京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据时代必须破解的重大现实课题
当今,社会信息化和网络化的发展导致数据爆炸式增长,全球数据量大约每两年翻一番,这意味着人类在最近两年产生的数据量相当于之前产生的全部数据量。大数据时代已经到来,大数据渗透到各个行业领域,逐渐成为一种生产要素发挥着重要作用,成为未来竞争的制高点。然而,大数据掀起新一轮生产率提高和生活方式改变的同时,随之而来的是安全挑战,这是我们必须破解的重大现实课题。
大数据隐患
面临三大风险问题
数据生命周期安全问题。伴随着大数据技术和应用的快速发展,在大数据生命周期的各个阶段、各个环节,越来越多的安全隐患逐渐暴露出来。比如,大数据传输环节,除了存在泄漏、篡改等风险外,还可能被数据流攻击者利用,数据在传播中可能出现逐步失真等。又如,大数据处理环节,除数据非授权使用和被破坏的风险外,由于大数据的异构、多源、关联等特点,即使多个数据集各自脱敏处理,数据集仍然存在因关联分析而造成个人信息泄漏的风险。
基础设施安全问题。作为大数据汇集的主要载体和基础设施,云计算为大数据提供了存储场所、访问通道、虚拟化的数据处理空间。因此,云平台中存储数据的安全问题也成为阻碍大数据发展的主要因素。在云计算安全方面,云安全联盟2016年发布的云安全十二大威胁中,“数据泄露”高居榜首。美国国家标准技术研究院指出安全是公共云计算面临的最大障碍,潜在风险包括:一是云计算环境复杂,产生了比较大的受攻击面;二是多租户共享计算资源,增加了网络和计算基础设施的风险,一个用户的数据和应用可能在无意中暴露给其他用户;三是公共云计算通过互联网交付,用户的应用和数据面临来自网络和暴露接口的威胁;四是用户失去了对系统和数据在物理和逻辑上的控制。
个人隐私安全问题。在现有隐私保护法规不健全、隐私保护技术不完善的条件下,互联网上的个人隐私泄露失去管控,微信、微博、QQ等社交软件掌握着用户的社会关系,监控系统记录着人们的聊天、上网、出行记录,网上支付、购物网站记录着人们的消费行为。但在大数据时代,人们面临的威胁不仅限于个人隐私泄露,还在于基于大数据对人的状态和行为的预测。近年来,国内多省社保系统个人信息泄露、12306账号信息泄露等大数据安全事件表明,大数据未被妥善处理会对用户隐私造成极大的侵害。因此,在大数据环境下,如何管理好数据,在保证数据使用效益的同时保护个人隐私,是大数据时代面临的巨大挑战之一。
大数据安全
全方位加强数据安全治理
我国“十三五”规划纲要提出要实施国家大数据战略,强化信息安全保障。为保障大数据发展战略的顺利实施,应大力加强数据安全治理。
加强数据安全管理。明确数据安全治理目标,解决“云、管、端”三类数据的违规监控和泄漏防护问题,对涉及敏感内容的数据存储、传输、使用过程进行全方位监控、审计、实时防护,防止敏感数据泄露、丢失,确保数据的价值实现、运营合规和风险可控。建立数据安全治理的保障机制,包括确立数据安全治理的战略;健全数据安全治理的组织机制,明确数据安全管理的角色和责任;建立满足业务战略的数据架构和架构管理策略;识别政策、法律、法规要求,跟踪相关标准规范的进展并采取措施予以积极落实。根据确定的数据安全角色和责任,分解落实各项数据安全治理任务,有序开展各项治理工作。建立对数据安全治理的监督评估机制,提升数据安全治理的有效性。
加强敏感数据管控。采取相关技术措施,加强对敏感数据的管控。既要开展数据分级分类工作,对敏感数据进行识别定义,为采用技术手段实现对敏感数据的安全管控提供基础;又要建设数据安全管控系统,在数据分级分类基础上,对传统环境和云计算环境下的数据进行深度内容识别,并通过展示界面实时、动态展示敏感信息分布态势、传输态势、使用态势及整体安全风险态势;还要对涉及敏感内容的数据存储、传输、使用过程实现全方位监控、审计、实时防护。
加强平台安全防护。大数据承载平台应遵循国家网络安全等级保护制度的要求,根据确定的安全等级采取相应的安全保障策略。从物理、网络、主机、应用、数据和管理等多个层面,构建层次化的纵深安全防御体系,有效保障各业务应用系统、大数据软件平台及承载其运行的云计算平台的系统安全。既要加强大数据资源、环境、系统整体防护,建设多重防护、多级互联体系结构,确保大数据处理环境可信;又要加强处理流程控制,防止内部攻击,提高计算节点自我免疫能力;还要加强全局层面安全机制,制定数据控制策略,梳理数据处理流程,建立安全的数据处理模式;更要加强技术平台支持下的安全管理。
加强数据安全评估。通过深入贯彻等级保护、风险评估等相关制度,对数据安全治理实施的符合性和质量进行监督评估,形成数据安全治理的闭环管理。要开展对大数据承载平台的定期安全评估;加强对大数据相关信息系统的安全评估;跟踪大数据相关评估标准的进展,适时开展对大数据安全的数据可信性和隐私保护程度等指标的评估。通过体系化的大数据安全评估,促使大数据系统在数据安全方面达到运营合规、风险可控的目标。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19