ความต้องการที่ไม่ใช่ฟังก์ชัน (Non-Functional Requirements)

ข้อกำหนดด้านประสิทธิภาพ, ความปลอดภัย, ความเป็นส่วนตัว, และกฎระเบียบต่างๆ

หมวด ความต้องการระบบต้นฉบับ requirements/non-functional-requirements.md
NFRperformancesecurityPDPAavailabilityprivacyHTTPSJWT

ความต้องการที่ไม่ใช่ฟังก์ชัน (Non-Functional Requirements)

ข้อกำหนดด้านประสิทธิภาพ, ความปลอดภัย, ความเป็นส่วนตัว, และกฎระเบียบต่างๆ

Canonical catalog: Document/srs/05_Software_Requirement_Specification.md §3 (NFR-01..09), 06_Requirement_Traceability.md §5.5, 07_Appendix_A_Full_Traceability_Matrix.md — นิยามตัวเลข/สูตร/เกณฑ์ทั้งหมดดูที่ Document ที่เดียว ไฟล์นี้เหลือแค่ลิงก์อ้าง + รายละเอียดระดับทดสอบที่ Document ไม่มี

ประสิทธิภาพ — เวลาตอบสนอง (canonical: Document NFR-01)

ข้อกำหนด เป้าหมาย (ตาม Document NFR-01)
ความเร็วตอบสนอง — แบบ Cache Hit <= 3 วินาที (P95, End-to-End; เงื่อนไขภาพ 1080p/4G)
ความเร็วตอบสนอง — แบบ Full Inference (Cache Miss) <= 15 วินาทีต่อภาพ (P50; P95 <= 25s, P99 <= 35s)
AI Inference — GPU (NVIDIA T4+) <= 10 วินาที/ภาพ
AI Inference — CPU Fallback <= 60 วินาที/ภาพ (แสดงคำเตือน "Processing may take longer (CPU mode)")

หมายเหตุ:

  • เป้าหมาย Cache Hit 3 วินาที คิดจาก Redis Lookup + PostgreSQL Fetch โดยไม่ต้องมี AI Inference
  • เป้าหมาย Full Inference 15 วินาที ครอบคลุมถึง: EXIF + OCR + ตรวจสอบผ่าน API + AI Inference + ผลิต Heatmap + จัดเก็บผลลัพธ์
  • ค่าข้างต้นคือเกณฑ์ช่วงทดสอบ (test) ส่วนระดับ SLA ใน Production กำหนดแยกหลัง baseline; Uptime วัดต่อรอบ 30 วัน ไม่นับ Planned Maintenance ที่ประกาศล่วงหน้า

การขยายระบบ (canonical: Document NFR-02 — รองรับผู้ใช้พร้อมกัน ≥ 100 คน)

  • Load Testing 100 concurrent users: Cache Hit avg <= 5 วินาที, Cache Miss avg <= 20 วินาที, Error Rate < 1%
  • AI Inference scale 1→4 replicas, throughput ≥3x, เสร็จใน 5 นาที @100 concurrent users (รายละเอียดระดับทดสอบ)
  • code v1 แยก SegFormer ONNX เป็น worker subprocess ภายใน FastAPI deployment เดียว; การ scale เป็น service/container อิสระเป็น future option
  • ลดจำนวนการทำงานด้วย Redis Cache เป็นส่วนเสริมเพื่อตอบคำถามโดยไม่ต้องรัน AI (Graceful Degradation สำหรับคำถามเดิมๆ ช่วง High Load)

ความพร้อมใช้งาน (canonical: Document NFR-03 — Uptime ≥ 99.5% + Monitoring/Alerting)

  • Uptime >= 99.5% ต่อรอบ 30 วัน ไม่นับ Planned Maintenance (เกณฑ์ช่วงทดสอบ; SLA production กำหนดแยก) + crash-free sessions >= 99.9% (รายละเอียดระดับทดสอบ)
  • Monitoring: Prometheus + Grafana (Real-time Dashboard); Alerting: Grafana Alerts + Sentry → Slack/LINE/Email (Error Rate > 5%, P95 > 30s, Uptime < 99.5%, GPU/CPU > 90%)

ความแม่นยำของ AI (canonical: Document NFR-05)

ตัวชี้วัด เป้าหมาย (ตาม Document NFR-05)
ความแม่นยำ (Accuracy) การตรวจจับภาพตัดต่อ >= 85% บน frozen test set 1,000 ภาพ (สคริปต์ประเมินเวอร์ชันคงที่)
ค่า mDice การตรวจจับภาพตัดต่อ >= 85% บน frozen test set เดียวกัน (mDice ใช้เฉพาะงาน segmentation)
Precision / Recall (เกณฑ์เสริม) >= 85% (Document NFR-05 AC-3/AC-4)

ตาราง metrics ของโมเดล (a_acc, m_iou, m_acc, m_dice) ดูรายละเอียดที่ตาราง model_versions

ความปลอดภัย (canonical: Document NFR-04)

Transport Security

  • ช่องทาง Mobile↔Server ใช้ TLS 1.3; API production บังคับ HTTPS ห้ามส่ง password/token ผ่าน URL

  • ทุกช่องทางการเชื่อมต่อระหว่าง Mobile App และ Server ใช้โปรโตคอล HTTPS/TLS Encryption

  • ไม่อนุญาตให้มีการส่งข้อมูลรูปภาพ หรือ รหัสผ่านแบบ Plaintext เด็ดขาด

Authentication และ Authorization

  • JWT (JSON Web Token) — ออกให้เพื่อรับรองการ Login และบังคับตรวจสอบทุก Endpoint ป้องกันระดับสิทธิ์ (Access TTL 15 นาที / Refresh TTL 7 วัน)
  • นำ Token ไปเก็บใน Secure Storage ของสมาร์ตโฟนผู้ใช้
  • RBAC (Role-Based Access Control) — แยกสิทธิ์ระหว่าง User ธรรมดา และ Admin ป้องกันการละเมิด
  • Endpoint ของ Admin ทั้งหมดจะปฏิเสธ Token ผู้ใช้ระดับธรรมดาทันที

Rate Limiting

กลุ่มผู้ใช้ เป้าหมาย (ตาม Document RC-NFR-08)
Guest (ยังไม่ login) 10 requests/minute
Authenticated User 60 requests/minute
Admin 300 requests/minute

ข้อมูล (Data Security; รหัสผ่าน: Argon2id หรือ bcrypt+salt เท่านั้น ห้าม plaintext)

  • ไฟล์ชั่วคราวของ worker (original/heatmap ชั่วคราว) ลบอัตโนมัติใน 1 ชม. หลังวิเคราะห์เสร็จ (Minimal Retention)
  • code v1 เก็บไฟล์ใน LOCAL_UPLOAD_DIR และเสิร์ฟผ่าน FastAPI static mount /uploads; ยังไม่มี Presigned URL จึงต้องจำกัดการเปิดเผย path และวาง access control/reverse proxy ให้เหมาะสมก่อน Production

ความเป็นส่วนตัว PDPA (canonical: Document FR-PDPA-01 + NFR-04 + RC-PDPA-04)

กฎหมายว่าด้วยการคุ้มครองข้อมูลส่วนบุคคลของไทย (PDPA) มีผลบังคับใช้กับโครงการนี้อย่างเคร่งครัด

Privacy by Design

  • ระบบออกแบบมาให้จัดเก็บข้อมูลน้อยที่สุดเท่าที่จำเป็น
  • ไม่เก็บข้อมูลอื่นที่ไม่อยู่ในจุดประสงค์

ฝั่ง Backend รับและบันทึก Consent 2 ระดับจาก body ของ POST /api/v1/auth/register:

  1. System Consent (บังคับ) — ต้องยินยอมให้ประมวลผลรูปภาพเพื่อการตรวจสอบ หากไม่ให้ จะไม่สามารถใช้งานระบบได้เลย
  2. Research Consent (ไม่บังคับ/เลือกได้) — การยินยอมให้เก็บรวบรวมรูปภาพ (แบบนิรนาม) สู่ Dataset งานวิจัย AI สามารถเปิดและปิด (Opt-in / Opt-out) ภายหลังได้เสมอ (FR-PDPA-02/03; ถอนแล้วลบใน 72 ชม. — รายละเอียดระดับทดสอบ)

การทำข้อมูลนิรนาม (Data Anonymization — รายละเอียดระดับทดสอบ)

  • ระบบล้างข้อมูล EXIF GPS, รุ่นสมาร์ตโฟน และ Metadata ระบุพิกัดหรือตัวตนทั้งหมดก่อนเข้าฐานข้อมูล
  • รูปทุกรูปในฝั่งวิจัยและพัฒนาจะไม่เชื่อมต่อกลับไปยังตัวบุคคล
  • ผู้ใช้สามารถกดถอนความยินยอมของงานวิจัยจากหน้าจอตั้งค่า
  • การกดยกเลิก ส่งผลให้ระบบล้างข้อมูลรูปภาพของผู้ใช้ท่านนั้นๆ ออกจาก Research Dataset ภายใน 72 ชม.

นโยบายการเก็บข้อมูล (Data Retention — RC-PDPA-04 deferred Phase 2; Cron รายวัน 02:00 น.)

  • ผลสแกนที่ได้รับความยินยอม (System consent) เก็บ 1 ปี แล้วลบอัตโนมัติ (Auto-delete ผ่าน Cron Job รายวัน); กรณีถอน consent ลบใน 72 ชม.
  • Audit Logs ไม่ลบ (เก็บไว้เพื่อ Compliance)

กรณีวิเคราะห์ไม่ครบ (canonical: Document FR-ANALYSIS-03 AC-4 fallback)

  • ระบบ shall ไม่สรุปว่าภาพปลอดภัยเมื่อวิเคราะห์ไม่ครบ — เมื่อ Reverse Search ล้มเหลว/ยังไม่ตั้งค่า ให้ตั้ง source_status = "unavailable" แจ้งผู้ใช้ว่าฟังก์ชันค้นหาแหล่งที่มายังไม่พร้อมใช้งาน และคำนวณคะแนนรวมจากมิติที่สำเร็จเท่านั้น (มติ DOC-01: ไม่ใช้ค่ากลางปลอม)

ความสามารถในการใช้งาน (canonical: Document NFR-06)

ข้อกำหนด เป้าหมาย (ตาม Document NFR-06)
ความสามารถในการอธิบายผล Heatmap >= 80% (n=100) เข้าใจบริเวณต้องสงสัยโดยไม่มีพื้นฐานเทคนิค (UAT protocol + rubric 3 ข้อ: ระบุบริเวณ/อธิบายเหตุผล/ตัดสินใจต่อได้; สุ่มตัวอย่าง)
ความพึงพอใจโดยรวมของผู้ใช้ (Likert 1-5) ระดับคะแนน Mean >= 4.00 ("Good" ขึ้นไป)

ประสิทธิภาพแคช (canonical: Document NFR-07 — Cache Hit Rate ≥ 40%)

  • Redis hit ≤3s (P95), hit-rate ≥40%/สัปดาห์ (alert เมื่อ <35%)
  • กลยุทธ์เมื่อต่ำกว่าเป้าหมาย (4 ขั้นตาม Document NFR-07 AC-2): เพิ่ม TTL 60–90 วันสำหรับภาพไวรัล/เสี่ยงสูง, Auto-Scaling AI Workers, Graceful Degradation, Monitoring Alert

ความเข้ากันได้ / การบำรุงรักษา (canonical: Document NFR-08/NFR-09)

  • NFR-08 (Compatibility): key flows (สมัคร → สแกน → ดูผล) ผ่าน 100% บน Android 10–15 (API 29–35) ผ่าน emulator/device farm บน CI อย่างน้อยเวอร์ชัน 10/12/14/15; Mobile เรียก backend ผ่าน versioned REST (OpenAPI) JSON — SHA-256 ของไฟล์ round-trip ตรงต้นฉบับ 100% และ response ตรง OpenAPI schema (v1 Android เท่านั้น — CON-MOB-01)
  • NFR-09 (Maintainability): branch coverage ≥80% ทั้ง backend (pytest --cov) และ mobile (flutter test --coverage) วัดบน CI ทุก PR (ต่ำกว่าเกณฑ์ merge ไม่ได้); static analysis clean (backend: ruff + mypy; mobile: flutter analyze) — 0 errors และ warning ใหม่เป็น 0 ก่อน merge; แยก AI Inference Service อิสระ (CON-ARCH-01)

หน้าที่เกี่ยวข้อง