ပါရမီ၊ ကြိုးစားမှု့၊ ဝါသနာ

တစ်ခါတစ်လေမျာ ဝါသနာကတစ်ခြား လုပ်သင့်တာကတစ်ခြား ဖြစ်နေခဲ့တာတွေလည်း အများကြီးရှိတာပါပဲ။ အထူးသဖြင့် ဆယ်တန်းအောင်ချိန်မှာ ဝါသနာပါရာတက္ကသိုလ်ကိုရွေးခဲ့ကြသလို တစ်ချို့ကလဲသင့်တော်ရာ တစ်ချို့ကတော့ မိဘသဘောကျရာ ဘာရယ်မဟုတ်ပါဘူး ရွေးခဲ့ကြတာပါပဲ။ ကိုယ်တိုင်ရွေးခွင့်ရခဲ့သူရှိသလို မရခဲ့တဲ့လူတွေလည်းရှိတာပါပဲ။ တစ်ချို့ကလဲ ဝါသနာပါရာကိုပဲ လုပ်သင့်တယ်လို့ဆိုတယ် မလုပ်ရလို့ဆိုပြီး အရွဲ့တိုက်ပြီးပေတေနေလို့ သုံးစားလို့မရအောင် ဖြစ်တဲ့လူလည်းရှိတာပဲ။ ဝါသနာမပါခဲ့ပေမယ့် ရတဲ့နေရာမှာပဲ ထူးခွန်အောင်မြင်တဲ့လူတွေလည်း အများကြီးပါပဲ။ ဆယ်တန်းဆိုတာ ဘဝအတွက် အရမ်းအရေးပါတယ်လို့ မစဥ်းစားပါနဲ့လေ အသက် ၁၆ နှစ်ဆိုတာ လူ့သက်တမ်းရဲ့ ငါးပုံ တစ်ပုံလောက်ပဲရှိပါတယ် တစ်သက်လုံးစာအတွက် ၁၆ နှစ်အရွယ်က အသေးအမှားအောင်မြင်မှု့ဟာ စာမဖွဲ့လောက်ပါဘူး။

Natural Born and Nurture ဆိုပြီး Professional Seminar တစ်ခုမှာ အရင်နှစ်ကဆွေးနွေးရဖူးတယ်။ လွယ်လွယ်ပြောရရင် IQ နဲ့ EQ ပေါ့။ ဗမာလိုဆိုရင်တော့ ပါရမီနဲ့ ကြိုးစားမှု့ပေါ့။ လူတိုင်းမှာတစ်နေရာစီတော့ ပါရမီရှိကြပါတယ် ဒါပေမယ့်နေရာတိုင်းတော့ ဘယ်သူမှ ပါရမီမပါပါဘူးလေ။ သူပါရမီပါတဲ့အပိုင်းမှာ လေ့လာရမယ်ဆိုရင် ထူးခွန်နိုင်ပါတယ် ဒါပေမယ့်သူက ကြိုးစားဦးမှလေ မကြိုးစားလို့ကတော့ သူ့ရဲ့ပါရမီဟာအလကားဖြစ်တာပါပဲ။ နောက်ပြီးတော့ ပါရမီလည်းပါတယ် ဝါသနာလည်းပါပေမယ့် ကြိုးစားဖို့အခွင့်အလမ်းကလည်း ရှိခဲ့ပါမှဖြစ်နိုင်ဦးမှာပါ။ ဝါသနာနဲ့ ပါရမီတစ်ထပ်တည်း ဖြစ်ရင် အခွင့်အလမ်းလည်း တိုက်ဆိုင်ရင်တော့ အင်မတန်ထူးခွန်တဲ့ လူတစ်ယောက်ဖြစ်နိုင်တာပါပဲ။ ပညာရေးရယ် မဆိုလိုပါဘူး စီးပွားရေး လူမှု့ရေးလည်း အတူတူပါပဲ။ ပြောရင်းနဲ့ သုံးခုတည်းဆိုပေမယ့် နည်းနည်းရှုပ်လာပါပြီ ရေးနေကျလို သင်္ချာလိုရေးရင်တော့ နည်းနည်းရှင်းမယ်ထင်တယ်။

A = ပါရမီပါသည်
B = ကြိုးစားသည်
C = ဝါသနာပါသည်
D = အခွင့်အရေးရသည်
Z = ထူးခွန်မှု့အတိုင်းအတာ

A ကနေ D အထိVariable တွေကို Binary အဖြစ်ပဲယူဆလိုက်မယ် ဥပမာ- A = ပါရမီပါသည် NOT A = ပါရမီမပါ Z ကတော့ အပေါင်းကိန်း ဝ ကနေ အထက်ပါနိုင်ပါတယ် ကိန်းများလေ ထူးခွန်မှု့အတိုင်းအတာ များလေလေ ဖြစ်ပါလိမ့်မည်။

ဒီတော့ Binary Variable လေးလုံးဆိုတော့ ဖြစ်နိုင်တဲ့အဖြေက ၄ ^ ၂ = ၁၆ ခုရှိတယ်ဆိုတာ Probability ဖြစ်ဖြစ် Number System ဖြစ်ဖြစ်နားလည်တဲ့လူဆိုရင် ရှင်းပြစရာမလိုပါဘူး။ Variable တွေရဲ့ အရေးပါမှု့ကိုစဥ်းစားမယ်ဆိုရင် D ကိုဦးစားပေးစဥ်းစားပါမယ်။ C ကို A & B အပေါ်တွင် ထပ်လောင်းတန်ဖိုးဖြည့်စွက်မှု့အဖြစ် စဥ်းစားပါမည်။ ဒီအဆိုပြုချက်တွေကို အခြေခံပြီးတော့ Algorithm အသစ်တစ်ခုတင်ပြရမယ်ဆိုရင် ဒီလိုရေးပြလို့ရပါတယ်။ သင်္ချာပုံစံတွေနဲ့လည်း တစ်မျိုးရေးလို့ရနိုင်ပါတယ်။
Begin     Z = 0     IF D Then          Z = Z + 1          IF A Then               Z = Z + 1          End IF          IF B Then               Z = Z + 1          End IF          IF C Then               Z = Z + 1          End IF     End IF     Return ZEnd

Begin     Z = A + B + C + D     Return ZEnd

Begin     Z = 0     IF D Then          Z = A + B + C + 1     End IF     Return ZEnd

Algorithm 1 Algorithm 2 Algorithm 3
သုံးမျိုးရေးထားပေမယ့် တစ်မျိုးစီမှာပြောစရာရှိတယ် သဘာဝပြဿနာကို ရေးထားပေမယ့် ပထမတစ်ခုက Algorithm အရဆိုရင် Efficient မဖြစ်ဘူး တင်ပြပုံမကောင်းဘူးပေါ့။ အလည်တစ်ခုကတော့ သဘာဝအတိုင်းဝင်လာမယ့် Data တွေအတွက်မှန်ပေမယ့် Variable တွေရဲ့ Condition ကိုအတိအကျမဖော်ပြလို့ ချို့ယွင်းချက်ရှိတယ်။ NOT D ဆိုရင် A, B, C သည် NOT ဖြစ်ပါစေလို့ အရင်ပြောခဲ့မှသာ အဆင်ပြေမယ်။ မဟုတ်ရင်သင်္ချာအရ ပထမတစ်ခုနဲ့ တူညီမှု့မရှိဘူး။ တတိယတစ်ခုကတော့ Algorithm အရလည်း Efficient
ဖြစ်တယ် သင်္ချာအရ Correctness လည်းဖြစ်တယ်လို့ ဆိုလို့ရတယ်။

အားလုံးမှာ သင်္ချာရေးသားမှု့အရ မှန်ကန်ကြောင်းရေးပေမယ့် ချို့ယွင်းနေတာကတော့ အဆိုပြုချက် မှန်ကန်ကြောင်း လိုအပ်နေပါတယ်။ အဲဒါတွေကို သက်သေပြချက်လို့ခေါ်လို့ရပါတယ် Quantitative သို့မဟုတ် Qualitative သို့မဟုတ် Quantitative + Qualitative သက်သေပြရပါမယ်။ ဒါမှသာ အဆိုပြုချက်မှန်ကန်ကြောင်း ရေးသားပုံ ရှင်းလင်းတိကျကြောင်း တွက်ချက်ပုံအကျိုးရှိကြောင်း ပြည့်စုံပါတယ်။ အများယုံကြည်မှု့ရှိဖို့အတွက်ကတော့ Quantitative or Qualitative Data တွေကို တိတိကျကျ မြင်သာအောင် ပြသဖို့လိုပါလိမ့်မယ်။

ဒီလိုမစဥ်းစားတတ်ရင်တော့ Computer Science Research လုပ်ဖို့မလွယ်ပါ။ အခြားသော Research များလည်းအတူတူပါပဲ ဒါပေမယ့်တစ်ခုတော့ရှိပါတယ် ရေးသားပုံကွဲပြားပါမယ် သက်သေပြချက်များလည်း ကွဲပြားနိုင်ပါတယ်။ Engineering အများစုမှာ Qualitative Data တွေကို Experiment အများစုကနေပဲ ရနိုင်ပြီးတော့ Social Science တွေမှာတော့ အများစုဟာ Quantitative Data တွေဟာ Survey တွေကလည်းရနိုင်ပါတယ်။ Computer Science မှာကတော့ Qualitative အတွက်ရော ရေးသားမှု့အတွက်ပါ Mathematical Writing တွေဟာအင်မတန် အရေးကြီးပါတယ်။ Practical Research ကိုသုံးရက်အတွင်း အလွတ်ကျက်ဖြေတာ အမှတ် ၁၀ဝ အပြည့်ရခဲ့ပေမယ့် အချိန် ၈ လ ကုန်ဆုံးသွားတဲ့နောက်မှသာ ဘာဆိုတာကို ရေရေရာရာသဘောပေါက်ခဲ့တယ် အဆိုပြုချက် ထပ်ထည့်ချင်ရင် အတွေ့အကြုံဆိုတာပါ ထပ်ထည့်ချင်ထည့်ကြဦးပေါ့။

Security Analysis And Data Visualization

စာရေးမယ်ဆိုတော့လည်း လိုင်းစုံအောင်ပြန်ရေးမယ်စဥ်းစားတယ် လာတဲ့လူတွေကလည်း လိုင်းစုံတယ် လျောက်ရေးတာတွေပဲ ဖြစ်နေပြန်လည်းမဖြစ်ဘူး နည်းပညာသက်သက်ရေးတဲ့ ဘလော့အဖြစ် သက်သက်လည်း လုပ်ဖို့အစီအစဥ်မရှိပြန် ဒီတော့လိုင်းစုံအောင်ရေးဦးမယ်။ ရောက်တတ်ရာရာရေးလိုက် ကိုယ်စိတ်ဝင်စားတဲ့ နည်းပညာအကြောင်းပြောလိုက်ပေါ့။ နည်းပညာဆိုတော့လည်း ခက်တော့အခက်သား သူများလိုလည်းကိုယ်ကမလုပ်တတ် စက်ပျက်တောင် စိတ်ရှုပ်မခံဘူး System Restore လုပ်ချလိုက်တာကိုး တိုလီမိုလီလည်း မပြင်တတ်ဘူး တစ်ခါတစ်ခါလာမေးတယ် ဘလော့ကို အလှဆင်ချင်တာတဲ့ မသိဘူးခင်ဗျလို့ ပြောတော့စိတ်ဆိုးတယ် ဟုတ်တယ်လေ သိမှမသိတာ ကိုယ်တောင် ကိုယ့်ဟာကိုယ်မရေးတတ်လို့ သူများရေးထားတဲ့ Template ယူတင်ထားတာလေ ပြောရင်ယုံမှာမဟုတ်ဘူး HTML Tag တွေတောင် အကုန်အလွတ်မရဘူး လိုရင်ပြန်ကြည့်ရတယ်။ ကိုယ်စိတ်ဝင်စားတာတွေ ရေးပြန်တော့လည်း ဘယ်သူမှ စိတ်မဝင်စားပြန်ဘူး။
ဒီရက်ပိုင်းတော့ Information တွေကို Visualize လုပ်တာတွေ ဖတ်နေတာများတော့ အဲဒါတွေပဲစိတ်ရောက်နေတယ်။ Data တွေကို Visualize လုပ်ထားရင်လည်း Information ဖြစ်လာတာပါပဲ ဒါကိုလည်း Information Visualization ထဲမှာပါတာပါပဲ။ အခုနောက်ပိုင်းတော့ Information Visualization ကို Information Retreival တွေမှာသုံးနိုင်ရင်တော့ ပိုပြီးကောင်းမယ်လို့ မြင်မိတယ် ဒါပေမယ့် အခုထက်ထိ Information Retreival ဆိုတာကလည်း Google တောင် 2nd Generation ကနေ ဆယ်စုနှစ်တစ်ခုရှိပြီ မတက်လာသေးဘူး။ 3rd Generation မှာတော့ Information Visualization ကအရေးပါတဲ့ အခန်းကနေပါလာမှာတော့ သေချာပါတယ်။ အခုထက်ထိတော့ ဒီနှစ်ခုပေါင်းစပ်ရေးဟာ သုတေသန ခန်းထဲကကိုထွက်မလာနိုင်သေးဘူး။
ဒီနေ့တော့ မတူညီတဲ့အစွန်းနှစ်ဘက် ပေါင်းထားတဲ့ စာတမ်းတစ်စောင်တွေ့လို့ဖတ်မိတယ်။ Computer Security နဲ့ Visualization ဘယ်လိုမှ ဆက်စပ်လို့မရသလောက်ပါ။ Computer Security ဆိုတာက Computer Technology သက်သက် ၉၀% လို့ပြောလို့ရပါတယ်။ Visualization ကတော့ Social Science ဘက်မှာ ၈၀% ရှိပါလိမ့်မယ်။ Security Tools တွေကနေ စုဆောင်းလို့ရလာတဲ့ Data တွေဟာ ပြောမယ်ဆိုရင် အင်မတန်ရှုပ်ထွေးပါတယ်။ Network အရွယ်အစားနဲ့ Data ပမာဏဟာ တိုက်ရိုက်အချိုးကျပါလိမ့်မယ်။ ဒီလို Data တွေကို Analyze လုပ်တဲ့နေရာမှာ Visualize Tools တွေက ဘယ်လိုအလုပ်တွင်ကျယ်စေတယ်ဆိုတာကို စနစ်တကျ ရေးပြထားတာပါ။ Presentation Style ကိုပြောပါဆိုရင် Usability အမြင်တွေကို Tools အမျိုးမျိုးနဲ့ ဥပမာပြထားပါတယ်။ Contribution အနေနဲ့ကတော့ Security နဲ့ ပါတ်သက်တဲ့ Data တွေအကြောင်းရယ် Capture ဘယ်လိုလုပ်သလဲရယ် နောက်ပြီးတော့ Data တွေကို Process ဘယ်လိုလုပ်သလဲလည်း ဆက်ရေးပါတယ်။ ပြီးရင်တော့ Process လုပ်ပြီးသား Security Related Data တွေကို Visualize လုပ်ပုံကို သက်ဆိုင်ရာ Data အလိုက် Tools အမျိုးမျိုးနဲ့ ပြောထားပါတယ်။ ပြီးရင်နောက် Visualized Data တွေကိုကြည့်ပြီး ဘယ်လို စီမံခန့်ခွဲရေးမှာ အသုံးဝင်မယ်ဆိုတာကို တင်ပြထားပါတယ်။
ကိုယ့်အမြင်ကိုပြောပါဆိုရင်တော့ Security အကြောင်း စိတ်မဝင်စားပေမယ့် Visualization ဘယ်လိုလုပ်တယ်ဆိုတာတွေတော့ စိတ်ဝင်စားမိပါတယ်။ ဖတ်မယ်ဆိုရင်တော့ Information Visualization ကိုလည်းနားလည်ရမယ် Domain Data ဖြစ်တဲ့ Security အကြောင်းလည်း အထိုက်အလျောက်သိရမယ် ဒါဆိုရင်တော့ ဖတ်လို့အဆင်ပြေမယ်ထင်ပါတယ်။ တစ်ဘက်ပဲသိတဲ့လူဆိုရင်တော့ သိပ်အလုပ်မဖြစ်ပြန်ဘူး တင်ပြထားတဲ့အကြောင်းအရာကို တစ်ဝက်ပဲဖတ်လို့ရသလိုဖြစ်နေပါမယ်။ ဘာမှမသိပေမယ့်လည်း ဗဟုသုတတော့ ဖတ်လို့အဆင်ပြေပါတယ် အခြေခံကျတဲ့စာတွေကနေ စပြီးလူတိုင်း နားလည်အောင်ရေးထားပါတယ်။ Security ဆိုတာ တံခါးပေါက်စောင့်လို့ပဲ သိတဲ့ကျွန်တော်တောင် ဖတ်လို့ရပါတယ်။ ကိုးကားဖို့ကတော့ အရမ်းခိုင်မာတဲ့နေရာက လာတဲ့စာတမ်းမဟုတ်လို့ ပြဿနာရှိပါတယ် နောက်ပြီးတော့ အခြေခံအကြောင်းအရာတွေပဲဖြစ်လို့ ကိုးကားလို့ကောင်းတဲ့ စာတမ်းလည်းမဟုတ်ပ

LaTeX will never Die for Academic Writing

Word ဖြင့်စာရိုက်ရသည်တွင် Algorithm များ Equation များ Mathematical Notation များကို Word ဖြင့်ရိုက်ရသည်လောက် စိတ်ပျက်စရာကောင်းသည့် အရာမရှိပါ။ Equation များ Mathematical Notation ကို Equation Editor ကိုစိတ်ရှည်လက်ရှည် မောက်ဖြင့်နှိပ်လျင် ထွက်လာပါသော်လည်း Algorithm များကို မြန်ဆန်စွာရိုက်ရန် နည်းမတွေ့သေးပါ။ သို့အတွက်ကြောင့် LaTeX မှာ သာမန်စာရိုက်သော လူများအတွက် မသုံးမတည့်သော်လည်း မည်သည့်အခါမှ သင်္ချာနှင့်ဆက်နွယ်သော စာရေးခြင်းများတွင် ပျောက်ကွယ်မည်မဟုတ်ချေ။ algorithm2e ကိုသုံးလိုက်

begin{algorithm}[H]
KwIn{Set of File $Files$}
KwOut{File}
ForEach{File $f$ in $Files$}{
Append to $F$;
}
Return $F$;
}
end{algorithm}

လို့ရေးလိုက်လို့

Input: Set of File
Output: File
foreach File f in Files do
Append to F;
end

ဒါမျိုးလေး Indent တွေ Bold, Italic တွေနဲ့ ကျကျနနပေါ်နေမှတော့ Word မှာဘာကိစ္စ မောက်နဲ့ ကလစ်ကလစ်အိုကေတွေ အခါသုံးလေးဆယ်လောက် နှိပ်နေရတာဘာအသုံးကျသလဲ။ Algorithm ကိုရိုက်တတ်ဖို့ Program ရေးတတ်ရမယ်ဆိုတာလည်း ဟုတ်သေးပါဘူးလေ မအားလို့ သူများအငှားရိုက်ခိုင်းချင်ရင် ရိုက်ခိုင်းမရပြန်ဘူး။ ကိုယ့်ဟာကိုယ်ရိုက်တာပဲ အေးပါတယ် ပိုက်ဆံကုန်သက်သာတယ်။ :P