line無法使用全數刪除的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

一個可重售影像數位執照的安全數位版權管理機制

為了解決line無法使用全數刪除的問題，作者楊學淳 這樣論述：

背景: 近年來由於資訊科技的普及，使得數位內容得以廣泛地被分享和瀏覽，若是沒有保護機制，這些數位內容容易被不合法的複製和使用，而數位版權管理正是如何保護數位內容的關鍵議題。動機: 目前的數位版權管理只著重在發行者的權利保護，而忽略了消費者一般的使用行為，如此會影響到消費者對於被保護的數位內容的購買意願。目的: 本論文提出了一個可重售的數位版權管理機制，解決消費者購買被保護的數位內容卻無法重新販售的問題，並且利用了祕密分享的技術和浮水印來達到數位執照的驗證。結果: 我們提出多階層的安全數位版權管理機制，在數位內容中嵌入秘密分享來保護數位版權，我們實驗以圖像為例，在嵌入秘密分享第一和第二次，圖片

品質較好，並且能抵擋攻擊。然而，在圖片中嵌入秘密分享第三次，品質以及抵擋攻擊部分較為不如預期。貢獻: 本篇研究有以下貢獻：(1) 在數位版權管理的架構中，新增加了一個重售者新的角色; (2) 解決數位內容重售之後，消費者數位執照的新增與刪除問題。

基因資料庫中相似與不相似型樣搜尋技術之研究

為了解決line無法使用全數刪除的問題，作者李孝屏 這樣論述：

在本研究中，我們將討論從生物 DNA 序列資料庫中搜尋相似型樣(similar pattern)與不相似型樣(dissimilar pattern)的問題，並為這些問題設計快速、有效的搜尋演算法。隨著儲存在資料庫中的資料量以及使用者查詢次數的快速增加，可將不可能是答案之型樣快速、及早刪除的過濾演算法在解決相似型樣搜尋的問題上日益受到重視且益發重要。然而，現有以 gram 為基礎的過濾演算法皆沒有考慮 gram 在型樣上排列的順序，因而可能造成演算法過高的誤判率，導致過濾效果不彰的結果。在本研究中，我們將搜尋滿足指定誤差量(mismatch)與涵蓋率(coverage)條件之相似型樣的問題，轉

換為有範圍限制之最長遞增子序列(longest increasing subsequence)搜尋問題，並提出稱之為 IDCF 的快速過濾演算法。由我們所得的實驗數據可看出， IDCF 演算法因將 gram 在型樣上出現的順序列入考慮，明顯的降低了相似型樣之候選資料數量，有效提升了搜尋效能。不相似型樣可用做分辨資料庫中不同序列的特徵(signature)。為了達到快速搜尋不相似型樣的目的，我們設計了稱之為 IMUS 與 USD 的兩個特徵型樣搜尋演算法。其中， IMUS 演算法可用以處理可全數被載入內部記憶體進行處理的小型生物序列資料，而 USD 演算法則使用 IMUS 演算法為處理核心，是一

個專為處理資料量過大、無法全數被載入內部記憶體的大型資料庫而設計的演算方法。根據我們的實驗結果可發現， IMUS 與 USD 演算法在處理過程中所需的字元比對次數很明顯的少於現有之特徵型樣搜尋演算法。在一台普通的個人電腦上， IMUS 與 USD 演算法可在一天內完成從資料量為156MB的人類11號染色體序列中搜尋出不相似特徵型樣的工作，而在人類Y染色體序列上搜尋特徵型樣的工作則僅需35秒即可完成。特徵型樣搜尋演算法通常需要設定包括型樣長度 l 與誤差容忍度 d 在內的參數，這些參數值的設定將影響搜尋所得之結果。然而，如何為搜尋設定適當的參數值之建議與準則卻很少被提及，尤其是在處理不熟悉的資料

庫時，此一問題更加嚴重。在大多數的情況下，生物學家只能先依據過去的經驗甚至是猜測的方式來設定型樣搜尋演算法之參數值，如果因此而得到的結果無法令人滿意，就嘗試其他的參數組合，並重新進行搜尋，上述嘗試錯誤的過程一再重複，直到找出令人滿意的結果為止。對於指定的搜尋條件(l, d)，我們將所有長度小於等於 l 且誤差容忍度大於等於 d 的特徵型樣稱之為該搜尋條件下的隱含特徵型樣(implicit signature)。如果搜尋演算法可以快速、有效的將所有滿足使用者需求的隱含特徵型樣全數找出，當能改善重複地嘗試錯誤之狀況，對生物學家亦將有所幫助，但現有的特徵型樣搜尋演算法在設計時卻未將搜尋隱含特徵型樣的

需求考慮在內，因而搜尋效果並不理想。在本研究中，我們提出兩個特徵型樣搜尋演算法： Consecutive Multiple Discovery (CMD) 以及 Parallel and Incremental Signature Discovery (PISD)演算法。其中， PISD 演算法是專為在指定的搜尋條件下找出特徵型樣而設計的快速演算法它採用了漸進式搜尋(incremental discovery)的概念，以既有、已知的結果做為候選資料，並由候選資料中尋找新的結果，而不需針對資料庫的全部內容進行搜尋，另外，此演算法引入了平行運算的技術，以加快特徵型樣之搜尋；而 CMD 則是專為搜尋

隱含特徵型樣而設計的演算法，它採用 PISD 演算法做為處理核心，以便在各個特定的搜尋條件下，以漸進的搜尋方式，快速找出所有的隱含特徵型樣。我們所提出的漸進式演算法確實可快速、有效地從資料庫中搜尋出隱含特徵型樣，由實驗數據可知，當使用8個處理器時， CMD 演算法可較傳統循序搜尋演算法節省超過97%的執行時間。