《大数据分析与应用》教学课件 第四章 大数据与信息安全.pptxVIP

;第4章 大数据与信息安全;;;4.1.1 大数据安全面临的问题;;;在当今复杂的、分布的、异构的大数据环境下，无论采取多么完善的信息安全手段都难以达到绝对的安全，风险总会存在，因而很难采取风险消除的方法实现安全性，适宜的方法是将基于风险的安全理念引入到保障信息系统信息安全的过程中，对整个信息系统进行风险管理。风险管理承认风险事件将会存在，但发生的频率及产生后果的严重程度将被限制和控制在可承受的范围。;;风险评估对象和目标带来的挑战;评估模型的挑战;应对决策和法律风险的挑战;综上所述，如何对大数据共享与公开过程中的信息安全风险进行评估，提出对策和法律建议，已经成为解决数据公开与信息安全保护这一对矛盾，实现大数据共享，从而提升公共管理和服务能力的关键。因此，本章提出了对大数据背景下信息安全风险评估与对策的研究。;;在整个数据生命周期里，企业需要遵守更严格的安全标准和保密规定，故对数据存储与使用的安全性和隐私性要求越来越高，传统数据保护方法常常无法满足新变化网络和数字化生活，也使得黑客更容易获得他人信息，有了更多不易被追踪和防范的犯罪手段，而现有的法律法规和技术手段却难以解决此类问题。因此，在大数据环境下数据安全和隐私保护是一个重大挑战。;;;互联网行业;电信行业;金融行业;医疗行业;政府组织;;4.1.3 大数据安全的特征;在网络空间里，大数据是更容易被发现的大目标。一方面，网络访问便捷化和数据流的形成，为实现资源的快速弹性推送和个性化服务提供了基础。正因为平台的暴露，使得蕴含着潜在价值的大数据更容易吸引黑客的攻击。 另一方面，在开放的网络化社会，大数据的数据量大且相互关联，使得黑客成功攻击一次就能获得更多数据，无形中降低了黑客的进攻成本，增加了收益率。例如，黑客能够利用大数据发起僵尸网络攻击，同时控制上百万台傀儡机并发起攻击，或者利用大数据技术最大限度地收集更多有用信息。;大数据的汇集不可避免地加大了用户隐私数据信息泄露的风险。由于数据中包含大量的用户信息，使得对大数据的开发利用很容易侵犯公民的隐私，恶意利用公民隐私的技术门槛大大降低。在大数据应用环境下，数据呈现动态特征，面对数据库中属性和表现形式不断随机变化，基于静态数据集的传统数据隐私保护技术面临挑战。各领域对于用户隐私保护有多方面的要求和特点，数据之间存在着复杂的关联和敏感性，而大部分现有隐私保护模型和算法都是仅针对传统的关系型数据，不能直接将其移植到大数据应用中。;随着结构化数据和非结构化数据量的持续增长，以及分析数据来源的多样化，以往的存储系统已经无法满足大数据应用的需要。对于占数据总量80%以上的非结构化数据，通常采用NoSQL存储技术完成对大数据的抓取、管理和处理。 虽然NoSQL数据存储易扩展、高可用、性能好，但是仍存在一些问题。例如，访问控制和隐私管理模式问题、技术漏洞和成熟度问题、授权与验证的安全问题、数据管理与保密问题等。而结构化数据的安全防护也存在漏洞，例如物理故障、人为误操作、软件问题、病毒、木马和黑客攻击等因素都可能严重威胁数据的安全性。 大数据所带来的存储容量问题、延迟、并发访问、安全问题、成本问题等，对大数据的存储系统架构和安全防护提出了挑战。 ;传统数据安全往往是围绕数据生命周期部署的，即数据的产生、存储、使用和销毁。随着大数据应用越来越多，数据的拥有者和管理者相分离，原来的数据生命周期逐渐转变成数据的产生、传输、存储和使用。 由于大数据的规模没有上限，且许多数据的生命周期极为短暂，因此，传统安全产品要想继续发挥作用，则需要及时解决大数据存储和处理的动态化、并行化特征，动态跟踪数据边界，管理对数据的操作行为。;大数据的最大障碍不是在多大程度上取得成功，而是让人们真正相信和信任大数据，这包括对别人数据的信任和自我数据被正确使用的信任。例如，近年来工资“被增长”、CPI“被下降”、房价“被降低”、失业率“被减少”，因百姓的切身感受与统计数据之间的差异以及国家和地方之间GDP数据严重不符，都导致了市场对统计数据的质疑。 同时，大数据的信任安全问题也不仅是指要相信大数据本身，还包括要相信可以通过数据获得的成果。但是，要让人们相信和信任通过大数据模型获得的洞察信息却并不容易，而证明大数据本身的价值比成功完成一个项目要更加困难。因此，构建对大数据的安全信任至关重要，这需要政府机构、企事业单位、个人等多方面共同建设和维护好大数据可信任的安全环境。;解决大数据自身的安全问题。大数据安全不同于关系型数据安全，大数据无论是在数据体量、结构类型、处理速度、价值密度方面，还是在数据存储、查询模式、分析应用上，都与关系型数据有着显著差异。 大数据意味着数据及其承载系统的分布式，单个数据和系统的价值相对降低，空间和时间的大跨度，价值的稀疏，使得外部人员寻找价值攻击