CAS 与 DRM 的区别

本文介绍了数字电视条件接受系统(CAS)与数字版权管理(DRM)的概念和技术原理。CAS用于控制用户对数字电视服务的接收权限,而DRM则保护数字内容不被非法复制和传播。文中还对比了二者的技术差异及应用场景。

CAS

CAS: Conditional Access System, 数字电视条件接受系统。

它是用来控制订户(Subscriber)对广播服务或者节目进行接收的系统,即订户只能收看经过授权的广播服务或者节目。

CAS是实现个性化服务的关键,其基本的目的就是在电视台的电视系统中对用户进行授权控制及授权管理,从而实现数据广播系统的有偿服务。

从技术的角度来看,该系统又是一个综合性的系统,集成了多种先进技术,包括系统调度管理、网络技术、数字压缩编码、加解扰技术、加解密技术、复用器技术、调制解调技术、机顶盒技术、智能卡技术等。

DRM

DRM: Digital Rights Management, 数字版权管理。

数字内容与传统实物产品的最大不同在于可以接近零成本地复制和传播。

如果是这样,就没有人愿意为获取数字内容而付费,从而破坏整个数字内容产业链。

因此对于数字内容产业来说,一个关键问题是如何通过技术手段保护数字内容免遭非法复制、传播。

DRM数字版权保护技术正是为此而生,它的核心主要是两项:一是数字加密,阻止数字内容的非法传播;二是权限控制,限制使用数字内容的方式,如使用期限,可否打印,能否从电脑拷贝到手机上等。

DRM工作原理是,首先建立数字节目授权中心,经编码压缩后的数字节目内容利用密钥(Key)进行加密保护(lock),加密后的数字节目头部存放着KeyID和节目授权中心的URL。

用户播放时,根据节目头部的KeyID和URL信息,通过数字节目授权中心的验证授权后送出相应的密钥解密(unlock)才可播放节目。

DRM技术主要应于在电子书、电子文件、音频与视频流媒体、图形图像、移动多媒体等五个方面。

CAS 与 DRM 的区别

从安全技术上讲,DRM和CAS都源自PKI(Public Key Infrastructure )即“公钥基础设施”的密码学,PKI同时还有一种非常广泛的行业应用——银行业的网上电子银行支付。在银行业PKI保护的是电子钱,在广电或者电信行业PKI保护的多媒体、数字出版、应用程序等电子文化产业的版权。CAS是保护内容实时传输的安全,不会被盗版,目前的主要应用是在机顶盒和运营商的之间的距离,而DRM保护的是内容所有者和内容消费者之间流通的安全;CAS的目标是对各种广电运营商的前端进行加密,然后对各种要求接入机顶盒和电视机进行认证,同时通过智能卡和CAM卡解出CW来允许终端播放,而DRM有所不同,它首先要建立一个认证中心,然后对所有电子出版物(如视频、音频、文章、程序等)进行版权认证,进入它的版权保护数据库,同时对市场主流的电子出版物的浏览器,播出器、阅读器进行认证,并对各种负责电子出版物流动的运营商进行认证,由各个运营商对电子出版物版权进行实际商业管理,并对各认证终端的实际授权情况进行统计,这种体系可以有效的保护电子出版物的数字版权。

从前述可以看出:CAS基本上用在传统的广电行业,它只对传输通道提供安全保护,而DRM主要用在基于IP协议基础上,是对内容的一系列保护,可以支持文件级的保护,也可以支持实时流的保护,在双向网络环境下,DRM技术的潜力要比CAS更大。下面就以服务商将某部电影传送给某合法用户为例来说明 ,CAS只能保护这部电影传到用户手中是安全的,若用户接收到这部电影后再转拷贝给其它非法用户的话,CAS就束手无策了,而DRM则可以完全保护这部电影无法复制给其它非法用户,因此可以认为CAS是DRM的初级形式。伴随三网融合步伐的快速来临,相信CAS必将退出历史舞台而由DRM替代。

 

转自:http://www.doc88.com/p-7354280134144.html

 

 

 

训练数据保存为deep_convnet_params.pkl,UI使用wxPython编写。卷积神经网络(CNN)是一种专门针对图像、视频等结构化数据设计的深度学习模型,在计算机视觉、语音识别、自然语言处理等多个领域有广泛应用。其核心设计理念源于对生物视觉系统的模拟,主要特点包括局部感知、权重共享、多层级抽象以及空间不变性。 **1. 局部感知卷积操作** 卷积层是CNN的基本构建块,使用一组可学习的滤波器对输入图像进行扫描。每个滤波器在图像上滑动,以局部区域内的像素值滤波器权重进行逐元素乘法后求和,生成输出值。这一过程能够捕获图像中的边缘、纹理等局部特征。 **2. 权重共享** 同一滤波器在整个输入图像上保持相同的权重。这显著减少了模型参数数量,增强了泛化能力,并体现了对图像平移不变性的内在假设。 **3. 池化操作** 池化层通常紧随卷积层之后,用于降低数据维度并引入空间不变性。常见方法有最大池化和平均池化,它们可以减少模型对微小位置变化的敏感度,同时保留重要特征。 **4. 多层级抽象** CNN通常包含多个卷积和池化层堆叠在一起。随着网络深度增加,每一层逐渐提取更复杂、更抽象的特征,从底层识别边缘、角点,到高层识别整个对象或场景,使得CNN能够从原始像素数据中自动学习到丰富的表示。 **5. 激活函数正则化** CNN中使用非线性激活函数来引入非线性表达能力。为防止过拟合,常采用正则化技术,如L2正则化和Dropout,以增强模型的泛化性能。 **6. 应用场景** CNN在诸多领域展现出强大应用价值,包括图像分类、目标检测、语义分割、人脸识别、图像生成、医学影像分析以及自然语言处理等任务。 **7. 发展演变** CNN的概念起源于20世纪80年代,其影响力在硬件加速和大规模数据集出现后真正显现。经典模型如LeNet-5用于手写数字识别,而AlexNet、VGG、GoogLeNet、ResNet等现代架构推动了CNN技术的快速发展。如今,CNN已成为深度学习图像处理领域的基石,并持续创新。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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