大数据安全分析注意的10个问题.docxVIP

大数据安全分析注意的10个问题你了解什么是大数据安全分析吗？数据的数量、速度、种类的迅速膨胀，导致的不仅仅是海量异构数据的融合、存储和管理的问题，甚至动摇了传统的安全分析体系和方法。以下，大圣众包将为你带来大数据安全分析十问。　问1：如何从展现层面体现大数据安全分析的优势？　答1：展现只是安全分析的最后结果呈现。大数据安全分析的优势核心在于安全分析模型。而其在展示层面的优势完全来自于安全模型的定义，仅从展示层面并不能很好地说明其优势。这主要是因为，在没有大数据技术之前可视化展示技术也在快速发展。　问2：从大数据安全分析的角度看，如何实现数据驱动业务安全？　答2：通过大数据分析，能够明确地量化当前企业中存在的安全事件，通过安全事件驱动业务发展，从而实现数据驱动业务安全的目标。　问3：大数据安全分析的核心目标是什么？　答3：找到隐藏在数据背后的安全真相。数据之间存在着关联，传统分析无法将海量数据汇总，但是大数据技术能够应对海量数据的分析需求。通过大数据基础能够挖掘出APT攻击、内网隐秘通道、异常用户行为等安全事件。在此基础上可建设安全决策支持系统，为安全决策提供数据支撑。　问4：国内外大数据安全分析发展现状如何？　答4：目前国外比较成熟的大数据安全分析，主要通过采用大数据技术，采集网络流量、安全设备日志、业务系统日志、网络设备日志，并对这些数据进行挖掘、关联等运算，最后找出安全事件。　问5：大数据安全分析可视化的技术现状如何？展示的内容、方法、形式有哪些？　答5：可视化技术一直都在不断发展中，在没有大数据之前可视化技术已被广泛使用在BI系统中。随着大数据技术的成熟，可视化技术不仅能实现传统的饼图、折线图、散点图、柱状图、条形图，还能够以地图、热力图、气泡图、力图、平行坐标图等多维展示。　问6：是否有成熟的大数据安全分析的方法论？　答6：大数据是一个具体的技术实现。这个技术在其适用的场景下能够解决传统数据挖掘难以满足的需求。而安全分析方法论是一直在不断革新的。安全分析方法论中仍然有一些理念是无法落地的，无法落地的核心问题是缺少技术支撑。　当前采用的大数据技术不是对安全分析进行革新，而是将安全分析曾经无法实现的目标加以落地。就如同关系型数据的理念，其最早在1970年提出，而落地产品在1976年才有相应的雏形。大数据技术其实是安全分析方法论的落地实现。　问7：大数据安全分析类项目的执行过程中，容易遇到哪些技术难点或是哪些环节需要大量投入？　答7：分析平台目前基本是成熟的技术，难点主要是前期规划与安全分析两个环节。前期规划要能够准确地估算出硬件配置、存储容量等基础信息，后期的安全分析需要专业人员对数据进行深入挖掘。　问8：对于已知的威胁模式，已实现的基于大数据的安全分析算法或模型有哪些？　答8：攻击链关联分析：同一资产，按照威胁检测的时间进行分析，描述攻击链条。　归并统计相同类型的攻击事件进行合并，多对一统计，一对多统计。　威胁情报关联分析根据威胁情报，对当前的数据和历史数据进行递归查询，生成告警事件。　异常流量学习正常访问流量，当流量异常时进行告警。　问9：作为非IT类型企业，要实现大数据安全分析所需的必要条件是什么?　答9：专职的IT团队，专职的安全团队，必要的资源投入，必要的流程支持。　问10：如果从专家系统、统计分析、机器学习三个维度实现大数据安全分析，是否已有相应的算法或数据模型?　答10：这三个是不同层面的。目前大数据安全分析在这三个层面都有成熟的算法以及应用，并且都通过了实际场景的检验。　专家系统，通常是由在线与离线两个部分组成。在线部分为云端知识库系统，客户通过云端系统提出问题，并把问题解决，而且在线系统通常为7*24小时，由全球专家接力处理各种问题。离线部分为客户本地的知识库，里面记录了大量的经验，通过历史经验对问题进行处理。　统计分析，通过简单的统计进行数据的过滤与结果呈现。通常由非专业人员进行简单的数据统计工作，这样能够从宏观的角度发现一些问题，但是无法实现深入的数据挖掘工作。为了应对这样的实际情况，在业务系统中会建设数据仓库，通过数据仓库来实现数据挖掘工作。但是由于建立数据仓库费时费力，只有在大型集团企业中才会将其使用在安全领域。　机器学习，实际上是程序自我矫正并实现结果的准确性。这是一个较为成熟的技术，在金融领域有很多成熟的案例。机器学习主要应用在难以人为划定规则的领域，如异常流量监测，异常行为检测等。通常使用在难以通过规则进行判断的业务场景中。Manufacturing transformation and development planning1 comprehensive strength of the manufacturing industry to upgradeRelying on good tr