
数据泄露事件警示:需注意数据损坏和面临更大风险的可能性
如今,在新闻报道中从来不缺乏让人充满数据恐慌的故事。Facebook公司也正在引领这种潮流,由于该公司将个人信息提交给分析引擎剑桥分析导致数据泄露,而遭遇组织和用户的强烈的指责和批评。而雅虎公司最近公布的一份报告称,2013年其全部30亿用户的数据受到网络攻击而对外泄露,使其成为有史以来最大的数据泄露事件。
尽管这些故事不可避免地引起了人们的愤慨和警惕,但大多数人都认为,下一次重大违规事件是不可避免的,而受到影响的人数只会增加。虽然欧盟发布实施的《通用数据保护条例》(GDPR)将有助于减少人们的一些担忧,但对于大数据应用以及私有公司对个人数据的商业使用有着更加强烈的安全意识。
当然,数据安全性很糟糕,并且还有很长的路要走。而数据是当今创新的核心,这将在消费电子产品和临床医学等现代生活的各个领域都取得重大进展。即使人们不知道,它也会让人们的生活变得更好——为客户提供改进的服务、有针对性的消费者交易和复杂的忠诚度计划。
那么,人们如何才能最好地利用数据的好处并减轻不良影响?要做到这一点并非易事。
数据中心是组织业务的核心。人们可能会认为IT部门不像以前那样是创新和业务领导力的家园,但是大数据革命只能从专门构建的高效数据中心高效地提供。正确实施数据中心战略意味着企业拥有一个智能且可扩展的资产,能够更好地成长。但是如果没有正确实施,组织业务都将面临风险。而数据中心是大数据成功的基石。
据IBM公司称,目前全球90%的数据都是在过去两年中创建的。这些数据无处不在:传感器用于收集购物者信息,发布到社交媒体网站的帖子、数字、图片、视频、交易记录,以及手机GPS信号等。
而大数据应用的关键特征之一是它们需要实时或接近实时的响应。而这意味着任何组织的安全、服务器、存储和网络都承受着巨大的压力,而这些需求的影响在整个技术供应链中都会被感受到。IT部门需要部署更具前瞻性的容量管理功能,以便主动满足处理、存储和分析机器生成数据的需求。
关于数据中心构建与租赁的最终说法
对于即使是规模最大的组织来说,拥有和维护全资拥有的数据中心的成本也会非常高,因此在长期的构建与购买租赁的争论中,购买租赁这一做法占据上风。组织外包给第三方可以提供最好的保护,防止数据中心复杂性、成本和风险的增加,并且无需担心正常运行时间。运营商中立性连接意味着数据中心环境中的用户可以选择最适合其需求的运营商服务提供商,租赁数据中心设施为组织提供了大幅降低的前期成本。此外,数据中心提供商可以无缝地让组织的资源进行扩展,可以快速轻松地处理不断增长的存储需求。
高性能计算(HPC)曾经被看作是大型和超大型组织的技术储备,现在正被视为解决大数据所带来挑战的有效方式。高密度创新策略还可以最大限度地提高生产力和效率,增加数据中心的可用功率密度和计算能力。
对于很多人来说,采用云计算是那些希望采用高性能计算(HPC)用户的梦想。云计算可以提供几乎无限的存储空间和即时可用且可扩展的计算资源,这非常诱人,为企业用户提供非常现实的机会,可以租用他们无法承担的基础设施,并使他们能够运行大数据查询,从而对其组织的日常战略和盈利能力产生巨大的积极影响。
面临巨大的安全挑战
也许最重要的是,当谈到数据中心战略时,购买和租赁选项解决了组织担心的可靠性和安全问题,而这是涉及到公众对数据信任的最大问题。但对于很多人来说,这些担忧意味着大规模迁移到标准云(其安全性可能不那么先进)不是一种很好的选择。相反,精明的组织正在迅速认识到,在共享环境中部署混合云策略意味着IT可以更轻松地扩展和增长,而不会影响安全性或性能。
另外,托管数据中心或托管服务可以帮助组织处理灾难恢复需求,这得到越来越多的组织认识和接受,无论其数据驻留在何处,迟早都会受到影响,因此重要的是知道如何解决不可避免的问题,而不是试图解决无法解决的问题。当组织从专家那里购买服务时,他们的职责就是让组织的业务快速地重新运转。
通过选择托管服务,组织可以有效地实现两全其美的选择,而可以购买和租赁不间断电源、电网供应、备用发电机、空调冷却、全天候安全、弹性路径多光纤连接,也可以直接采用公共云平台以提供全套IT基础设施——所有这些都是组织构建和运营自身成本的一小部分。
所以,数据并不是恶魔,但人们需要注意数据损坏和面临更大风险的可能性,以及重大利益。适当的基础设施和良好的数据管理只能帮助控制不良情况并使产品更好。
从根本上说,大数据的成功始于数据中心。如果实施的不正确,即使是最具创新性的应用程序也会失败。虽然人们将继续看到大数据泄露事件层出不穷,而明智的公司只会关注数据中心的内容,而不是媒体关注的焦点。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
训练与验证损失骤升:机器学习训练中的异常诊断与解决方案 在机器学习模型训练过程中,“损失曲线” 是反映模型学习状态的核心指 ...
2025-09-19解析 DataHub 与 Kafka:数据生态中两类核心工具的差异与协同 在数字化转型加速的今天,企业对数据的需求已从 “存储” 转向 “ ...
2025-09-19CDA 数据分析师:让统计基本概念成为业务决策的底层逻辑 统计基本概念是商业数据分析的 “基础语言”—— 从描述数据分布的 “均 ...
2025-09-19CDA 数据分析师:表结构数据 “获取 - 加工 - 使用” 全流程的赋能者 表结构数据(如数据库表、Excel 表、CSV 文件)是企业数字 ...
2025-09-19SQL Server 中 CONVERT 函数的日期转换:从基础用法到实战优化 在 SQL Server 的数据处理中,日期格式转换是高频需求 —— 无论 ...
2025-09-18MySQL 大表拆分与关联查询效率:打破 “拆分必慢” 的认知误区 在 MySQL 数据库管理中,“大表” 始终是性能优化绕不开的话题。 ...
2025-09-18DSGE 模型中的 Et:理性预期算子的内涵、作用与应用解析 动态随机一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明确:TIF 中的地名有哪两种存在形式? 在开始提取前,需先判断 TIF 文件的类型 —— ...
2025-09-17CDA 数据分析师:解锁表结构数据特征价值的专业核心 表结构数据(以 “行 - 列” 规范存储的结构化数据,如数据库表、Excel 表、 ...
2025-09-17Excel 导入数据含缺失值?详解 dropna 函数的功能与实战应用 在用 Python(如 pandas 库)处理 Excel 数据时,“缺失值” 是高频 ...
2025-09-16深入解析卡方检验与 t 检验:差异、适用场景与实践应用 在数据分析与统计学领域,假设检验是验证研究假设、判断数据差异是否 “ ...
2025-09-16CDA 数据分析师:掌控表格结构数据全功能周期的专业操盘手 表格结构数据(以 “行 - 列” 存储的结构化数据,如 Excel 表、数据 ...
2025-09-16MySQL 执行计划中 rows 数量的准确性解析:原理、影响因素与优化 在 MySQL SQL 调优中,EXPLAIN执行计划是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 对象的 text 与 content:区别、场景与实践指南 在 Python 进行 HTTP 网络请求开发时(如使用requests ...
2025-09-15CDA 数据分析师:激活表格结构数据价值的核心操盘手 表格结构数据(如 Excel 表格、数据库表)是企业最基础、最核心的数据形态 ...
2025-09-15Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12CDA 数据分析师:业务数据分析步骤的落地者与价值优化者 业务数据分析是企业解决日常运营问题、提升执行效率的核心手段,其价值 ...
2025-09-12用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11