研究发现,脸谱网和谷歌在流媒体上有广告跟踪器

现代电视通过互联网而不是通过电缆或无线方式提供给您,这是一个现代问题:您所有连接到互联网的流媒体设备正在监视您,并将数据反馈给广告商。本周有两组独立的研究人员发布了一些论文,这些论文可以衡量电视对您进行的监视程度。他们还分清究竟是谁从有或没有消费者知识的情况下从大量消费者数据中受益。

普林斯顿大学和芝加哥大学的研究人员进行的第一项研究(PDF)专门针对Roku和亚马逊的机顶盒设备。对两个平台的2,000多个频道进行的审查发现,在69%的Roku频道和89%的Amazon Fire TV频道中都存在跟踪器。

研究人员发现,最流行的跟踪器Google的doubleclick.net出现在前1000个Roku频道中的975个中,而Google Analytics(分析)跟踪器则出现在360个中。在亚马逊方面,也许不足为奇,亚马逊追踪器是最流行的,在1,000个频道中有687个出现。DoubleClick跟踪器位于307个频道中,Facebook跟踪器位于196个频道中。

研究人员发现,跟踪不仅包括发送可能期望的有关视频标题的信息,而且还包括永久性的设备标识符和无线SSID信息。研究人员还发现,大多数通过跟踪器发回信息的渠道均以未加密的明文形式发送了信息。

由东北大学和伦敦帝国学院的研究人员进行的第二项研究(PDF)研究了范围更广的与云连接的消费设备。除了普林斯顿大学和芝加哥研究人员调查过的相同的OTT插入设备之外,东北大学和帝国理工学院的研究人员还研究了几种不同的智能电视和其他设备。

研究人员发现,电视对于他们接触的“唯一第三方目的地”而言是最差的,这证实了以明文发送大量数据的发现。研究人员指出,Facebook,Amazon和Doubleclick以及Akamai和Microsoft再次成为消费者数据的最大接收者,它们都是托管服务提供商。

但是,也许最令人惊讶的是Netflix。研究人员写道:“ 即使我们从未使用Netflix帐户配置任何电视,我们测试台中几乎所有的电视设备都与Netflix联系。” “至少,这将向Netflix公开有关给定位置的电视型号的信息,”如果不是更多的话。

一个老问题,越来越严重

制作和分发内容的公司一直在寻求尽可能多的有关消费者消费方式的数据。对于基于广告销售的市场,这种度量是有意义的-您可以向公司收取多少费用才能刊登广告,在很大程度上取决于其广告预期会吸引多少关注。

该模型的主导地位适用于所有需要赚钱的媒体类型,这就是全部。一家报业公司始终能够分辨出一天或一周内售出了多少本刊物,并且能够根据其订户基础收集一些数据。数字媒体机构非常了解有多少人阅读故事或观看视频。电视当然没有什么不同。量化技术巨头尼尔森(Nielsen)早在1950年就推出了电视收视服务-一种庞大的受众测量工具。

但是,数字革命已使数据收集变得极其精确,精细和永久,这给用户隐私带来了麻烦。这对研究论文明确了用户跟踪发生的程度以及发生跟踪的某些机制,这是有用的信息。但这并不是什么新鲜事物,而且业务发展缓慢,因为它有一定的财务诱因。

ProPublica 早在2015年就进行了深入研究,引起了人们对电视制造商Vizio高度详细的消费者跟踪的关注。该公司最终于2017年与联邦贸易委员会达成和解协议,指控后者未经知情或同意就追踪了1100万观众的使用数据。Vizio还面临有关跟踪的集体诉讼,该公司使用电视显示器自己将事件告知设备所有者。

消费者选择

两项研究都发现,除了完全选择退出21世纪媒体之外,消费者在防止追踪器获取和共享信息方面的选择极为有限。

普林斯顿研究得出的结论是,过去的研究发现“观看者发现与广告商共享数据是不可接受的”。但是“我们的调查结果表明,这些相关的用户只能使用有限的选项。作为新兴平台,OTT服务缺乏Web和移动平台上可用的工具,控件和对策。”

研究人员发现,即使是熟悉计算机和移动设备上的广告拦截服务的人,也无法对电视设备上的情况做很多事情。“广泛收集诸如MAC地址和序列号之类的持久性设备标识符将使用户无法使用的少数防御措施之一:重置其广告ID。”

该研究称,用户可以使用选项来限制Roku设备上的广告跟踪,或者禁用Amazon Fire TV设备上的基于兴趣的广告。在Roku上启用“限制广告跟踪”会将广告ID泄漏的次数减少为零,“但不影响渠道联系的跟踪器的数量”。同时,在Fire TV上禁用基于兴趣的广告,导致泄漏广告ID信息的渠道减少了50%,但是“剩余的流量,包括传达给跟踪器的其他标识符,基本上保持不变”。

智能电视机的所有者可以深入研究其设备的设置,以找到选项,其中包括禁用自动内容识别或限制使用个性化广告。可用选项因设备制造商而异。

内容概要:本文提出了一种基于改进扩散模型的高海拔地区新能源高波动出力场景生成方法,并提供了完整的Python代码实现。该方法针对高海拔地区风能、光伏等新能源出力波动剧烈、不确定性高的特点,通过优化扩散模型的结构与训练策略,有效捕捉历史数据的概率分布特征与时序相关性,从而生成高质量、多样化的出力场景。文中详细阐述了模型的数学推导、网络架构设计、损失函数优化及采样算法改进,并通过实验证明其在拟合精度、场景多样性与稳定性方面优于传统生成模型,为电力系统在高比例新能源接入下的规划、调度与风险评估提供了可靠的场景输入支持。; 适合人群:具备一定Python编程能力机器学习基础,从事新能源发电预测、电力系统分析、智能优化、场景生成等方向研究的科研人员、高校研究生及工程技术人员。; 使用场景及目标:①用于高海拔地区风电、光伏出力的不确定性建模与多场景生成;②支撑含高渗透率新能源的电力系统随机优化调度、鲁棒决策与风险评估;③为相关学术研究、论文复现与算法改进提供可运行的技术方案与代码基础; 阅读建议:建议读者结合所提供的完整资源(代码、数据集、说明文档)进行实践操作,重点关注扩散模型的前向加噪与反向去噪过程的设计细节,以及如何将其适配于新能源时序数据的生成任务,通过参数调优与对比实验深入理解模型的生成机制与性能边界。
内容概要:本文围绕基于静态约束法的配电网电动汽车接入容量评估展开研究,提出了一种在新型电力系统背景下评估主动配电网对电动汽车承载能力的方法。研究通过构建数学模型,结合潮流计算与关键约束条件(如电压越限、线路过载等),量化分析配电网可承受的最大电动汽车充电负荷容量,旨在识别规模化电动汽车接入带来的潜在运行风险,并为电网规划与运行提供科学依据。文中配套提供了完整的Matlab代码实现,便于仿真验证与结果复现。此外,该研究与分布式光伏承载力评估、电动汽车可调能力分析等方向形成技术联动,展现了多主题协同的研究体系。; 适合人群:具备电力系统分析基础理论知识及Matlab编程能力的高校研究生、科研机构研究人员,以及从事新能源并网、智能配电网规划与运行等相关领域的工程技术人员。; 使用场景及目标:①用于学术研究中的模型复现与论文撰写支撑;②评估实际配电网中电动汽车大规模接入的可行性与安全边界,指导充电基础设施布局;③作为高校教学案例,帮助学生深入理解电网承载力评估的核心原理、建模方法与仿真技术; 阅读建议:建议结合文中提及的相关研究方向(如二阶锥规划、多面体聚合方法等)进行对比学习,充分利用所提供的Matlab代码与网盘资料开展仿真实验,重点关注约束条件的设定逻辑与潮流计算模块的实现细节,以深化对评估模型机理与工程应用价值的理解。
内容概要:本文围绕“考虑隐私保护的分布式联邦学习电力负荷预测研究”展开,提出了一种基于Python实现的联邦学习框架,旨在解决居民或行业电力负荷预测中用户电表数据隐私泄露的风险。该研究通过构建分布式机器学习模型,使各参与方在不共享原始数据的前提下协同训练全局模型,有效实现了数据“可用不可见”。文中详细阐述了联邦学习的整体架构设计、本地模型训练流程、参数加密传输与安全聚合机制,并结合差分隐私等技术进一步增强系统的隐私保护能力。同时,研究利用真实电力负荷数据集进行了实验验证,展示了方法在预测精度与隐私保障之间的良好平衡,并提供了完整的代码实例与复现指南,便于后续研究与应用拓展。; 适合人群:具备一定机器学习基础电力系统背景知识,从事智慧能源、隐私计算或人工智能相关方向研究研究生、科研人员及工程技术人员。; 使用场景及目标:① 实现跨区域、跨主体的电力负荷协同预测,打破数据孤岛;② 在确保用户用电数据隐私安全的前提下提升负荷预测准确性;③ 推动联邦学习在智能电网、需求响应、虚拟电厂等场景中的实际部署与应用。; 阅读建议:建议结合文中提供的Python代码与网盘资料进行动手实践,重点关注联邦学习的通信轮次设计、模型聚合算法(如FedAvg)的实现细节以及差分隐私噪声添加策略,深入理解其对模型性能与隐私强度的影响,为进一步优化与创新奠定基础。
VDA_Band_19.1_3rd edition_2026 English Inspection of Technical Cleanliness 内容概要:本文档为德国汽车工业协会(VDA)发布的第三版《技术清洁度检验:功能相关汽车部件的颗粒污染检测》(VDA 19.1),系统规范了汽车行业中零部件技术清洁度的检测方法与流程。文件涵盖从取样、提取、过滤到分析的全流程标准化操作,重点更新了干法提取(如 Stamp Test 刷吸法)、小于50µm颗粒的检测、光学子系统SEM/EDX标准分析方法,并引入统一材料分类体系以提升结果可比性。同时明确了“标准分析”与“自由检验”的区别,前者用于高兼容性检测,后者允许客户与供应商协商定制参数。文档还强化了对非可测组件的技术清洁保障、测量不确定度评估及方法验证的要求,并提供了多个实际案例支持应用落地。; 适合人群:适用于汽车制造业中从事质量控制、工艺开发、供应商管理及相关检测实验室的技术人员管理人员,尤其适合具备一定质量管理或洁净度检测基础的专业人员。; 使用场景及目标:①用于制定执行零部件清洁度检测标准;②指导 incoming/outgoing 检验及生产过程监控;③支持失效分析与质量改进项目;④作为企业内部审核技术交流的依据; 阅读建议:建议结合VDA 19.2及其他相关标准配套使用,重点关注各章节中的起始参数设定、方法选择逻辑及附录中的检查表示例,在实际操作中同步开展方法验证与人员培训,确保检测结果的有效性可追溯性。
内容概要:本研究聚焦于电动汽车(EV)作为灵活可调资源的能力评估,提出了一种基于多面体聚合与闵可夫斯基的数学建模方法,用以精确刻画大规模电动汽车集群的可调能力范围。通过将单辆电动汽车的充放电行为抽象为几何空间中的多面体可行域,并利用闵可夫斯基实现对群体可行域的高效聚合,从而构建出能够反映整体调节潜力的统一数学表达。该方法在Matlab平台上实现了完整的仿真代码,支持对不同场景下电动汽车集群的上、下调能力进行量化评估,为电网调度、需求响应及电力市场机制设计提供了理论依据与工具支撑。; 适合人群:具备电力系统分析、优化理论及Matlab编程基础的研究生、科研人员及从事新能源、智能电网相关工作的工程师。; 使用场景及目标:①用于评估大规模电动汽车接入背景下系统的灵活性资源潜力;②支撑含高比例可再生能源的电力系统调度与规划决策;③为需求响应项目中EV聚合商参与电力市场提供能力申报的技术手段;④作为教学案例帮助理解集合运算在电力系统中的应用。; 阅读建议:学习者应结合Matlab代码深入理解多面体建模与闵可夫斯基的实现细节,建议从单车模型入手逐步过渡到集群聚合,并尝试调整参数(如数量、SOC分布、功率限制)观察聚合结果的变化,以增强对模型特性的掌握。
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