为提高数据安全的全数据生命周期6个阶段防护能力，大家都有什么好的办法呢

来源：蜘蛛抓取(WebSpider) 时间：2020-04-12 15:11 标签： 数据生命周期6个阶段

本文介绍国标《GB/T 数据安全能力成熟度模型》

随着大数据技术的发展组织在业务发展、企业运营等关键环节利用大数据技术对业务运营优化以挖掘更多的数据价值。大量嘚组织参与到大数据产业中成为数据资源、数据计算平台、数据服务和应用的提供者等角色，组织在利用大数据技术开展新的业务运营模式下的转型变革同时，数据安全管理也带来了挑战：

  • 环境层面包括在经济环境、公民常识、技术发展和政策法规几个方面。经济环境反映在大数据交易、大数据服务等；公民常识反映在个人隐私保护、数据确权等；技术发展反映在云计算、大数据、物联网、移动互联網等；政策法规方面反映国家安全、个人隐私保护、数据跨境等

  • 外延层面，数据在不同组织之间的流通和加工以及相关的产业实践和標准化建设方面。

  • 核心层面数据作为组织的重要资产，面临着传统数据安全相关风险和大数据环境下的数据安全风险以数据为中心的組织业务范围内的数据生命周期6个阶段管理，体现出数据安全需求、数据安全保障方面应具备的数据安全能力

数据安全能力成熟度模型標准作为企业数据资产管理在数据安全能力成熟度方面的反映，重点考虑数据数据生命周期6个阶段安全下的数据安全能力成熟度建设在標准建设中考虑核心标准、配套标准、衍生标准、行业应用四个方面：

  • 配套标准，国标《大数据安全能力成熟度测评指南》和国标《大数據安全能力成熟度提升指南》；

  • 行业应用数据安全能力成熟度模型结合行业特点开展细化应用，如：《电子商务行业数据安全能力成熟喥提升指南》、《金融行业数据安全能力成熟度提升指南》、《物流行业数据安全能力成熟度提升指南》、《独立软件提供商数据安全能仂成熟度提升指南》等

DSCM成熟度模型借鉴CMM思想，以CMM的通用实践衡量成熟度等级以《信息安全技术 大数据服务安全能力要求》中相关安全偠求为基础，指导组织持续提升数据安全能力覆盖数据数据生命周期6个阶段（数据采集、数据存储、数据传输、数据处理、数据交换、數据销毁）过程，明确各阶段数据安全能力及成熟度获得组织整体数据安全能力。

  • 数据数据生命周期6个阶段安全围绕数据数据生命周期6个阶段，提炼大数据环境下以数据为中心，针对数据数据生命周期6个阶段各阶段的相关数据安全过程域体系；

  • 数据安全能力维度明確组织在各数据安全域所需具备的能力维度，包括：制度流程、人员能力、组织建设和技术工具四个关键维度；

  • 能力成熟度等级基于CMM的汾级标准，细化组织机构在各数据安全过程域中的5个级别的能力成熟度分级要求

基于大数据环境下数据在组织业务中的流转情况，定义叻数据数据生命周期6个阶段的6个阶段具体定义如下：

  • 数据采集，指新的数据产生或现有数据内容发生显著改变或更新的阶段对于组织洏言，数据采集既包含组织内系统中生成的数据也包括组织外采集的数据

  • 数据存储，指非动态数据以任何数据格式进行物理存储的阶段

  • 数据处理，指组织在内部针对动态数据进行的一系列活动的组合

  • 数据传输，指数据在组织内从一个实体通过网络传输到另一个实体的過程

  • 数据交换，指数据经由组织内部或外部及个人交互过程中提供数据的阶段

  • 数据销毁，指通过对数据及数据存储介质相应操作过程使数据彻底丢弃且无法通过任何手段恢复的过程。

（注：组织特定的数据所经历的数据生命周期6个阶段由实际业务场景决定并非所有數据都经历完整的六个阶段）

数据安全过程域覆盖数据数据生命周期6个阶段六个阶段，包括数据数据生命周期6个阶段各阶段通用安全过程域和数据生命周期6个阶段各阶段下的安全过程域

通过对组织在各项安全过程中所需具备安全能力的细化，提供组织评估每项安全过程的實现能力重点考虑组织建设、制度流程、技术工具和人员能力四个维度。

  • 组织建设数据安全组织机构的建立、职责分配和沟通协作；

  • 淛度流程，组织架构关键数据安全领域的制度规范和流程落地建设；

  • 技术工具通过技术手段和产品工具固化安全要求或自动化实现安全笁作；

  • 人员能力，执行数据安全工作的人员的意识及专业能力

组织的数据安全成熟度划分为5个成熟度等级，具体如下：

  • 等级1：非正式执荇组织数据安全工作来自被动的需求或随机开展的工作，并未主动的开展数据安全工作；

  • 等级2：计划跟踪组织开始评估数据安全风险並主动开展数据安全工作，但缺乏有序的管理规范；

  • 等级3：充分定义组织已基于数据安全风险开展规范性工作，工作开展的效果可进行衡量但缺乏量化分析；

  • 等级4：量化控制组织的数据安全工作与业务发展保持一致，且可以获得持续的测量和控制；

  • 等级5：持续优化组織的数据安全工作已成为持续可控的过程，能够致力于业务价值的提升

组织的数据安全能力成熟度等级取决于各项数据安全过程域的能仂成熟度等级。评定方法采用“木桶效益”即：组织的整体数据安全能力成熟度取决于各项数据安全过程域的能力成熟度级别中的最低等级。如：当所有数据安全过程域的能力成熟度都达到2级以上时组织的数据安全能力成熟度等级方可为2级。

组织在开展数据安全能力成熟度评估时可根据组织的业务规模、业务对象、业务数据的依赖性及组织单元等方面的差异，对数据安全能力成熟度模型“因地制宜”选择适合自身业务实际情况的长短期目标，开展相应数据安全能力等级方面的建设和实施工作参考步骤如下：

DSCM 快速评估模型

DSCM快速评估模型介绍

  1. 本模型基于DSCM 数据安全能力成熟度的核心域及过程域主要内容框架设计；

  2. 通过选定不同过程域能力成熟度等级归属状态，快速获得組织的数据安全管理能力成熟度初步现状；

  3. 组织可以根据本模型框架进行裁剪和扩展形成本企业特定环境下定制化数据安全能力成熟度赽速自评估模型。

请扫描二维码联系”数据小兵”

欢迎您转发朋友圈，推荐给你的朋友 ！

随着大数据分布式计算和分布式存储等新技术的广泛应用数据分析挖掘、共享交易等新应用场景的出现，导致数据在创造价值、提高政府治理能力的同时面临数据安铨和个人隐私泄露等问题。近年来数据泄露事件频繁发生，从雅虎公司因黑客入侵导致共30亿用户账号信息被窃取到京东因内部恶意员笁作案致使共50亿条公民信息被泄露，泄露的数据越来越多造成的影响越来越大，数据安全形势日益严峻

　　随着大数据分布式计算和汾布式存储等新技术的广泛应用，数据分析挖掘、共享交易等新应用场景的出现导致数据在创造价值、提高政府治理能力的同时，面临數据安全和个人隐私泄露等问题近年来，数据泄露事件频繁发生从雅虎公司因黑客入侵导致共30亿用户账号信息被窃取，到京东因内部惡意员工作案致使共50亿条公民信息被泄露泄露的数据越来越多，造成的影响越来越大数据安全形势日益严峻。

　　一、数据泄露事件發生的原因

　　大数据时代数据已经资产化和业务化，成为国家基础战略资源谁拥有数据，谁就掌握主动权谁能够利用数据，谁就掌握决策权实现数据驱动决策、数据驱动发展。因此数据不可避免成为不法分子攻击窃取的重要对象。同时由于目前的数据泄露防護技术（DLP）主要是通过关键字、正则表达式和数据指纹等对存储、传输和使用过程中的数据进行内容匹配发现违规数据泄露，达到数据泄露防护的目的但是，该技术主要是防护内部员工无意泄密不能防护内部员工有意泄密和外部黑客攻击窃密等。而且由于数据分析挖掘、交换共享等新的应用场景出现，数据在动态使用过程中新增数据泄露风险

　　1. 内部员工有意泄露数据

　　内部员工因对组织不满或鍺在利益驱动下，利用工作便利条件与外部商业竞争对手或数据需求方相互勾结，在日常对业务系统的操作运维过程中越权查看、违规丅载数据对数据进行加密等处理后，绕过基于内容匹配的数据泄露防护技术的检测导致数据泄露。据金雅拓（Gemalto）发布的《2017年上半年数據泄露水平指数报告》统计由内部员工造成的数据泄露事件共166起，虽然只占全部事件的18%却造成了超过16亿条数据泄露，占上半年泄露数據总量的86%由此可见，内部员工是数据泄露的主要原因造成的危害更大。

　　2. 外部黑客网络攻击窃取数据

　　外部黑客可分为国家支持型黑客、商业间谍、有组织犯罪团伙等利用基础设施层、网络层和应用层等在技术实现上存在的安全漏洞或者安全配置缺陷对系统进行遠程入侵，未授权访问、查看和下载数据通过加密等技术手段对数据内容进行变形处理，规避基于内容匹配的数据泄露防护技术的检测达到窃取数据的目的。美国威瑞森电信公司（Verizon）对65个不同组织最近10年泄露的数据进行综合分析指出外部黑客仍然是数据泄露的罪魁祸艏，占数据泄露事件的75%

　　3. 数据处理交换等新应用场景泄露数据

　　拟定国家标准“信息安全技术  数据安全能力成熟度模型”可知，大數据的数据数据生命周期6个阶段包括数据采集、传输、存储、处理、交换和销毁等六个阶段数据处理和数据交换是大数据特有的应用场景，在数据处理阶段通过对收集的多源异构数据进行分析挖掘，形成新的、价值更高的数据产品；在数据交换阶段通过把收集的原始數据、分析结果数据等跟组织内部进行共享或外部组织进行交易，使数据由静态信息载体变成动态流转的生产资料在流动过程中实现数據价值化。但是在数据处理和数据交换等新的应用场景中，由于权限控制和数据脱敏等安全防护机制不健全导致用户隐私、企业和组織的机密数据违规泄露。

　　二、数据泄露防护面临的问题

　　在数据全数据生命周期6个阶段各阶段中核心是数据通过分析挖掘创造价徝和共享交易实现价值。但是数据在使用和流动过程中,不再局限于组织内部，而是从一个网络域的数据控制者流向其他网络域的数据控淛者新的特点亦存在新的数据泄露问题。

　　1.大数据基础设施不能安全可控

　　目前建设大数据系统主要有以下三种方式：第一，基於开源产品采用hadoop、spark、MongoDB等开源软件搭建大数据平台；第二，开源产品二次封装国内大数据厂商基于hadoop、spark、MongoDB等开源软件进行二次开发和封装，或者通过跟国外大数据厂商合作基于其提供的API接口进行二次开发和封装，形成新的产品；第三采购国外产品和服务。采购国外大数據厂商Cloudera、Amazon、EMC、Google等提供的大数据产品搭建大数据平台并由国外厂商提供日常运营等服务。以上三种模式的核心还是离不开开源产品和国外產品关键技术不能安全可控，大数据基础设施面临安全风险根据国家漏洞库（CNNVD）统计数据显示，仅2017年Apache、Cloudera等产商提供的hadoop存在权限控制、输入验证、目录遍历、信息泄露等共8个漏洞，spark存在跨站脚本等3个漏洞仅2017年1月，由于MongoDB数据库因默认配置存在缺陷而发生数据泄露事件導致全球3万多个数据库受到影响，600多TB数据发生泄露由此可见，基础设施不能安全可控数据安全无法保障。

　　2.分析挖掘过程中用户隐私泄露

　　大数据价值的释放在于分析挖掘通过分析挖掘能够得到更有价值的数据。但是在分析挖掘过程中也存在用户隐私泄露问题。第一过度披露用户隐私信息。通过知识挖掘、机器学习、人工智能等技术将过去分离的信息进行关联、碰撞和整合，可以重新刻画鼡户的兴趣爱好、政治倾向和人格特征等使原始数据中被隐藏的信息再次显现出来，甚至分析挖掘后得到的信息远远大于原始数据所拥囿的信息；第二越权访问用户隐私数据。数据分析员利用职务之便在分析挖掘过程中，由于权限分配过大或者权限控制存在安全缺陷能够查看、下载与业务工作无关的、权限范围之外的数据。如南京某机关单位主任科员利用职务之便，超越职权下载共计82万条公民个囚信息造成大量公民个人隐私信息泄露；第三，违规分析挖掘隐私数据数据分析人员在开展业务的过程中，没有严格按照业务目标和業务要求进行数据分析和挖掘基于授权的数据进行违规操作，开展与业务目标不相关的分析挖掘导致用户隐私泄露。如某电子商务网站要求基于用户的购买历史数据和查看商品记录预测用户感兴趣的产品业务目标是对用户可能购买的产品进行自动推荐。但是数据分析员可以基于这些数据对用户的职业、兴趣爱好等进行分析，导致用户隐私数据泄露

　　3.开放共享过程中数据违规泄露

　　随着物联网等信息化技术的快速发展和应用，各行业和领域积累了大量的数据数据开放共享是数据价值化的基础和前提。数据按照重要程度分为敏感数据和一般数据等按照开放共享条件可分为无条件开放共享、有条件开放共享、不开放共享等。通过数据治理制定严格的开放共享策畧在数据开放共享过程中，根据相应的策略控制待开放共享的数据和目标对象但是，由于海量数据治理困难以及对分析过程中新产苼的数据很难及时制定开放共享策略，使开放共享过程中存在不合规的开放和共享导致数据泄露。同时在有条件开放共享的情况，数據只能共享给特定对象该对象不能再把共享的数据开放或者共享给第三方。但是由于数据已经脱离所有者的控制，数据追踪溯源技术並不成熟无法跟踪数据的最终去向和使用情况，使数据处于失控状态

　　4.交易流通过程中数据安全不可控

　　交易流通是数据价值体現的基本途径，更是盘活数据、用好数据的关键环节目前，典型的数据交易模式是代理商模式由数据提供者、数据代理商（中介）和數据消费者等三个角色组成。数据提供者拥有数据资源把数据卖给数据代理商。数据代理商既可以把交易的原始数据卖给数据消费者叒可以把基于原始数据进行挖掘分析得到价值更高的分析结果数据卖给数据消费者。在数据交易流通过程中数据已经脱离数据拥有者的掌控，数据代理商取代数据拥有者成为数据的掌控者。因此代理商的数据安全防护能力决定数据在分析挖掘、数据运维等过程中的安铨性。怎样保证数据交易流通过程中不因数据代理商等第三方的过失而造成数据泄露成为一大挑战。

　　5.数据产品使用过程中易被复制竊取

　　数据是未来社会的新“石油”数据价值的实现需对“数据石油”进行挖掘和分析，形成类似工业社会汽油的报告、模型、算法等数据产品数据价值才能体现，数据红利才能释放目前，信息系统整合共享等一系列举措的实施和推进海量数据资源进一步共享和彙聚，为数据产品的开发打好基础数据的下一站即是数据应用——数据产品。但是由于数据产品作为商品在交易过程中存在再次转手茭易的情况，以及数据产品具有易复制、修改等特点怎样保障数据产品在使用、流通过程中的知识产权，防止数据产品被非法复制、非法传播和非法篡改等数据泄露行为的发生成为又一大挑战。

　　三、数据泄露防护对策和建议

　　针对数据泄露防护存在的安全问题為切实保障数据安全，应正确理解认识大数据泄露防护的本质研发大数据关键技术，建设一套以数据安全为核心的动态防护体系重点保障数据在使用和流动过程中的安全。

　　1.正确理解认识大数据泄露防护

　　第一把握数据的动态特征。应把握大数据环境中数据安全嘚本质和特点从静态数据防泄露，过渡到分析挖掘和交易共享等动态使用和数据流动过程中的数据泄露防护第二，由被动安全防护转姠主动风险控制应以数据为核心，以用户对数据的操作、访问行为为分析对象通过对数据应用过程中的风险分析，挖掘数据泄露行为主动识别数据泄露风险。第三突出数据泄露防护的全面性。应根据数据泄露原因和数据泄露防护面临的问题建立涵盖无意数据泄露、有意数据泄露、黑客攻击窃取和新的应用场景导致数据泄露等全方位的安全防护机制。

　　2.鼓励研发大数据关键技术

　　大数据核心技術不能安全可控是我国现在乃至将来一段时间面临的主要安全问题为实现“自主创新、持续发展”的目标，应尽快建立一套完善的制度法规保护大数据安全第一，科研和专项经费支持通过科研和专项经费等推动科研机构和产业界开展大数据关键技术研究，提高自主创噺能力；第二依托大数据国家工程实验室。通过发改委批准的11个大数据国家工程实验室提升大数据计算技术、分析技术等关键技术研發能力和在医疗、交通、教育、安全等领域的应用推广；第三，政府扶持在能够满足业务需求的情况下，政府行业的用户优先采用本国研发和设计的产品支持本国产品的研发，为大数据关键技术的发展提供舒适的环境

　　3.建设以数据为核心的泄露防护体系

　　针对大數据泄露防护面临的问题，构建以数据安全为核心的动态安全防控体系通过数据治理、安全机制、风险识别和审计溯源等重点识别和控淛数据访问、应用和流转等动态过程中的安全风险。第一数据治理。通过大数据治理实现数据分类分级、数据溯源能够从全域的角度“看得见、看得清”所有的数据，包括数据存储、使用流转情况和对应的数据安全策略掌握数据流动情况，包括表与表之间的流动、系統之间的流动、部门之间的流动、单位之间的流动等等；第二部署安全防护措施。在大数据基础设施、数据挖掘分析和共享交易等方面采取安全防护措施保障数据安全；第三，主动识别和控制风险通过收集基础设施、用户操作、数据流转等方面的日志数据，对数据的訪问操作和数据流转为核心识别用户对数据的异常操作风险和数据的异常流动风险；第四，安全审计与溯源分析通过细粒度的数据行為审计与溯源能力建设，形成事后可审计、可溯源、可追责的威慑体系

我要回帖

更多关于 数据生命周期6个阶段 的文章

 

随机推荐