上诉法院力挺FCC“网络中立”规则

简介:

美国哥伦比亚特区联邦上诉法庭近日作出判决,维持美国华盛顿特区巡回法庭原判,支持美国联邦通信委员会(FCC)的“网络中立”规则。但原告方并未放弃,正计划向最高法院提起上诉。

2015年2月,FCC投票通过“网络中立”规则。根据该规定,通信服务被重新归类到公共服务范畴内。也就是说,互联网供应商,包括无线服务供应商在内,都需要平等对待所有的合法网络流量。

在该案的核心判决中,哥伦比亚特区联邦上诉法院判定,FCC有充分理由对宽带服务实施公共事业式的监管,因为消费者不再依靠互联网服务提供商提供他们寻找的在线内容。

该法院的判决称,其在评估网络中立性规定方面的作用有限。法院还称,FCC的规定属于国会授权的权力范围之内。

FCC主席Tom Wheeler称,这一判决对理应不受限制地使用整个网络的消费者和创新者来说是一项胜利,它确保互联网仍是一个无上创新、自由表达和经济增长的平台。

美国无线运营商AT&T的法律总顾问David McAtee发表声明称:“我们总是期望这个问题能被最高法院裁决,我们正计划向最高法院起诉。”AT&T只是起诉FCC“网络中立”的公司和机构之一,其他原告还包括代表AT&T与Verizon的无线行业协会USTelecom、固定无线宽带服务商Alamo Broadband等。

这些原告要求法庭取消这项规则,指出FCC并无实施这项规则的权力。如果这些规则开始实行,将形成像19世纪铁路和20世纪30年代电话垄断那样的场景。

“网络中立”规则的支持者对此判决表示欢迎,Netflix发表声明向数以百万计的消费者表示祝贺。该公司称:“FCC现在已经有权维持网络开放性规则,并将注意力转向制定支持负担得起的高速互联网政策方面。”
本文转自d1net(转载)

相关文章
|
13天前
|
Python 数据可视化 索引
PYTHON用GARCH、离散随机波动率模型DSV模拟估计股票收益时间序列与蒙特卡洛可视化
PYTHON用GARCH、离散随机波动率模型DSV模拟估计股票收益时间序列与蒙特卡洛可视化
24 0
PYTHON用GARCH、离散随机波动率模型DSV模拟估计股票收益时间序列与蒙特卡洛可视化
|
13天前
|
机器学习/深度学习 算法 数据可视化
用SPSS Modeler的Web复杂网络对所有腧穴进行关联规则分析3
用SPSS Modeler的Web复杂网络对所有腧穴进行关联规则分析3
18 0
用SPSS Modeler的Web复杂网络对所有腧穴进行关联规则分析3
|
3月前
|
弹性计算 Linux 网络安全
三步搭建VPC专有网络NAT网关,配置SNAT和DNAT规则(补充版)
申明:该文档参考于用户 “帅宝宝”的文档进行的优化,新增永久生效的方式
292 1
|
机器学习/深度学习 算法 开发者
神经网络学习规则|学习笔记
快速学习神经网络学习规则
188 0
神经网络学习规则|学习笔记
|
网络协议
Wireshark网络抓包(一)——数据包、着色规则和提示
Packet Details面板内容如下,主要用于分析封包的详细信息。
Wireshark网络抓包(一)——数据包、着色规则和提示
【计算机网络】物理层 : 物理层设备 ( 中继器 | 中继器两端 | 中继器使用规则 5-4-3 规则 | 集线器 )
【计算机网络】物理层 : 物理层设备 ( 中继器 | 中继器两端 | 中继器使用规则 5-4-3 规则 | 集线器 )
192 0
【计算机网络】物理层 : 物理层设备 ( 中继器 | 中继器两端 | 中继器使用规则 5-4-3 规则 | 集线器 )
|
机器学习/深度学习 算法 数据挖掘
【数据挖掘】神经网络简介 ( 有向图本质 | 拓扑结构 | 连接方式 | 学习规则 | 分类 | 深度学习 | 机器学习 )(二)
【数据挖掘】神经网络简介 ( 有向图本质 | 拓扑结构 | 连接方式 | 学习规则 | 分类 | 深度学习 | 机器学习 )(二)
232 0
|
机器学习/深度学习 物联网 数据挖掘
【数据挖掘】神经网络简介 ( 有向图本质 | 拓扑结构 | 连接方式 | 学习规则 | 分类 | 深度学习 | 机器学习 )(一)
【数据挖掘】神经网络简介 ( 有向图本质 | 拓扑结构 | 连接方式 | 学习规则 | 分类 | 深度学习 | 机器学习 )(一)
689 0
|
弹性计算 网络协议 网络安全
三步搭建VPC专有网络NAT网关,配置SNAT和DNAT规则
自建NAT网关配置SNAT和DNAT转发规则
19074 3
|
安全 网络安全 数据安全/隐私保护