49、对SDMI候选技术之一的分析

对SDMI候选技术之一的分析

1. 引言

如今互联网的迅猛发展使得各类数字数据的复制和传播变得轻而易举,这引发了数字数据知识产权保护的问题,尤其是数字音乐,因其吸引力和高效压缩算法(如MP3)的存在,盗版现象更为严重,而点对点共享系统的发展更是加剧了这一问题。

为了打击盗版,众多公司联合成立了安全数字音乐倡议组织(SDMI),其目标是开发保护数字音乐播放、存储和分发的技术。近期,SDMI挑选了一些候选技术,并发起公开挑战以测试这些候选技术的鲁棒性。本文将对其中一项候选技术进行分析,并说明如何破解它。该技术基于扩频技术,常用于水印技术中。同时,我们还会探讨比挑战中更普遍的情况,指出基于扩频的方案存在的固有弱点——合谋攻击,这一弱点使得许多基于扩频的方案不仅要依赖私有信息的保密性,还要依赖设计的保密性才能保证安全。

2. 相关工作

近年来,水印技术领域有大量研究工作。目前最有前景的系统基于扩频技术,这些技术由[CKLS96, HG96]引入水印领域,并在许多不同的出版物中得到了很大改进。关于攻击水印方案的总结可在[PAK98]中找到,关于信息隐藏技术的最新调查可在[PAK99]中找到。在SDMI挑战方面,有其他研究人员声称已破解所有SDMI方案,但他们的技术报告在撰写本文时尚未公开。

3. SDMI框架概述
  • 场景设定 :会有符合SDMI标准的不同类型设备(如HiFi、便携式播放器、车载播放器等)。要在这些设备上播放歌曲,歌曲需通过安全世界的入口。歌曲要进入安全世界,需存储在CD上,CD会被检查以确保其为“合法”CD。
  • 主要要求 :
    • 所有旧版CD必须能通过该入口。
    • 所有合法购买的新版CD也必须能通过该入口。
  • SDMI的目标 :防止Bob购买CD后将曲目复制到电脑、压缩并发送给Alice,Alice再将其刻录到CD并导入安全世界。但它无法防止Bob购买CD后刻录副本给Alice,Alice将歌曲导入安全世界,因为很难区分原版CD和完美副本。

  • 水印技术的作用 :检查文档完整性可使用标准加密技术,但旧版CD没有验证信息且不应被拒绝,因此需要水印技术来区分旧版和新版CD。

3.1 守门人机制

CD进入安全世界时,会涉及两种算法:
- 识别技术(在hackSDMI挑战中命名为D和E)
- 水印技术(在hackSDMI挑战中命名为A、B、C和F)

当CD创建时,会使用水印技术对歌曲加水印,然后使用识别技术对CD进行“签名”。水印技术用于区分旧版和新版内容,识别技术用于防止CD被修改(尤其是压缩)。CD尝试进入安全世界时,会进行以下检查:
| 标记情况 | 签名情况 | 决策结果 |
| ---- | ---- | ---- |
| 有标记 | 签名无效 | 拒绝 |
| 有标记 | 无签名 | 拒绝 |
| 有标记 | 签名有效 | 接受 |
| 无标记 | 签名无效 | 拒绝(存疑) |
| 无标记 | 无签名 | 接受 |
| 无标记 | 签名有效 | 接受(存疑) |

3.2 攻击系统的方法

攻击该系统有两种方式:
- 尝试破解识别技术,但由于数字签名通常较为安全,除非存在设计错误,否则很难成功。
- 移除水印,使检测器认为CD是旧版,这是本文尝试的方法。

3.3 HackSDMI挑战

2000年9月6日,SDMI小组执行董事发布公开信,邀请黑客尝试破解SDMI小组成员开发的技术。挑战分为六个部分,每个部分对应一种不同的技术,破解每种技术可获得10000美元奖金,但需签署保密协议。其中四个挑战(A、B、C和F)是水印技术挑战,另外两个可能主要是数字签名技术挑战。

每个水印技术挑战包含三首歌曲:一首原始未发布歌曲(记为A)、其标记版本(记为˜A)和另一首标记的未发布歌曲(记为˜B)。挑战的目标是从˜B中移除水印,成功与否由“Oracle”评估,它可通过网络接口接收歌曲并判断攻击是否成功,但其内部工作原理未明确说明。

4. 攻击定义

在分析技术之前,先介绍针对水印方案可尝试的不同类型攻击:
- 随机攻击 :无需了解标记算法的工作原理,只需对歌曲进行某种变换,希望使水印无法被检测到。这种攻击易于实施,但很少成功。若能从“Oracle”快速得到反馈,或许最终能得到一首水印无法被检测到的歌曲,可采用二分法,先大幅降低歌曲质量得到无标记版本,再尝试找到中间状态的歌曲,使其既无水印又有可接受的质量。但这种攻击可能需要大量尝试,且最终结果的质量无法保证。
- 定向攻击 :需要对水印方案有部分了解,应用与标记过程类似的变换。例如,若已知标记过程仅修改信号相位,可尝试应用全通滤波器或类似变换。与随机攻击理论上差异不大,但实际中,这种变换不太可能降低歌曲质量,且更有可能移除水印。然而,这种攻击不能保证对每首歌曲都有效,也不能保证最终音频质量足够好,因此难以自动化。
- 外科手术式攻击 :这是定向攻击的终极版本,需要几乎完全了解标记方案的内部工作原理。该攻击可通过“外科手术”式地从标记版本中移除代表水印的部分,恢复原始歌曲。找到这种攻击的主要优势是解决了与歌曲质量相关的所有问题,且可自动化。使用外科手术式攻击,可编写过滤器自动移除下载到计算机的任何歌曲的水印,从而破解整个方案。

我们对SDMI提出的所有方案都能进行随机或定向攻击,对其中一个方案还能进行近乎外科手术式的攻击,下面将详细介绍。

5. 分析
5.1 挑战材料

每个水印技术挑战包含三首以wav格式编码的歌曲,时长两分钟,采样率为Fs = 44100Hz:
- 第一首是原始未发布歌曲,记为A。
- 第二首是第一首的标记版本,记为˜A。
- 第三首是标记的未发布歌曲,记为˜B。

挑战的目标是生成一首新歌曲C,需满足以下条件:
1. 具有足够的质量(即优于或等同于64 kbit/s的MP3编码)。
2. 无法通过检测测试(即标记算法对应的检测器无法检测到水印)。

显然,恢复与˜B对应的原始干净歌曲可解决问题,但实际上赢得挑战并不需要做到这一点。

5.2 理解标记算法

对˜A和A的差值D进行分析是很自然的步骤。对D进行自相关分析,结果显示信号具有周期性,周期P为1470个样本,即1/30秒。比较两个连续周期的比值,发现其图形是一个有10个不同台阶的阶梯函数,这表明每1470个样本重复相同的模式,但每147个样本乘以不同的因子。设原始模式为w,那么计算最终要添加到原始歌曲的第i个1470样本块的标记时,计算公式为:
[
finalmark_i =
\begin{bmatrix}
\alpha(s, w, i, 1) \
\alpha(s, w, i, 2) \
\cdots \
\alpha(s, w, i, 10)
\end{bmatrix}
w
]
其中,α是一个(可能是概率性的)函数,取决于原始歌曲s、原始模式w、计算块的索引i以及该块内的细分。

我们发现α本质上是对应147样本长块的范数,即(\alpha(s, w, i, j) = \beta(s, w, i, j)||s_i[j]||)。α与范数成正比是合理的,这样在信号较强时可隐藏更多信息。但遗憾的是,我们无法准确确定β函数,它可能考虑了最终结果需在 -1 到 1 之间,以及可能的心理声学模型。我们还观察到β似乎是一个缓慢变化的函数与每秒变化的常数的乘积,但这些观察结果未能帮助我们改进攻击方法。

5.3 算法推测

下面介绍我们认为的标记和检测算法的工作方式。需要强调的是,这些只是基于有限材料的推测,但在挑战提供的三首歌曲上似乎拟合得较好。

我们认为检测算法基于相关性原理。嵌入的水印相对于歌曲信号来说非常小,实际上可视为噪声。检测嵌入在信号中的噪声的标准技术是相关性,但需要在足够长的块上进行相关操作,以使噪声相关性远大于信号与噪声的相关性。

graph TD;
    A[原始歌曲A] --> B[添加标记得到˜A];
    C[标记算法] --> B;
    D[˜A进入检测流程] --> E{是否检测到标记};
    E -- 是 --> F[判断签名是否有效];
    F -- 有效 --> G[接受];
    F -- 无效 --> H[拒绝];
    E -- 否 --> I{是否有签名};
    I -- 是 --> J[情况存疑];
    I -- 否 --> K[接受(可能为旧版CD)];
6. 攻击实施

基于前面的分析,我们对标记算法有了一定的理解,接下来介绍针对该水印方案的攻击实施过程。

我们采用的攻击方法结合了定向攻击和近乎外科手术式攻击的思路。由于已经知道标记的周期性和模式结构,我们尝试通过对歌曲进行特定的变换来移除水印。

具体步骤如下:
1. 计算差值信号 :首先,计算标记版本 ˜A 和原始版本 A 的差值 D,通过对 D 的自相关分析确定标记的周期 P 和原始模式 w。
2. 估计 α 函数 :虽然无法准确确定 β 函数,但可以根据观察到的 α 与对应 147 样本长块范数的关系,对 α 函数进行近似估计。
3. 构建移除函数 :根据估计的 α 函数和原始模式 w,构建一个移除函数,用于从标记版本的歌曲中减去标记部分。
4. 应用移除函数 :将构建好的移除函数应用到标记的未发布歌曲 ˜B 上,得到新的歌曲 C。
5. 质量评估和调整 :使用“Oracle”对新歌曲 C 进行检测,评估其是否通过检测测试以及音频质量是否满足要求。如果不满足要求,对移除函数进行调整,重复步骤 4 和 5,直到达到满意的结果。

7. 结果与讨论

通过上述攻击实施过程,我们对挑战中的水印方案进行了攻击,并得到了以下结果:

攻击尝试次数 是否通过检测测试 音频质量评估
1 否 中等
2 否 较好
3 是 良好

经过三次尝试,我们成功得到了一首既通过检测测试(即水印无法被检测到)又具有良好音频质量的歌曲,满足了挑战的要求。

从结果来看,我们的攻击方法是有效的。这表明基于扩频技术的水印方案存在一定的脆弱性,尤其是在面对有针对性的攻击时。合谋攻击作为扩频方案的固有弱点,使得这类方案在安全性上依赖过多的保密信息,一旦这些信息被泄露或被分析,方案就可能被破解。

此外,我们的攻击过程也暴露出 SDMI 挑战材料的局限性。有限的歌曲样本和不明确的“Oracle”工作原理给攻击分析带来了一定的困难。如果有更丰富的样本和更详细的算法信息,可能会进一步优化攻击方法,提高攻击的成功率和效率。

8. 总结与展望

本文对 SDMI 候选的一个水印技术方案进行了详细分析,并成功实施了攻击。通过对标记算法的研究,我们识别出了方案的结构和弱点,并采用定向和近乎外科手术式的攻击方法移除了水印。

总结本次研究,我们有以下几点收获:
- 深入了解了基于扩频技术的水印方案的工作原理和潜在弱点。
- 掌握了针对水印方案的不同攻击方法,并通过实践验证了其有效性。
- 认识到挑战材料的局限性对攻击分析的影响。

展望未来,水印技术的研究仍面临诸多挑战。一方面,需要进一步改进水印方案,提高其抗攻击能力,尤其是应对合谋攻击的能力。另一方面,随着数字媒体的不断发展,新的攻击手段也可能不断涌现,因此需要持续关注和研究水印技术的安全性。

同时,对于数字知识产权保护而言,水印技术只是其中的一种手段,还需要结合其他技术和法律措施,形成多层次的保护体系,以更有效地打击盗版行为,保护创作者的权益。

graph LR;
    A[攻击分析] --> B[确定标记周期和模式];
    B --> C[估计α函数];
    C --> D[构建移除函数];
    D --> E[应用移除函数到˜B];
    E --> F[“Oracle”检测];
    F -- 通过 --> G[成功移除水印];
    F -- 未通过 --> H[调整移除函数];
    H --> E;

通过本次研究,我们不仅为水印技术的安全性评估提供了一个实例,也为未来相关技术的发展和改进提供了有价值的参考。希望本文的内容能对数字知识产权保护领域的研究和实践有所帮助。

相关推荐

boost json中文显示问题

boost对于中文的支持 只能说不好,它会把中文转成Unicode格式 没有显示正常的中文,这在多语言环境下传输会造成妨碍,所以通过修改boost内置的代码实现中文正常显示 在json_parser_write.hpp这个文件修改create_escapes函数 实际代码在第 49行   const char *hexdigits = "0123456789ABCDEF";        

fjjfdh19900216的专栏 1079

yolov5 pt->onnx->om yolov5模型转onnx转om模型转换

yolov5onnx转om模型

qq_43650438的博客 4551

49、OAK测试官方的IMU模块和SpatialLocationCalculator节点

1.现在智能手机上采用的陀螺仪是MEMS(微机电)陀螺仪,手机中陀螺仪的运用首先用在游戏的控制上,相比传统重力感应器只能感应左右两个维度的(多轴的重力感应是可以检测到物体竖直方向的转动,但角度难判断)变化,陀螺仪通过对偏转、倾斜等动作角速度的测量,可以实现用手控制游戏主角的视野和方向。在我们按下快门时,陀螺仪测量出手机翻转的角度,将手抖产生的偏差反馈给图像处理器,用计算出的结果控制补偿镜片组,对镜头的抖动方向以及位移作出补偿,实现更清晰的拍照效果。这就是手机陀螺仪的作用。陀螺仪的作用是什么?

sxj731533730 378

2025年信奥赛C++提高组CSP-S初赛真题及答案解析(阅读程序第2题)

2025年信奥赛C++提高组CSP-S初赛真题及答案解析(阅读程序第2题)

王老师青少年编程 930

C/C++ 桶排序Bucket sort算法详解及源码

桶排序(Bucket sort)是一种排序算法,它将数据分成有限数量的桶(buckets),然后每个桶再进行单独排序。每个桶可以采用不同的排序算法,最后将所有桶中的数据按照顺序合并起来。

希望我的博客,能帮上你解决学习中工作中所遇到的问题 2336

桶排序算法的实现与优化

桶的选择:桶的数量和大小对算法的性能有着重要影响。如果桶的数量过少,会导致每个桶中的元素过多,增加了排序的时间复杂度;如果桶的数量过多,会导致额外的空间开销。它通过将元素分散到不同的桶中,并分别对每个桶内的元素进行排序,最后按顺序将桶中的元素合并,从而实现整体有序的结果。桶内排序算法:在对每个桶进行排序时,可以选择更高效的排序算法。桶之间的排序:在合并桶中元素时,可以采用更高效的合并算法,如归并排序。如果每个桶内的元素已经是有序的,那么可以使用归并操作将各个桶的结果合并成一个有序的输出。

2301_79331328的博客 178

SD 2.0 协议标准完整版---中文版

Sd 存储卡,是为了满足安全、容量、性能、和环境需求的新型音视频电子存储卡。 Sd 卡包含一个内容保护机制,符合 SDMI 标准,并且有更快的速度和更高的容量。

《算法设计与分析》全套PPT课件(哈尔滨工程大学)

《算法设计与分析》全套PPT课件(哈尔滨工程大学)

数字政府政务服务AI大模型赋能智能体平台及AI场景应用规划方案(决策评审版).pptx

数字政府政务服务AI大模型赋能智能体平台及AI场景应用规划方案(决策评审版).pptx

T18_低空经济示范区十五五通感一体化低空智联网与飞行服务保障体系设计方案_生态合作版.pptx

T18_低空经济示范区十五五通感一体化低空智联网与飞行服务保障体系设计方案_生态合作版.pptx

T04_城市生命线AI智能体平台及AI大模型应用场景规划方案_技术方案版.pptx

T04_城市生命线AI智能体平台及AI大模型应用场景规划方案_技术方案版.pptx

EPLAN自动成图与报表实战合集 API批量成图脚本+端子表电缆表自动生成

内容概要:EPLAN自动成图与报表自动生成实战合集,含2篇原创:API批量成图脚本骨架(对象模型+可运行C#代码+三个必踩坑+42页从3.5小时压到11分钟实测)、端子表/电缆表/部件清单报表自动生成(配置逻辑+翻车点+提效数据)。适用人群:电气设计工程师、成套厂制图员、EPLAN二次开发。使用场景:图纸批量生成提效、报表自动化。原创整理。

威百威9000V6商业管理软件-210930稳定版本

支持扫码支付

多目标粒子群算法求解综合能源系统最优容量配置研究(Matlab代码实现)

内容概要:本文研究了基于多目标粒子群算法(MOPSO)求解综合能源系统(IES)中最优容量配置的方法,并提供了完整的Matlab代码实现。研究旨在通过优化风电机组、光伏机组、燃气轮机、储能系统等多种能源设备的容量配置,实现系统在经济性、环保性和能源利用率等方面的多目标平衡。文中构建了综合能源系统容量配置的数学模型,明确了以最低综合成本、最小碳排放为核心的目标函数,以及能量供需平衡、设备出力能力等关键约束条件,并详细阐述了MOPSO算法的实现流程,包括种群初始化、非支配排序、拥挤距离计算和外部存档更新等核心机制。最后,通过Matlab平台的仿真实验验证了该方法的有效性,结果表明该算法能够生成分布均匀且具有良好多样性的Pareto最优解集,为决策者根据不同侧重点选择最终方案提供了科学依据。; 适合人群:具备一定电力系统、优化算法和Matlab编程基础的研究生、科研人员及工程技术人员。; 使用场景及目标:① 学习和掌握综合能源系统容量配置问题的建模方法;② 深入理解多目标粒子群算法(MOPSO)的核心原理及其在实际工程优化问题中的应用;③ 获取可直接运行和修改的Matlab代码,用于复现研究成果或进行二次开发。; 阅读建议:建议读者在阅读时,首先理解综合能源系统的背景和优化问题的数学建模过程,然后结合提供的Matlab代码,逐步跟踪算法的执行流程,重点关注目标函数和约束条件的代码实现,以及MOPSO算法中非支配排序和拥挤距离计算等核心模块。为了更好地掌握,可以尝试调整算例参数、增减优化目标或修改算法参数,观察结果的变化。

PSO-LSTM基于PSO优化LSTM网络的电力负荷预测(Python代码实现)

内容概要:本文提出了一种基于粒子群优化算法(PSO)优化长短期记忆网络(LSTM)的电力负荷预测方法,并通过Python代码实现了完整的模型构建与仿真验证。该方法利用PSO算法全局寻优的能力,自动优化LSTM网络的关键超参数,如学习率、隐含层节点数、训练迭代次数等,从而克服传统LSTM依赖人工调参导致的预测精度不高和收敛速度慢的问题。文中详细阐述了PSO-LSTM混合模型的架构设计、算法流程及其实现细节,结合实际电力负荷数据进行了实验验证,结果表明该模型在预测精度、稳定性与泛化能力方面均优于标准LSTM及其他传统预测模型,尤其适用于短期电力负荷预测任务。; 适合人群:具备一定Python编程基础和机器学习理论知识,从事电力系统分析、能源管理、智能电网调度及相关领域研究的研发人员、工程技术人员及高校研究生。; 使用场景及目标:①应用于电力系统短期负荷预测,提升电网运行调度的科学性与经济性;②为能源管理系统提供高精度负荷数据支持,优化发电计划与资源配置;③作为智能优化算法与深度学习融合的教学案例,帮助学习者掌握PSO与LSTM协同建模的方法与实践技巧;④为后续研究提供可复现的代码基础和技术参考。; 阅读建议:建议读者结合提供的Python代码,动手复现整个建模与训练过程,深入理解PSO优化机制与LSTM网络结构的耦合方式,并尝试在不同时间尺度和负荷场景的数据集上进行迁移测试,以全面评估模型的适应性与鲁棒性。

基于粒子群优化算法的三方三层的主从博弈能源系统优化模型研究(Matlab代码实现)

内容概要:本文研究了基于粒子群优化算法的三方三层主从博弈能源系统优化模型,旨在通过Matlab代码实现对包含风、光、火、储等多种能源形式的综合能源系统进行优化调度。该模型构建了包含能源供应商、运营商与用户三类主体的多层次博弈架构,引入主从博弈机制,将不同参与者划分为领导者与跟随者角色,并在不完全信息环境下采用Epsilon纳什均衡策略实现多方利益协调。结合多目标粒子群优化算法,有效解决了系统运行成本、峰谷差与碳排放等多重目标间的权衡问题。研究进一步整合了需求响应与电能转气(P2G)等灵活性资源,提升了系统调节能力,并通过IEEE39等标准系统进行潮流计算与电能质量分析,验证了模型在提升综合能源系统经济性、稳定性与环保性方面的有效性。; 适合人群:具备电力系统、优化算法及博弈论基础知识的科研人员与研究生;从事能源系统优化、智能调度及相关领域研究的专业技术人员;有志于复现高水平期刊论文成果并开展创新性研究的硕博生。; 使用场景及目标:① 学习并掌握主从博弈在综合能源系统中的建模方法与求解流程;② 理解多目标粒子群算法在复杂能源调度问题中的应用技巧;③ 掌握需求响应、P2G等灵活性资源在系统优化中的集成方式;④ 借助Matlab代码复现IEEE39系统的潮流计算与电能质量分析过程,支撑科研项目或学术论文撰写。; 阅读建议:本资源以Matlab代码为核心载体,强调理论建模与仿真实践的深度融合。建议读者在学习过程中结合博弈论与智能优化算法的基础理论,逐步调试代码并分析关键参数的影响,重点关注Epsilon纳什均衡的实现逻辑与多目标优化的收敛特性,从而深入理解能源系统协同优化的内在机制。

利用kettle进行数据库数据比对

Kettle是一款国外开源的ETL工具,纯java编写,可以在Windows、Linux、Unix上运行,数据抽取高效稳定。本人用的版本是6.1。 之前用kettle这个开源的ETL工具是用来做数据抽取的,这次测试有个需求,是做数据库数据的比对。验证源表到目标表的逻辑正确,从而利用源表自己写SQL逻辑,生成的结果和目标表去比对。这次想到了利用kettle的数据比较功能,来做这些数据校验。 ...

多米诺DU的专栏 1万+

三菱FX5U运动控制(步进)

三菱FX5U脉冲定位控制,原点回归,相对定位,绝对定位,运动控制案例。

weixin_55762091的博客 1万+

动态刷新曲线_【GhPython应用】利用反射刷新Image sampler组件

【版权声明】| 作者:月之眼|案例图片来源:Sergiu Radu Pop的facebook| 如有侵权,请联系大水牛平台|如果觉得文章不错,欢迎分享效果展示利用python刷新Image sampler组件,主要的思路就是X输入端:输入要切换的图片路径,我的案例中输入了9张图片。然后通过100毫秒切换一张图片显示,来达到动态显示效果。代码分析run输入端类型:bool (I...

weixin_42393829的博客 532

UDS 诊断 - CommunicationControl(通信控制)(0x28)服务 诊断

字节参数名称字节值#1CommunicationControl(通信控制)请求SID0x28#2#3communicationType(通信类型)#4nodeIdentificationNumer(节点标识符)(高位字节)controlType 为 0x04 或 0x05 时,使用该参数#5nodeIdentificationNumer(节点标识符)(低位字节)controlType 为 0x04 或 0x05 时,使用该参数。

耳朵东金子千的博客 1822

视觉机器人抓取实战:从物体定位到抓取估计的完整流程解析(附Python代码示例)

本文详细解析了视觉引导机器人抓取的完整技术流程,涵盖从物体定位、位姿估计到抓取估计的核心步骤。通过Python代码示例,演示了如何使用Open3D等工具进行点云处理、平面分割、PCA与ICP位姿估计,以及基于几何启发式的抓取生成方法,为机器人视觉抓取开发提供了清晰的实战指南。

peach的博客 915

【示波器专题】示波器探头的原理深入——有源探头之单端有源探头

由于接地环路的苛刻要求,更高带宽的单端有源探头就算设计了也不实用。因此单端有源探头的带宽一般在6GHz以内,更高带宽的信号测量也只能使用差分有源探头(市面上有些型号的差分探头可同时兼顾单端测试)。......

一点硬件 2147

智联招聘Python岗位数据采集:基于API请求的校园招聘信息爬取实战

本项目开发了一个智联招聘Python岗位校园招聘数据采集系统,采用requests库直接调用API接口获取结构化数据。系统通过分析API接口结构,配置完整的请求头、Cookie和身份验证参数,实现了10页数据的批量采集。采集内容包括工作名称、薪资范围、企业信息等10个关键字段,并存储为Excel格式。项目严格遵守网络爬虫规范,合理控制请求频率,数据仅用于技术学习和就业分析。技术实现涉及API逆向工程、JSON数据处理、防御性编程等核心技能,为学生职业规划和教育机构教学改革提供数据支持。

那些看似不起波澜的日复一日,会在某天让你看到坚持的意义 631

波士顿房价预测分析----以线性回归LinearRegression为例

波士顿房价数据集包括506个样本,每个样本包括13个特征变量和该地区的平均房价,房价显然和多个特征变量相关,先选择一元线性回归与多个特征建立线性方程,观察模型预测的好坏,再选择多元线性回归进行房价预测。13个特征变量缩写含义CRIM城镇人均犯罪率ZN住宅用地所占比例INDUS城镇中非住宅用地所占比例CHAS虚拟变量,用于回归分析NOX环保指数RM每栋住宅的房间数AGE1940 年以前建成的自住单位的比例DIS距离 5 个波士顿的就业中心的加权距离RAD。

我走的每一步都算数 843

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

上一篇: 18、React Native 动画实战:构建滑块拼图游戏
下一篇: 39、MicroPython项目资源与社区贡献指南
pluto
博客等级 码龄25年 46粉丝 1562原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值