大数据系统下的数据安全注意事项
以下信息源自于演讲记录：（一）在大数据时代，越大的公司，面临的数据安全风险越高，简要而言，主要分为六个部分：
1. 后台被******，例如SDK泄漏关键服务IP地址；
2. 数据被爬取风险，例如简历信息被外界抓取；
3. 内部使用风险，例如采集的用户数据是否存在泄漏风险；
4. 生态公司风险，例如收购的公司数据安全规范能够达成一致；
5. 开放数据风险，例如敏感数据泄漏等；
6. 监督合规风险，例如政府监管部门的要求等。
（二）以Hadoop为代表的大数据集群存在如下安全问题：
1. 数据存储在同一集群中，非常集中；
2. 分布式系统天然的复杂性，使得防护变得非常困难；
3. 数据由于BI分析等需求，存在极强的流动性，防护边界非常宽泛。
（三）在大公司的角度上，数据安全主要需要注意如下三方面：
1. 数据要合法、合理、合规，避免用户的敏感数据被滥用；
2. 建立完善的数据脱敏机制，评估内部、生态、对外开放三方面的数据风险；
3. 建设完善的防火墙与应用安全机制，应对外部风险，如******、爬取数据等。
（四）当前的前沿数据安全技术：
1. 同态加密：对密文进行计算，适合于那些将数据存储在云平台的公司，但性能消耗十分严重；
2. 多方安全计算：多方分享数据进行计算，但性能消耗十分严重，且适用场景有限；
3. SGX：通过硬件来保证数据的安全问题，适合线下金融等公司场景；
4. 差分隐私：通过不关联个体的计算方式，得到整体层面的数据。
（五）大数据集群中的数据安全措施：
1. 敏感数据定义：通过打标签的形式，规定哪些数据是敏感信息；
2. 建立权限控制机制：对于访问数据的用户权限进行严格的定义；
3. 敏感数据的展示需要脱敏，包括：前缀保留、截断、隐藏、枚举、哈希、移位、置换、差分隐私、K-匿名、L-多样性等；
4. 异常数据访问信息监控，包括：点异常、聚集异常、情景异常等；
5. 数据提取流程：数据采集层打标签、数据分析层搭建隔离测试环境、数据应用层添加异常行为检测、产品对接进行数据安全审计等。
页:
[1]