-based file type detection”. In 13th IEEE Symposium on Computers and Communications (ISCC’08), Marrakech, Morocco, 2008; 1103–1108.
[5] D.J. Hickok, D.R. Lesniak, M.C. Rowe. “File type detection technology”. In 38th Midwest Instruction and Computing Symposium (MICS’05), Eau Claire,Wisconsin, 2005.
[6] Q. Chen, Q. Liao, Z. L. Jiang, J. Fang, S. Yiu, G. Xi, Rong Li, Z. Yi, X. Wang, L. C.K. Hui, D. Liu, E. Zhang. “File Fragment Classification Using Grayscale Image Conversion and Deep Learning in Digital Forensics”. In 2018 IEEE Security and Privacy Workshops (SPW), San Francisco, CA, USA, 2018
[7] W. Li, K. Wang, S.J. Stolfo, B. Herzog, “Fileprints: Identifying file types by n-gram Analysis,” Proceedings of the 6th IEEE Systems, Man and Cybernetics
[8] M. McDaniel, “Automatic File Type Detection Algorithm,”  Masters Thesis, James Madison University, 2001.
[9] V. Roussev and S. L. Garfinkel, “File fragment classificationthe case for specialized approaches, ”  in International IEEE Workshop on Systematic Approaches To Digital Forensic Engineering, 2009, pp. 3-14.
[10] Wiki – the MD5 definition source https://zh.wikipedia.org/wiki/MD5
[11] FILExt, The file extension source http://www.filext.com
[12] LeNet – the CNN definition source http://deeplearning.net/tutorial/lenet.html
[13] Billatnapier– the Magic number source 
https://billatnapier.wordpress.com/2013/04/22/magic-numbers-in-files/