數(shù)據(jù)被視為一種資產，它擁有更具價值的信息。

=

大數(shù)據(jù)導致了新工具和新分析領域的發(fā)展(反過來又產生了更多的數(shù)據(jù))，從中收集到越來越有價值的信息。

從經濟角度看，2019年大數(shù)據(jù)市場規(guī)模為490億美元，預計到2023年將增長至1030億美元。

而人們應該期待市場力量推動任何可以實現(xiàn)貨幣化商品的增長。

數(shù)據(jù)信息安全面臨的挑戰(zhàn)，有以下幾項。

1. 保護資產“顯而易見的事實”是受到保護的數(shù)據(jù)資產在增長。

2012年，預計全球產生的數(shù)據(jù)到2020年將達到40ZB，而最近的一項研究預測，到2025年將達到175ZB。

更重要的是，需要保護的數(shù)據(jù)比例增長速度超過了數(shù)字景觀本身，從2010年的不到三分之一增長到2020年的40%。

從社交媒體到數(shù)字化轉型再到技術創(chuàng)新，許多因素促成了原始數(shù)據(jù)的增長。

例如，與2D成像的X光圖像相比，3D成像的X光圖像文件大小增加了20倍，并且自動駕駛汽車可能每小時產生3TB數(shù)據(jù)，或每秒不到1GB。

將原始數(shù)據(jù)轉化為有價值的信息的分析仍處于起步階段。

研究表明，僅分析了極少的數(shù)據(jù)，但大數(shù)據(jù)的增長數(shù)據(jù)則引起了人們對數(shù)據(jù)爆炸性增長的興趣。

如今受到保護的數(shù)據(jù)只是冰山一角。

在原始數(shù)據(jù)方面，安全性應與IT部門合作，并應首先考慮數(shù)據(jù)的增長軌跡，以了解數(shù)據(jù)存儲、歸檔和備份策略。

分析不僅會增加數(shù)據(jù)需求，還會生成更多信息。

輸入的內容可能包括客戶隱私和財務數(shù)據(jù)，其結果既敏感又有價值。

應該從數(shù)據(jù)風險的角度評估和管理分析環(huán)境。

2. 動態(tài)數(shù)據(jù)數(shù)據(jù)一直在移動，并且這種移動有望繼續(xù)。

IDC公司發(fā)布的一份關于這一主題的白皮書分為三大類描述了數(shù)據(jù)位置：

核心：核心設施曾經是企業(yè)數(shù)據(jù)中心的專屬區(qū)域，而越來越多的核心設施是云平臺(無論是公共云、私有云還是混合云)。

預計到2020年，公共云中的數(shù)據(jù)要比端點中的數(shù)據(jù)更多，到2021年，公共云中的數(shù)據(jù)將比傳統(tǒng)數(shù)據(jù)中心中的數(shù)據(jù)更多。

邊緣：邊緣是分支機構、零售店或地理位置分散的辦公室，是過渡的位置。

在某些情況下，虛擬化會將邊緣數(shù)據(jù)移回核心設施。

與此同時，隨著嵌入式設備(攝像頭、POS終端、支付系統(tǒng)等)的激增，在邊緣地帶產生的數(shù)據(jù)比以往任何時候都要多。

端點：同樣，邊緣和端點之間的區(qū)別模糊，但到2025年，預計將有超過1500億臺物聯(lián)網設備，其中大多數(shù)將實時生成數(shù)據(jù)。

移動設備是消費者生成和消費數(shù)據(jù)的首選設備(現(xiàn)在有81%的美國人擁有智能手機)，但是這一類別還包括平板電腦、可穿戴設備、個人計算機和物聯(lián)網設備，這些設備可能不會存儲或處理但肯定會生成大量數(shù)據(jù)。

當企業(yè)響應端點作為其渠道的重要性時，安全性應強調(即招募/保留/開發(fā))應用程序安全專業(yè)知識。

端點開發(fā)是一個迫切的安全挑戰(zhàn)領域，因為開發(fā)周期短，而且無法采用平臺安全控制。

隨著向更高服務和更快響應的發(fā)展推動本地分析，安全性應在邊緣進行積極的風險評估，這需要更大的計算能力和更多的數(shù)據(jù)保留能力。

3. 第三方簡單來說，云平臺就是別人的數(shù)據(jù)中心。

在云中管理安全性意味著在第三方環(huán)境中管理風險并利用提供的控制。

為了安全起見，云計算是第三方(風險)管理中的一項工作，信息安全將需要開發(fā)非常活躍的第三方管理技能集。

關于第三方，也要考慮組織的某些服務提供商所擁有的數(shù)據(jù)將具有或將具有分析價值。

服務提供商將被要求：

提高自己的分析水平提供更高級別的數(shù)據(jù)訪問使數(shù)據(jù)可供客戶使用在第三方分析的數(shù)據(jù)可能會增加價值，因此需要加強控制。

當然，更大的訪問權限是身份和訪問管理的問題，而更高的可用性將意味著增加的數(shù)據(jù)流，需要重新評估連接控制。

安全性應謹慎對待所有這些結果，并且通常應注意第三方數(shù)據(jù)保管者。

4. 復雜性數(shù)據(jù)科學使用以字母V開頭的術語來描述大數(shù)據(jù)的特征。

三個最重要的特征是數(shù)量(Volume)、多樣性(Variety)、速度(Velocity)，它們共同描述了大數(shù)據(jù)的復雜性，以及它與先前數(shù)據(jù)管理概念的不同之處。

(1)速度：很難根據(jù)大數(shù)據(jù)的特性來對安全性問題進行優(yōu)先排序，可以針對每個特征進行論證，但首先必須是速度。

如果由于存儲限制(即分析差距)而導致數(shù)據(jù)存檔或丟失之前，企業(yè)生成數(shù)據(jù)的速度快于其消耗的速度，則存在一般的數(shù)據(jù)處理風險。

對于信息安全而言，風險更大：如果分析滯后，指標產生得太遲而無法采取預防措施，或者更糟的是太遲而無法及時響應事件。

(2)多樣性：數(shù)據(jù)是在傳統(tǒng)數(shù)據(jù)中心之外(在邊緣和端點)并從各種新來源中生成的。

非結構化數(shù)據(jù)占企業(yè)數(shù)據(jù)的80%或者更多，并且每年以55%至65%的速度增長。

保護應用程序數(shù)據(jù)(與傳統(tǒng)事務數(shù)據(jù)庫相反)將具有新的重要性。

網絡攻擊面在不斷增長和變化。

(3)數(shù)量：這里的安全問題很簡單，因為需要受到保護的原始資產正在增長。

(1)數(shù)據(jù)科學數(shù)據(jù)科學帶來了新一代的分析技能和技術，可以添加到信息安全工具箱中。

許多設計用于非常大的數(shù)據(jù)集。

以下是一些例子：

數(shù)據(jù)挖掘以簡化數(shù)據(jù)集和查找模式機器學習可從非常大的數(shù)據(jù)集中獲得新見解預測性分析以對安全控制進行優(yōu)先排序或豐富化各種技術可以彌補經驗和合格資源的短缺，從用戶友好的、可訪問的編程語言和統(tǒng)計專用代碼到人工智能的未實現(xiàn)潛力。

(2)威脅情報威脅情報是一門易于理解的學科，但往往依賴于安全控制數(shù)據(jù)和商業(yè)數(shù)據(jù)。

隨著數(shù)據(jù)的增長，每個企業(yè)都會創(chuàng)建一個可以并且應該分析的數(shù)據(jù)寶庫。

安全應將威脅情報的范圍擴展到其自身的控制之外，并檢查所有可供使用的數(shù)據(jù)，包括用戶行為、網絡數(shù)據(jù)流和它所保護的業(yè)務應用程序。

畢竟，威脅無處不在。

(3)數(shù)據(jù)保護數(shù)據(jù)保護程序應根據(jù)其強度和簡單性而不是其大小和復雜性來判斷。

理想的數(shù)據(jù)保護策略應將一組強大的默認控件(身份驗證、加密等)應用于所有數(shù)據(jù)，從而無需分類和標記。

數(shù)據(jù)治理將僅需要生命周期策略和解密(發(fā)布)過程。

員工培訓、項目要求和IT操作將完全相同且簡單明了：如果數(shù)據(jù)在此處，就會受到保護，無一例外。