安全与大数据
❶ 大家觉得大数据到底安全吗怎么办呢
大数据要盘活，否则安全也是死数据，数据的最终目的还是服务于人类，数据是能说话的。
所以，大数据安全是相对，并不是绝对。
❷ 大数据安全的挑战是什么
当前，随着互联网+、大数据、云计算、移动互联网等新技术兴起，特别是大数据技术创新应用，使我们具备了对海量数据的处理和分析能力，数据驱动的时代已经来临。与此同时，数据汇聚、数据分析等带来的安全问题也给我们带来前所未有的挑战。
基于目前我国大数据安全保护现状，以及大数据面临的安全风险挑战，笔者提出以下几方面建议对策：
一是进一步加强顶层设计。在《网络安全法》的基础上，完善数据安全保护的规章制度，明确数据在收集、使用、处理、交易、出境等各环节的安全要求。完善数据安全保护的网络安全国家标准，充分发挥标准的指导和引领作用，提升数据保护能力和水平。
二是加强重要数据基础设施保护。建立大数据分类分级安全保护机制,结合各行业数据的敏感程度、数据脱敏与否、数据可用性要求等对大数据资产进行分类分级,采取不同级别的安全防护策略。
三是落实网络安全责任制。明确大数据管理者和运营者的法律责任与义务。加强监督管理和风险评估，提升数据保护能力。对掌控大数据资源的单位进行大数据业务上线前安全评估，对重点产品进行在线安全监测，开展定期的检查和不定期的抽查，发现问题及时督促整改。
四是加强网络安全宣传。通过国家网络安全宣传周等活动，普及网络安全知识，加强网络安全教育，提升广大网民网络安全意识和防护技能，推动形成全社会重视数据安全的良好氛围。
❸ 网络信息安全和大数据安全一样吗
不一样的，大数据主要是数据的整理和统计。
网络信息安全一般指的是Web安全，也就是网页安全，这方面考察的更多的是工具的熟练使用。这是两个完全不一样的方向哦。
❹ (1)什么是安全大数据
安全数据的大数据化主要体现在以下三个方面：
一、数据量越来越大：网络已经从千兆迈向了万兆，网络安全设备要分析的数据包数据量急剧上升。此外，随着APT等新型威胁的兴起，全包捕获技术逐步应用，海量数据处理问题也日益凸显。
二、速度越来越快：对于网络设备而言，包处理和转发的速度需要更快；对于安管平台、事件分析平台而言，数据源的事件发送速率（EPS，EventperSecond，事件数每秒）越来越快。
三、种类越来越多：除了数据包、日志、资产数据，安全要素信息还加入了漏洞信息、配置信息、身份与访问信息、用户行为信息、应用信息、业务信息、外部情报信息等。
我们需要大数据安全分析
安全数据的大数据化，以及传统安全分析所面临的挑战和发展趋势，都指向了同一个技术——大数据分析。正如Gartner在2011年明确指出，“信息安全正在变成一个大数据分析问题”。
于是，业界出现了将大数据分析技术应用于信息安全的技术——大数据安全分析（BigDataSecurityAnalysis，简称BDSA），也有人称做针对安全的大数据分析（BigDataAnalysisforSecurity）。
借助大数据安全分析技术，能够更好地解决天量安全要素信息的采集、存储的问题，借助基于大数据分析技术的机器学习，能够更加智能地洞悉信息与网络安全的态势，更加主动、弹性地去应对新型复杂的威胁和未知多变的风险。
❺ 安全生产的大数据时代跟整体相比还有差距，我们需要做好哪些方面工作
安全生产的大数据时代跟整体相比，当然还是存在着一定差距的。因为这需要我们进一步提高数据的采集能力。要做好数据的整理。要更好地开发一套数据的管理和采集系统。
❻ 大数据时代，如何保证数据的安全和准确
不要轻易向别人透露自己的信息，手机下载软件时不要轻易点透露自己的电话和地址，电脑安装杀毒软件，平时办公室电脑应注意上锁及设置密码，经常杀毒及对U盘进行杀毒。
❼ 公共安全领域如何与大数据结合
通过有序过程与随机过程分析，选择社会治安关键因素，进行常态与暂态分析，实现社会治安风险评估，事件预警；另外针对高风险因素监控和关联分析，扩大社会掌控面；制定有效防范措施和反应预案。同时融合定位、通信、网络等技术，提高对高风险因素（人、物、事、时间、地点等）掌控的精度、粒度，建立重大事件风险评估、预警机制，提高防范能力。
❽ 大数据和网络安全在今后的发展前景哪个会更好那
应该说，两个都是都是今后发展的重点，再加上人工智能，个人觉得将会是互联网乃至工版业的一次权革命。
1、大数据方面。大数据范围很广，每个行业都有相应的应用，但是投入也是很大的，例如铁路系统，车辆违章监控系统，ETC系统等都应用了大数据，这些大数据将进行提炼后，用于基础分析、客户引导、智能管理等。对于提高政府职能，降低能耗，开源节流，人工辅助等都有很大很深的应用。总的来说，大数据中所有的数据都是有价值的，但是采集数据有很多的路要走，更多的需要物联网、人工智能的配合。
2、网络安全方面。这个应该是当下整个社会的一个突出问题。网络改变了人们的使用方式，推动了一系列的变革，但问题也是很突出，它是一把双刃剑，有利有弊，但总体利大于弊，正因为网络的不断发展，才推动了大数据的进步。
3、人工智能方面。人工智能应该是一个 今后发展的这个重点及亮点。人工智能主要利用语言、图像识别、传感器等设备集中进行运算，发挥其特定的作用，来执行任务。
❾ 大数据就意味着更大的安全风险吗
大数据就意味着更大的安全风险吗
现如今，围绕着大数据分析所涉及到的相关隐私问题存在着许多的担忧：企业和各国的政府机构是否有权获得如此广泛的个人和群体信息？同时，对于他们收集和处理这些数据信息是否有相关的法律或政策对其进行指导和约束？这其中一个相当关键但却并不经常被人们讨论和关注的问题是安全性。
企业和政府机构所收集、存储、分析和分发大量数据信息是否正面临着安全风险方面的挑战?如果是的话，他们应该怎么做来减轻这些挑战呢?
大数据不仅仅只是大量的数据
从某种意义上说，当一家企业开始收集和存储大量的数据信息时，其就已然成为了一个相当显眼的黑客攻击目标。但更广泛地说，对那些收集了大量有价值的非结构化数据信息的企业而言，其数据信息可能并不存在任何根本性的新威胁。
罗伯特?麦加维引用Brainloop公司全球营销副总裁David Topping的话说：“ 对于黑客攻击而言，那些PB级存储的大数据信息是安全的，因为这些数据的量对于黑客而言根本就太大了。也许除了那些资金雄厚的赞助商之外，一般的黑客都缺乏相关的分析工具来从如此庞大的数据量中提取有意义的信息。换句话说，企业也和这些黑客一样，面临同样严峻而显著的问题：如何从他们所收集的庞大数据中提取有价值的东西出来。因此，对于个别大型数据存储库而言，考虑增加任何超出其它类型数据库的安全性措施并无太大的实施意义，尤其是考虑到这些黑客相对于各大机构的能力往往是有限的。”
环境和细粒度的安全
但仅仅只是因为这些数据是非结构化的或更难进行筛选分析，并不意味着大数据必然是更安全。如果所有的大数据存储库都是有用的，就不能将所有每一条信息都进行同等的维护。正如InfoWorld的安得烈C.奥利弗指出的那样：“您企业所收集的数据越多，保持这些数据细粒度的任务和挑战也就越艰巨。企业如何才能在不牺牲大数据性能的前提下牢牢把握所有这些数据的所有权，并遵守相关的监管规定呢?这促使企业首先需要选择一款大数据解决方案。”
细粒度的数据安全分区对数据访问进行了分类。例如，企业的某部分员工可能只能够访问非财务方面的数据，而较高级的员工则有权访问更多的信息。此外，某些信息可能由另一个部门所拥有，或者对其的使用会被加以限制。我们面临的挑战是如何良好的对一个有组织且安全的系统进行维护，尽管面临着一定的环境困境。因此当企业在面临着在安全和盈利能力之间进行权衡的问题时，他们可以很容易地进行响应：“是的，我们有标准的网络安全，所以我们的数据是安全的。”
大数据不能被匿名化
您企业所受收集的数据越详细，就越是可能涉及到更多的个体私人信息，因此，对于个人隐私和安全问题的关注度也应提高。有CSO指出：“计算机科学家表示他们可以使用不涉及个人可识别信息的数据来重建相关人员的身份数据。例如，如果一家品牌企业或政府机构获得了覆盖某地区一年的客户GPS记录列表，那么，他们可以用该列表来了解一人或多人的身份信息。”在这种情况下，找到一个人的身份信息是非常简单的。例如，在某个时间段根据GPS进行定位，然后从互联网上搜索与该位置有关用户的姓名。一般情况下，这个过程可能会更复杂一点，但从概念上讲，其是一个很容易解决的简单问题。
尽管企业纷纷试图使大数据匿名化，这些企业最好的方法也只是使这些数据“假名化”——让一些信息是假名的，当然仍还是可与一个真实的身份相联系。这一有限制性的匿名化是大数据危险的一部分：黑客和其他恶意方可能无法完成数据的精细分析，但考虑到这些有限信息种类的丰富性，他们可以收集各种可利用的结论，进行欺诈，偷盗或者更糟的行为。
虽然原始数据需要保护，即使其是非结构化大数据存储库的一部分，但大数据所面临的更大的威胁是企业支付了巨大的成本才从大数据分析中获得的有价值的信息。麦加维再次引用 David Topping的话说：“许多企业浪费了太多的预算以保障大数据存储。而他们真正的风险则在相关数据信息的输出方面。由于企业往往很少监视或保护这些数据，围绕着企业分析得出的洞察输出是如何产生的... 大多数安全专家都认为，企业的雇员往往表现得很无辜，但有的的确是大数据被破坏最常见的罪魁祸首。”
企业需要保护大数据，尽管其涉及到某些原始信息，但我们需要将更多的重点放到通过对原始数据分析所获得的洞察见解方面。特别是，这些见解必须至少被视为比原始数据更为重要。
处理大数据的安全问题
接下来的问题便是如何解决这些企业担忧的安全问题。一种方法是为黑客提供一个有吸引力的假目标，以便使得企业能够学习更安全的研究方法来应对攻击，实施保护措施。这一战略或不甚理想，因为其只能当系统已经有一些漏洞时才能发挥作用。但这些弱点是可能被识别和解决的。
引用Forrester公司研究题为《未来的数据安全和隐私报告：关于大数据的控制》IBM指出，“安全专业人士在网络边缘最好进行控制。然而，如果攻击者穿透你的周边，他们将有充分的和不受限制的机会访问你的数据。” 当然，解决方案就在于为数据提供一个安全层，让简单地访问网络还不足以获得如此大的权限。
加密，特别是当处理大数据分析洞察见解时，是保护一种有效的信息保护方式，但其肯定不是一个新概念。
结论
大数据所涉及的隐私问题的确正在受到广泛关注，特别是在爆出美国国家安全局对主要IT企业进行监控的背景之下。一个与之不同但又密切相关的问题是安全性：特别是，企业应如何保护原始的非结构化数据和从大数据分析中得到的洞察见解。不幸的是，数据完全匿名化是不可能的，因为数据信息需要与个人和用于各种用途相联系(有时与其他私人或公共来源相组合)。虽然黑客可能无法窃取数据执行复杂的分析，但他们往往通过粗略地查看一下就足以收集有价值的信息(如在GPS数据的情况下)。随着企业收集的数据逐渐存储进大型数据仓库，如联邦数据服务中心，大数据安全方面亟待需要更多的审查。
❿ 云计算与大数据存在何种安全隐患，如何避免
虚拟化安全问题
利用虚拟化带来的可扩展性有利于加强在基础设施平台软件层面提供多租户云服务的能力但虚拟化技术也会带来以下安全问题
如果物理主机受到破坏其所管理的虚拟服务器由于存在和物理主机的交流有可能被攻克若物理主机和虚拟机不交流则可能存在虚拟机逃逸
如果物理主机上的虚拟网络受到破坏由于存在物理主机和虚拟机的交流以及一台虚拟机监控另一台虚拟机的场景导致虚拟机也会受到损害
云计算环境也存在用户到用户的攻击虚拟机和物理主机的共享漏洞有可能被不法之徒利用
如果物理主机存在安全问题那么其上的所有虚拟机都可能存在安全问题
数据集中的安全问题
用户的数据存储处理网络传输等都与云计算系统有关包括如何有效存储数据以避免数据丢失或损坏如何避免数据被非法访问和篡改如何对多租户应用进行数据隔离如何避免数据服务被阻塞如何确保云端退役数据的妥善保管或销毁等
云平台可用性问题
用户的数据和业务应用处于云平台遭受攻击的问题系统中其业务流程将依赖于云平台服务连续性SLA和IT流程安全策略事件处理和分析等提出了挑战另外当发生系统故障时如何保证用户数据的快速恢复也成为一个重要问题
云平台遭受攻击的问题
云计算平台由于其用户信息资源的高度集中容易成为黑客攻击的目标由此拒绝服务造成的后果和破坏性将会明显超过传统的企业网应用环境
法律风险
云计算应用地域弱信息流动性大信息服务或用户数据可能分布在不同地区甚至是不同国家在政府信息安全监管等方面存在法律差异与纠纷同时由于虚拟化等技术引起的用户间物理界限模糊可能导致的司法取证问题也不容忽视
云计算使得数据本身遭遇很多不同的安全威胁，因此不但要从正面进行防御，如安装安全软件和防火墙等等，更要对于数据本身进行加密。这是因为加密防护不因环境改变而失效的特性所决定，即使黑客费力攻破了防御读取了数据，看到的也是加密过的乱码。