4月8日上午，全国信息安全标准化技术委员会（以下简称“信安标委”）2017年第一次工作组“会议周”在武汉启动，信安标委大数据安全特别工作组王建民组长介绍并发布了《大数据安全标准化白皮书》（以下简称“白皮书”）。白皮书由中国电子技术标准化研究院、清华大学、四川大学、阿里云计算有限公司等25家企事业单位共同编制，重点介绍了国内外的大数据安全法规政策、标准化现状，重点分析了大数据安全所面临的安全风险和挑战，给出了大数据安全标准化体系框架，规划了大数据安全标准工作重点，提出了开展大数据安全标准化工作的建议。

企业大数据数据源接入越来越多、数据量越来越大、平台越来越复杂，保存了很多企业敏感数据，甚至客户隐私信息。随着数据商业价值的增加，针对数据的攻击、窃取、滥用、泄露等活动的持续泛滥，企业面临着严峻的安全风险。

安全风险及事件存在以下特点：一、风险成因复杂交织，既有外部攻击，也有内部泄露，既有技术漏洞，也有管理缺陷；既有新技术新模式触发的新风险，也有传统安全问题的持续触发；二、威胁范围全域覆盖，大数据安全威胁渗透在数据生产、交互和消费等大数据产业链的各个环节，包括数据源的提供者、大数据加工平台的提供者以及大数据分析服务的提供者等各类主体；三、事件影响重大深远，数据泄露影响面广，对用户隐私造成极大损害。从企业角度，建议运营者规范数据开发利用规则明确数据权属关系，重点加强个人数据和重点数据的安全管理，针对采集、存储、传输、处理、交换和销毁等各个环节开展全生命周期的保护，从制度流程、人员能力、组织建设和技术工具等方面加强数据安全能力建设。

安全防护体系的建设需要遵循“三分技术七分管理”的安全防护理念，从技术层面上考虑物理设施的安全，终端安全、网络安全和云平台安全等方面。平台安全管理要强化数据权限控制、数据脱敏和隐私保护和数据可信赖管理。横向涵盖数据流向各环节、纵向平台架构分层进行防护，规划和设计从网络、平台、数据、管理等方面全方位考虑安全防护，构建安全防御体系。

整体架构上横向主要是在数据采集入口增加安全网关、防火墙防护；建立数据安全隔离区，集中进行数据对内外交互、数据出口侧增加数据防泄漏设备，在交互过程对数据进行授权、隐私保护、水印、加密传递等处理。纵向从大数据平台硬件资源层加强漏洞检测版本补丁更新、Hadoop组件进行安全基线扫描。数据层面：管理上对数据进行敏感等级分类、安全保护机、操作规范制定，根据规则对现有数据进行脱敏处理；应用租户，可通过4A等安全平台进行授权及合规操作等。

网络安全：

一、内外网物理隔离：大数据平台部署在企业内网，与外网物理隔离杜绝安全隐患。对网络通讯进行监控，如果发现任何来自于网络内部或外部的黑客入侵或可疑的访问行为，可做到及时的报警与阻断，通过网络平面隔离的方式来保证网络安全。

二、数据采集安全防护：对内对外系统数据采集网络入口部署防火墙、安全网关，建立数据隔离区，完成大数据平台内外部系统数据交互，保障安全。

三、数据共享安全防护；多租户隔离，实施多租户访问隔离，数据安全等级划分以及基于标签的强制访问控制，提供数据访问授权模型，提供全局数据视图和私有数据视图，提供数据视图的访问控制。通过数据隔离区，实现大数据平台数据对企业内外部数据共享，在网络出口处部署数据防泄漏设备，实现敏感数据保护。

四、数据传输安全防护：用户隐私数据脱敏，提供数据脱敏和个人信息去标识化功能，提供满足国际密码算法的用户数据加密服务。各类用户可通过数据共享发布平台访问大数据平台，提交访问数据请求，访问代理层收到用户访问请求后，根据用户权限分析所要访问的数据，与脱敏及访问策略映射库进行比对，对需要脱敏的数据进行脱敏然后加密传输展示给用户。

五、流量异常监控：搭建数据流量异常监控平台，能够实时监控平台出现的各种网络问题。对网络中所有传输的数据进行检测、分析、诊断，排除网络事故，规避安全风险，有效的提高网络性能。

六、数据容灾：为集群内部数据提供实时的异地数据备份容灾功能，数据库对外提供跨数据中心的容灾机制。

平台安全：

一、硬件安全：主机安全漏洞扫描，系统版本补丁更新，防病毒处理等。加强主机口令、操作管理，减少非法登录。定期备份系统和文件数据，能够快速修复主机的系统问题。建设大数据系统的网关/防火墙，外部攻击首先需要冲破代理的保护才能进一步攻击大数据平台，增加恶意用户的攻击难度。

二、组件安全：组件安全针对大数据的主流平台HDFS、HIVE、HBASE、Storm、Spark等进行安全基线扫描，分别提出身份、认证、授权、审计等配置方面检查方法，并形成可操作的手册和可执行脚本，并整合入SMP系统管理；增加对大数据平台漏洞信息的管理及处理。

三、存储安全：存储安全包括数据的加密存储、访问控制、数据的封装、数据的备份与恢复以及残余数据的销毁。敏感数据脱敏保存，禁止明文存储。加强数据文件的校验，保持分布式文件的一致性。根据安全要求，授权访问数据。定期备份数据，一旦发生数据丢失或损坏，可以利用备份来恢复数据，从而保证在故障发生后数据不丢失。

四、应用安全：用户认证，多租户纳入4A平台集中管理，接入4A平台管控的大数据平台必须开启Kerberos认证配置，以集中管控大数据平台的多租户信息。金库访问：当多租户没有明文数据的查询权限，经审批可以通过金库模块获得明文数据的查看权限。

数据安全：对数据进行敏感等级分类、安全保护机及操作规范制定。根据敏感数据规则定义对平台存储敏感数据识别、打标及打标数据的分类分级访问控制；根据数据敏感规则，扫描引擎、扫描数据库敏感数据，生成敏感数据及访问策略映射库。

管理保障：建立大数据安全管理保障制度和规范，安全策略管控方面做到集中管理、集中修订、集中更新安全规则，从而实现统一的安全策略实施，安全管理员能够在中央控制端进行全系统的监控；安全保障要求方面按照规范要求进行数据访问、应用操作。相关制度包括对外合作安全管理(外部业务合作和外部代维代建)、内部安全管理、数据分类分级管理、应急响应机制、资产设施保护和认证授权管理等。

大数据安全防护体系的建设，需要对大数据安全防护体系内部的各个模块进行详细的研究，通过多种手段保障企业级大数据平台的安全，最终构建大数据安全管控平台，实现敏感数据隐私保护，降低企业运营风险；规范大数据平台操作流程，保证开源系统的安全，做到大数据平台系统“事前可管、事中可控、事后可查”。

互联网飞速的发展，使得每天产生的日志可达上T规模，但由于数据稀疏、异构性较强，甚至半结构化导致我们很少有精力关注。日志是重要的非结构化数据，无处不在，技术人员通过数学分析、关联分析、机器学习的挖掘办法，可从日志中获得价值信息，用于运维监控、安全审计、用户数据以及业务数据分析，达到发现企业信息安全短板、安全预警与应急处理的目的。那么，如何最大限度发挥日志的价值成为业内人士研究思考最多的问题之一。

知道创宇高级安全研究员邓金城在2017年全球敏捷运维峰会(Gdevops,GlobalDevopsSummit)上发表《海量运维日志异常挖掘—我们如何从日志中抓黑客》的演讲，从海量日志的异常分析类型、挖掘方法说起，分享了如何针对自己的网站去做相应的分析工具，以及利用分析模型来持续挖掘日志中有价值的异常信息。

日志异常类型：

1.单点异常：单独的数据实例是异常的。

2.上下文异常：

●在一个上下文中单独的或连续几个数据实例是异常的

●需要一个上下文的概念

●比如平衡权限

3.集体异常：相关数据实例的集体是异常的。

在数据实例间需要一个关系，常见的：有序数据、空间数据、图数。在一个集体异常中单独的实例，从它们自己看来并不是异常的。

异常挖掘方法解读：

1.异常挖掘方法1-基于经验特征挖掘

●基于分析人员自身经验，使用特定的与日志相关的特征进行挖掘

●比如特定的字符串，特定的Cookies，特殊的UserAgent等等

●此方法在试探性分析的时候常用

2.异常挖掘方法2-基于数据统计挖掘

●通过统计多维度的数据，根据其频次，分散度等信息，挖掘有价值的异常

●比如统计单个IP24小时内，使用的手机号码数量；短时间内大量登录请求等

3.异常挖掘方法3-基于外部数据关联挖掘

●基于已有的外部数据与日志的关联性进行挖掘

●例如高危IP库的IP的正常访问日志，代理IP库的IP的正常访问日志，某个通用组件或应用漏洞公开后的使用该组件或应用的网站日志等等

4.异常挖掘方法4-基于内部数据关联挖掘

●通过分析Web日志的内部关联性进行异常挖掘

●例如通过分析Referer与URL二元关系组以及IP与URL二元关系组，挖掘低频访问且是孤立节点的页面

5.异常挖掘方法5-基于WAF规则的异常挖掘

●将每条WAF规则转换成多个语句的逻辑条件组合，并给予每个子条件一定的rank，然后对每条日志数据进行评分，根据最后评分以及设定阈值来判定日志是否异常

●常用于WAFBypass未知漏洞挖掘

6.异常挖掘方法6-基于网站画像的异常挖掘

●根据网站的目录结构、动静态页面分布及页面参数类型等信息而抽象出的一个多维度的标签化的描述网站合法访问范围的画像模型。通过判断单条日志数据是否在网站画像中，来判定日志是否为异常

●适用于单个网站的日常持续分析

●每个网站可以根据其应用特性和业务特征构建个性化的网站画像

知道创宇一直致力于通过大数据建立网络安全动态的防御体系，邓金城表示，通过对知道创宇云安全平台海量日志的分析，仅在2016年，就为客户发现了大量的异常，分析和报告了大量安全事件，其中高危近千个，其中服务器入侵35%、数据泄漏39%、账号安全14%、其他12%，为用户补齐网站安全的短板，为完善网站安全机制提供了关键数据，同时我们自身还收获了几十个0day。

“正是利用这一套大数据分析方法，这几年，我们取得了不少成绩，曾帮助某法院网站服务器集群发现潜伏的安全问题、协助公安定位黑客个人信息等等。未来，知道创宇将会朝着可用性监控、应用性能监控、故障根源分析、安全审计、业务分析及用户数据挖掘等方向继续深入发展，挖掘大数据的利用价值，为客户、合作伙伴提供更完善的安全可用服务。”

定位于大数据安全的HanSight瀚思自2014年成立以来，已经三年多的时间。在这段时间里，企业的发展状况如何？有了哪些新的变化？近日安全牛走访了HanSight瀚思创始人兼CEO高瀚昭。

HanSight瀚思创始人兼CEO高瀚昭

个人简介

高瀚昭先生是信息安全与大数据领域的连续创业者和全球资深技术领导者，多年来一直致力于将前沿的大数据技术应用于信息安全相关领域，帮助企业和云上的用户实现从“被动防御”到“主动智能”的转变，在过去的15年间曾在中国、北美、东南亚、日本从事核心研发与技术管理工作。

高先生曾就职于趋势科技12年，2007年作为反病毒部门的负责人，领导开发出全球第一套海量病毒分析系统，该系统平均每天可自动分析5万个病毒样本，至今仍被广泛使用。

一、产品成熟开始盈利

安全牛

瀚思成立到现在已经三年，正好也是安全行业开始快速上升期的这几年，作为国内首个专注大数据安全的创业公司，在这段时期中有了哪些发展变化？

高瀚昭：最主要的变化是这个市场真得起来了。以前大量的工作是要做安全认知的教育，讲述为什么要做安全分析，要做管理、治理。因为三、四年前，用户普遍认为安全就是买设备，用设备解决问题。

但从前两年开始，整个安全行业的都在讲数据、服务、检测分析，用户的认知度也开始慢慢转过来。尤其是在金融行业，明显感觉到甲方高层，普遍开始认为“买盒子”是不行的，数据分析能力才是重要的。

但用户光听是不行的，需要实际体验，而我们正好产品化相对比较早一点，赶上了行业发展的节奏。虽然初创企业在竞争的时候，资质、关系、规模等条件不够，但除去这些，在技术层面PK的话基本没有对手。

去年相对来讲，明显感觉到销售比以前好做，包括经常有客户会主动打来电话咨询。因此，我们从去年四季度已经开始盈利。到现在看，今年的形势也是越来越好，已经走出所谓的“烧钱”模式。

目前瀚思都有哪些产品线？

高瀚昭：目前主要是四条线。第一个就是我们的大数据安全分析平台HanSightEnterprise，这是我们最核心的产品，基于大数据、机器学习和行为识别技术，真正实现针对安全大数据的有效存储与实时分析。其余三块都是以这个分析平台为核心扩展出来。包括HanSightUBA（瀚思用户行为分析系统）、HanSightNTA(瀚思网络流量分析系统)和HanSightLogManager（瀚思企业级日志管理平台）。

实际上这三个产品线与安全分析平台，都是互相关联、互为加强和补充的。威胁情报可以帮助把网络行为、用户行为关联串起来，安全分析中心把所有的日志汇总，反过来又为用户行为分析提供数据。

“

UBA已被定义为下一代安全智能分析的重要能力之一。我们的UBA产品，可在短时间内完成业务场景下的行为数据分析，做到多维度的关联检测。

为什么不是UEBA，UBA少了一个E（实体）？

高瀚昭：对于实体而言，其难点在于不仅要拥有看见的能力，还要具备判断对错的能力，要减少误报。这一点与用户行为不一样，因为人的行为比较容易判定，并且容易和同部门或职能的人员进行对比分析。而不同实体，如各种千差万别的系统应用，它们的行为是很难标准化的，必须要对企业业务有深入的了解和定制才行。这也是目前安全行业主要是以UBA而非EBA为突破口的原因。

二、大数据分析的核心：数据、业务和自动化

瀚思在大数据安全分析这个领域有哪些企业优势？

高瀚昭：对于ToB业务来说产品化能力是最关键的，否则就会面临不停的定制化局面，即需要养一个非常大的定制化团队。

瀚思的核心技术人员主要源于趋势科技，而趋势科技是全球唯一在中国设有企业级产品研发中心的大型安全公司，全公司一半以上的企业级产品都是由中国研发中心进行开发的，因此我们的产品化能力非常强。

瀚思花了三年时间打造的核心产品，目前可以做到80%的标准化，到用户那里只需改改配置、界面或报表之类的东西，内部架构不用动。业内的人都了解，这个事情说起来容易，但实际做起来会遇到很多问题，尤其是对创业团队来说。

另一个优势在于，瀚思成功地把安全人员、开发人员，以及产品人员很好的联动成一个闭环，这其实也是基于以前在外企的经验积累。

能否具体介绍一下这个闭环的含义？

高瀚昭：比如，对自己的攻防实验室去验证产品，把用户的问题重现，然后修改问题，通过规则、模型、关联，以保证下个版本能够做到机器自动发现，最后通过人来验证它的有效性。

在这个闭环里，需要各种人才。黑客熟悉的是攻击方法，安全人员则擅长日志分析，算法人员主要是做模型、标准化，产品人员则要把大家的想法实现，形成好用的产品。这一系列事情，没有经过在大型企业的长期打磨，非常难于做好。

最后是我们进入大数据安全这个领域的时间点非常好，大家刚有认识的时候，我们成立公司。市场开始起来的时候，产品也推出来了。数据分析这个领域，数据积累和业务模型占绝对地位，一旦进入用户开始应用，复购率非常高。

总结一下就是三点企业优势，一是产品化能力，二是大数据安全方面的优秀人才，三是赶上了正确的时间节点。

大数据安全分析主要有哪些细分领域？

高瀚昭：今年瀚思入选了CybersecurityVenture的第一季度的“网络安全全球500强”。这个榜单里面大概有七家标注为大数据安全，其中五家是美国硅谷的公司，一家是以色列公司，阿里有投资，还有一家就是我们。

这七家里大多是基于日志或流量分析提供告警和预判的，比如Splunk和我们。还有两家是做数据治理，数据本身的安全。以色列那家则主做APT防护和反欺诈。我感觉目前大数据安全主要就这三种分类，数据治理、大数据分析和业务反欺诈。

数据治理首要的是数据分类、分级，但做到较为准确的分类分级需要花费很大的精力。数据治理更多的可能是管理问题，所以对于厂商来说，挑战在于客户的IT管理水平。

大数据分析领域一些大厂商也在做，但我们做的早一点，产品化程度比较高，目前正处于“跑马圈地”的阶段。

反欺诈这个领域国内已经有好多家在做，主要是基于设备指纹和外部黑名单，也有几家基于行为分析技术来做。

其实无论怎么做，都基于两个核心，内部数据和外部数据。这就是大数据安全分析这个领域的概况。

是的，大数据分析是离不开数据的。那么大数据分析技术有哪些关键点呢？换句话说，掌握哪些核心能力才能具备竞争优势呢？

高瀚昭：第一个我觉得是对业务的理解能力，我们叫业务场景化。不管是营销、性能、运维分析，还是做安全分析，都要基于对业务的深刻理解，而且不同的行业需求也不一样。大数据分析只是手段，最核心的是要搞清楚解决什么问题。

再就是自动化或说人工智能技术。我认为安全并不神秘，有百分之八九十的事情是可以自动化的，把专业人员从海量的告警中解放出来，专做重要的事情。

最后既然是做安全的，不仅要懂业务还要懂安全，把二者很好的结合起来。不管是从日志中发现安全问题，还是从人看懂到让机器读懂，没有经过安全领域的经验和积累，是无法做好安全分析工作的。

三、进入500强志在Gartner

刚才您提到了瀚思入选CybersecurityVentures今年第一季度的“网络安全全球500强”，能否大概介绍一下这个榜单的背景？

高瀚昭：CybersecurityVentures是一家安全领域做市场分析的机构，由IT媒体资深人员创办，核心顾问人员有约翰·迈克菲、思科的首席隐私官，和一些知名安全公司的高管。

这次的500强是CybersecurityVentures首次关注大数据安全领域，因为它比较重视创新，而不是销售数字。

他们通过我们的投资方联系到我们，经过交流和沟通，它认为无论是技术创新方向，还是核心团队成员和客户组成（世界500强企业），以及投资背景，都比较不错，因此才把瀚思列入此次榜单。中国公司仅有8家在这个榜单中。

作为企业的创始人和CEO，您对瀚思未来一段时期的发展规划是怎样的？

高瀚昭：技术上来讲，我希望未来一两年瀚思能够进到Gartner安全智能分析类的魔力象限中去，据我了解，包括UBA或SIEM都将属于这个类别。

销售上我们去年小几千万，今年会大几千万，肯定达到盈利。明年则是亿元以上，之后就是IPO。当然如果机会特别好的话，也不排除收购。但目前看起来，IPO应该是大概率方向。

人员上今年主要是扩充销售，刚才说过产品已经比较成熟，因此要通过渠道和分销来扩大销售，我们自己也有一些重点行业的大客户，包括金融和公安。但一般的企业，尤其是区域化的客户则是由渠道来去做。

从瀚思成立到现在，感觉一直都比较顺利，有没有走过一些弯路或是俗话所说的“踩过哪些坑”？

高瀚昭：当然有了。最大的一个弯路就是在公司创业早期，大的分析平台还来不及成型的时候，我们先开发了一些细分版本去进行差异化竞争。当时FireEye很红，APT炒得特别火热，于是我们就选择了“发现未知威胁”这个细分领域。

但其实这个方向是有问题的，后来我们发现APT的市场并不大，大部分情况下国外对中国不需要使用APT，反而是通过内部人员的情况更多一些。反映到现实情况中，就是安全系统在客户那里跑了很长时间也发现不了一两次APT，需求不够很难销售。

其他的就是企业发展过程中，通常都会遇到的问题。比如，分支机构的远程沟通，人员的投入产出比，人员招聘、客户支撑、销售本地化，以及企业发展速度和规模的节奏控制等等，甚至资本的何时介入以及如何介入，对于初创公司来说也是要考虑的头等大事。创业对于我们也是一个再学习的过程。

四、国内的四大类安全初创公司

资本方现在也非常关注初创公司，您能分享一下投资机构是如何看待安全类的初创公司吗？

高瀚昭：没问题。我们和资本方接触的时候，也的确了解一些他们对安全初创公司的看法。

不少资本方把国内的安全创业公司人员分为四大类，第一种有着BAT3之类的互联网公司背景的技术人员，第二种是国外大型安全厂商或科技巨头背景的人员，第三种是从国内传统安全厂商出来创业的人员，最后一种是黑客出身的人员。

互联网背景的人员一般会做云安全、SaaS等新兴技术领域。传统安全公司出来的人经常为销售导向。国外公司背景的则偏向做与企业业务相关的产品或服务，也许刚开始在销售方面会吃亏，但时间一长优势就显示来了。

最后是黑客团队成立的公司，他们的优势在于非常了解攻击技术，但企业业务和产品化方面会面临很大的挑战，同时有的人员还会牵连到法律方面的事情，这类公司资本方往往会非常谨慎。

保持大数据安全的想法并不新鲜，提供这些服务的公司是否能够应对最新的网络威胁?如今，一系列严重的恶意软件和程序可能侵入企业的业务系统，并删除窃取数据。在一些领域中，大数据安全服务提供商需要开发应对网络勒索，弥补Hadoop的安全堆栈的差距，以及阻止企业可能会违反的数据政策的服务。客户信任是在线业务交易中重要且不断增长的必需品。保护数据安全免受威胁，有助于保证客户的信息安全，也将为那些希望合作开展业务的企业带来安全。 即使在四年前，企业的首席执行官们并不太担心客户对他们的信任，实际上只有37%的人担心。而到了2016年，企业正在加强受保护的数据意味着客户需要更多的信任。在2016年的调查中，58%的首席执行官表示会认真对待消费者的信任。2017年注定是个数据泄漏年，自打3月以来，每隔十天半月就会爆出千万级甚至亿级数据泄漏事件。似乎在宣告一个事实：数据即金钱！在这个数据可变现为金钱的时代，企业目前试图解决和应对的三大安全和隐私威胁还有哪些呢？

Hadoop安全堆栈间隙

Hadoop为企业提供大数据分发以及分析和物联网战略。然而不幸的是，Hadoop也包含数据安全问题。发布Hadoop的几家公司分别创建了各自不同却相互竞争的安全软件堆栈。这会产生许多与安全性相关的问题，其中包括不兼容性和供应商锁定。而Hadoop数据湖，原始和非结构化数据，以及未知质量的半结构化数据在被读取之前都是非结构化的数据。另据专家介绍，使用基于文件系统的数据已经在安全系统内部没有保护。这些差距将让第三方产生安全漏洞。

企业的数据政策

有时，企业的数据政策可能是黑客用来获取安全数据的安全漏洞。例如，为了防止网络犯罪，IT部门可能会阻碍管理层购买或实施最新的技术。在等待批准的同时，企业的网络安全有时候会有漏洞，黑客可能会找到并利用它们。获得金钱是黑客入侵的主要动机。因此，黑客通过不断尝试渗透到企业的数据保护系统中。一些企业的首席执行官的意识与他们的IT部门脱节，并没有意识到网络漏洞的威胁的严重性。

勒索软件

勒索软件听起来是为了控制并持有企业的信息，直到企业为此支付赎金。要做到这一点，他们可能会在企业的数据库中删除信息，或者使用特定的程序，这意味着企业如果不支付赎金，则无法访问自己的数据库。有时候，黑客的勒索软件通过其中Hadoop漏洞端口进入。黑客们正在寻找开放的HDFS进行安装，他们可以利用它们的优势。具有高技能的黑客利用互联网的可用性来查找世界各地企业的脆弱信息。俄罗斯以其白帽黑客和黑帽黑客而闻名。在这个国家，具有两套计算技能是有用的。 显然，大数据安全漏洞知识与实施防范漏洞的技术之间存在差距。虽然更多的企业正在网上运行业务，他们认识到数据必须像计算机系统的其他领域一样得到保障，但集成安全覆盖了每一个潜在开发的层面仍然是一个新的和必要的步骤。

一、大数据安全分为三个层次

大数据安全技术体系分为大数据平台安全、数据安全和个人隐私保护三个层次，自下而上为依次承载的关系。大数据平台不仅要保障自身基础组件安全，还要为运行其上的数据和应用提供安全机制保障；除平台安全保障外，数据安全防护技术为业务应用中的数据流动过程提供安全防护手段；隐私安全保护是在数据安全基础之上对个人敏感信息的安全防护。

大数据平台安全是对大数据平台传输、存储、运算等资源和功能的安全保障，包括传输交换安全、存储安全、计算安全、平台管理安全以及基础设施安全。

数据安全防护是指平台为支撑数据流动安全所提供的安全功能，包括数据分类分级、元数据管理、质量管理、数据加密、数据隔离、防泄露、追踪溯源、数据销毁等内容。

隐私保护是建立在数据安全防护基础之上的保障个人隐私权的更深层次安全要求。然而，大数据时代的隐私保护不再是狭隘地保护个人隐私权，而是在个人信息收集、使用过程中保障数据主体的个人信息自决权利。实际上，个人信息保护已经成为一个涵盖产品设计、业务运营、安全防护等在内的体系化工程，不是一个单纯的技术问题。

二、大数据平台自身安全机制存在局限性

目前，Hadoop已经成为应用最广泛的大数据计算软件平台，其技术发展与开源模式结合。Hadoop的最初设计是为了管理大量的公共web数据，假设集群总是处于可信的环境中，由可信用户使用的相互协作的可信计算机组成。因此最初的Hadoop没有设计安全机制，也没有安全模型和整体的安全规划。随着Hadoop的广泛应用，越权提交作业、修改JobTracker状态、篡改数据等恶意行为不断出现。据CVE漏洞列表显示，从2013年到2017年，Hadoop暴露出来的漏洞数量共计18个，其中有5个是关于信息泄露的漏洞，并且漏洞数量逐年增长。

三、数据泄露事件数量持续增长，造成的危害日趋严重

大数据因其蕴藏的巨大价值和集中化的存储管理模式成为网络攻击的重点目标，针对大数据的勒索攻击和数据泄露问题日趋严重，重大数据安全事件频发。Gemalto《2017数据泄露水平指数报告》显示，2017年上半年全球范围内数据泄露总量为19亿条，超过2016年全年总量(14亿)，比2016年下半年增长了160%多。仅2017年，全球发生了多起影响重大的数据泄露事件，美国共和党下属数据分析公司、征信机构先后发生大规模用户数据泄露事件，影响人数均达到亿级规模。我国数据泄露事件也时有发生。2017年3月，京东试用期员工与网络黑客勾结，盗取涉及交通、物流、医疗等个人信息50亿条，在网络黑市贩卖。此外，数据泄露的潜在隐患同样不容乐观，据Shodan统计，截至2017年2月3日，中国有15046个MangoDB数据库暴露在公网，存在严重安全问题。

四、大数据安全技术有待进一步发展

国内外大数据平台安全、数据安全、隐私保护相关的技术已经取得了一定的进展；但在应对一些新的网络攻击形式、数据应用场景、隐私保护需求方面，大数据安全技术的现有能力和水平还存在一定差距。

1、平台安全方面

集中的安全配置管理和安全机制部署能够基本满足目前平台的安全需求，大数据平台的漏洞扫描与攻击监测技术相对薄弱。Hadoop仍处在快速发展的阶段，认证机制依赖Kerberos，其认证中心可能会成为系统瓶颈。平台防攻击技术方面，目前大数据平台仍然使用传统网络安全的防护手段，对大数据环境下扩大的防护边界和更加隐蔽的攻击方式无法做到全面覆盖，而且行业对大数据平台本身可能的攻击手段关注较少，预防手段不足，一旦有新的漏洞出现，波及范围将十分巨大。

2、数据安全方面

数据安全监控和防泄露技术相对成熟，数据的共享安全、非结构化数据库的安全防护以及数据泄露溯源技术亟待改进。密文计算技术、数据泄露追踪技术的发展仍无法满足实际的应用需求，难以解决数据处理过程的机密性保障问题和数据流动路径追踪溯源问题。具体而言，密文计算技术的研究仍处在理论阶段，运算效率远未达到实际应用的需求；数字水印技术无法满足大数据环境下大量、快速更新的应用需求；数据血缘追踪技术未获得足够的应用验证，其成熟度尚未达到产业化应用水平。

3、隐私保护方面

技术的发展明显无法满足当前迫切的隐私保护需求，大数据应用场景下的个人信息保护问题需要构建法律、技术、经济等多重手段相结合的保障体系。目前，应用广泛的数据脱敏技术受到多源数据汇聚的严重挑战而可能面临失效，匿名化算法等前沿技术目前鲜有实际应用案例，普遍存在运算效率过低、开销过大等问题，还需要在算法的优化方面进行持续改进，以满足大数据环境下的隐私保护需求。

以上数据及分析均来自于前瞻产业研究院《2018-2023年中国工业大数据产业发展前景与投资战略规划分析报告》。

更多深度行业分析尽在【前瞻经济学人APP】，还可以与500+经济学家/资深行业研究员交流互动。

不久前，《大数据安全白皮书（2018年）》发布，成为业内关注焦点，引来众多专家深入解读。加上网络安全法等法律法规出台，国家捍卫第五主权空间的决心正在落实，力度也越来越大。而专家解读与国家呼吁一致，那就是特别看重网络安全技术，更加彰显网络安全人才的重要性。

白皮书呈现大数据安全技术三大层次

白皮书通过分析当前大数据的安全需求，以技术为切入点，提出了大数据安全技术总体视图，构建了包含大数据平台安全、数据安全和个人隐私保护三大层次的大数据安全技术体系。

白皮书强调指出，大数据平台安全、数据安全和个人隐私保护是自下而上、依次承载的关系。大数据平台既要保障自身基础组件安全，还要为运行的数据和应用提供安全机制保障；数据安全防护技术除保障平台安全外，也要为业务应用中的数据流动过程提供有效的安全防护手段；而在数据安全基础之上，必须加强对个人敏感信息的安全保护。

专家解读：真正网络安全人才会攻防

白皮书指出，大数据平台Hadoop开源模式、大规模的分布式存储和计算架构等存在安全机制短板，造成了安全配置工作难度加大。加上数据类型、用户角色和应用需求不断细化，以及大数据复杂的数据存储和流动场景，对数据加密和安全防护带来了更高要求。随着新型高级网络攻击手段的出现，传统的检测、防御技术无法有效抵御外部攻击。

加之去年肆虐全球的勒索病毒事件，一天横扫150多个国家让人心有余悸。后勒索病毒时代，面对网络安全这个新战场，该如何守卫，又将由谁守卫，成了一个新命题。

专家解读认为，大数据安全问题催生了相关安全技术和产品的研发，但是目前我国大数据安全技术研发的速度远远落后于产业发展的速度，业界必须加快大数据安全技术的发展。同时，网络安全的本质在对抗，对抗的本质在攻防两端能力的较量。网络安全的攻防归根结底是人才的竞争，人才培养的速度很关键。

网络安全关键在人才前景更美好

目前，面对我国网络安全产业规模数以百亿计，且行业市场规模逐年扩大，网络安全方面的人才储备却不容乐观。当前国内信息系统和信息基础设施等重要行业网络安全人才需求达70万人，至2020年将增加到140万人，需求量还以每年1.5万人的速度递增。随着市场缺口加大，网络安全人才就业形势水涨船高。资料显示，目前BAT三家的安全研究人员，即白帽子的年薪约在百万。高水平白帽子加入互联网公司，一年十几万、几十万很正常。

而高校年培养网络安全相关专业人员在2万人左右，且普遍存在实操不足，知识更新落后于一线需求，进入企业还需长期锻炼，这与企业自己培养一位熟手所需时间相当，约3~5年。时间过长，企业“等不起”。

据此，与行业顶尖白帽子合作，成为企业培养和招揽安全人才的明智之选，蓝鸥Web安全攻防课程成为企业联合培养网络安全人才的最优方案。蓝鸥Web安全攻防课程联手行业白帽子打造，贴近企业需求，并根据市场需求，及时更新，确保学员成为掌握最新攻防技术的安全人才。目前，业内知名安全企业慕名前来蓝鸥洽谈人才培养，并与蓝鸥签订了各类人才定制合同。

显而易见，能对抗、擅攻防的蓝鸥未来白帽子就业前景一片闪亮。来蓝鸥学Web安全攻防课程，进名企、拿高薪，你也可以！

后web2.0时代，互联网、物联网每天都在生产大量数据，人们对于这些庞大数据资源的价值渴求，使得“大数据”的概念得以问世。如果说“数据”是支撑未来核心技术的基础“原材料”，那么“大数据”正在演变成一种战略资源，当“用户需求导向”成为企业共识，大数据的收集、挖掘和分析开始支撑企业的业务运转、营销策略乃至战略方向，数据成为企业愈加珍视的宝贵资产。

目前，建设有大数据平台的企业不在少数，对比传统数据库，大数据平台数据大量集中，且蕴含更高价值，其安全建设要求明显更高。然而，由于大数据平台使用非结构化数据库类型，以及不同于以往应用与数据库，对应相对简单的传统网络结构，大数据平台安全建设为平台开发和运维者提出了难题。

日前，安华金和面向各行业IT运维和开发人群开展了一次大数据安全市场现状和需求调研。希望借此方式了解用户的大数据使用和运维安全现状，发现各行业用户在数据库运维工作中的安全需求，并梳理出整套适用于大数据平台特性的数据安全方案，帮助用户开展安全建设。安华金和从多方通道获取的近400份问卷中抽取170份有效样本进行统计分析，总结归纳出此份《大数据安全市场现状和需求分析》，摘取报告重点分析结论，分享给关注大数据安全的人士。

参与人员概况

抽取调研样本来自不同行业的部门或企业，包括：政府、制造、医疗、金融、通信、教育、能源、交通、保险行业等。调查对象主要为技术人员，直接从事IT运维或技术开发工作，或者为用户提供运维服务、解决方案及相关产品咨询，其中以技术经理、运维工程师、技术开发者占大多数，他们在单位中会指导或直接参与大数据平台的建设和运维，肩负大数据安全建设的责任，这为此份调研报告的客观性、专业度提供了基本的保障。

调查结果

大数据技术应用现状

本次调研中，半数受访者表示已经将大数据技术应用于单位部分业务中，或者明确列在应用计划内，处于技术选型阶段，另外半数受访者虽然没有真正启动大数据应用项目，但同样关注并处于技术调研阶段。同时，在已经投入大数据应用的受访者中，45%的受访者表示将大数据技术应用在了单位核心的数据分析或业务系统中，意味着单位核心业务数据写入大数据平台，这部分数据与平台分析结果具有非常高的商业价值，需要更高敏感度。

可以肯定的是，大数据技术已经受到各行业用户的广泛关注，当市场中近半数群体已经有所动作，一旦行业标杆案例成熟落地，另半数用户的方案复制和普及将很快开展起来。

大数据产品的使用情况

对于很多需要提供24小时不间断服务的网站来说，对数据库系统进行升级和扩展是非常痛苦的事情，往往需要停机维护和数据迁移，除了这些，大数据平台对传统的关系型数据库提出了更多的挑战，包括：高性能的事务管理性要求、读写实时性要求、高可用性要求。因此，在大数据平台的建设中，关系型数据库的很多特性失去了用武之地，非关系型数据库（NoSQL）成为大数据平台的标配。

在本次调研中，我们列出了目前相对常见的几类非关系型数据库产品，希望对几款产品的市场接受度加以了解：

32%的受访者应用了MangoDB数据库，使用最为广泛：Mongo最大的特点是支持的查询语言非常强大，语法类似于面向对象的查询语言，可以实现类似关系数据库单表查询的大部分功能，而且还支持对数据建立索引。MongoDB主要解决的是海量数据的访问效率问题，当数据量达到50GB以上的时候，Mongo的数据库访问速度是MySQL的10倍以上，这也是MongoDB广受青睐的主要原因。

其次为Hbase、Hive、Redis等几类，均在22%左右：Hive与HBase都是基于Hadoop平台的数据仓库工具，其优点是学习成本低，可以通过类SQL语句快速实现简单的MapReduce统计，不必开发专门的MapReduce应用，十分适合数据仓库的统计分析。

Spark紧随其后，占比17%：Spark 是一种与 Hadoop 相似的开源集群计算环境，拥有Hadoop MapReduce所具有的优点；但不同于MapReduce的是——Job中间输出结果可以保存在内存中，从而不再需要读写HDFS，因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的MapReduce的算法。

此外，在其他选项的答案中也出现了DB2、阿里大数据云等产品。

大数据平台中有哪些数据？

我们谈安全建设的时候，首先要搞清楚保护对象，不同业务类型、不同敏感级别的数据，需要根据其本身的敏感级别以及被访问和使用的情况，选择恰当的保护手段。因此，我们需要了解用户群体到底把哪些数据放到了大数据平台中存储和使用。

调研结果显示，50%的受访者会将“生产数据”放入大数据平台中，也就是单位主营业务系统实时产生的重要数据。这些数据从生产环境直接写入大数据平台，具有很强的实时性和敏感度。

41%的受访者选择“用户资料”，也是企业赖以生存的商业数据；此外，访问日志和交易信息分别有34%和24%的受访者选择。

更有14-15%的受访者表示会将第三方数据和财务数据放在大数据平台中，这里面第三方数据的出现，是指业务中的数据多方共享，测试、开发、分析场景中的数据分发等情况。此外，也有少数受访者提到了企业征信数据。

用户们的安全顾虑

大数据平台中汇集了一个单位方方面面的数据，并向各类对内或对外的业务系统开放接口，这意味着传统环境下的数据安全威胁在大数据应用场景下发生了更复杂的叠加和自由组合。那么用户们对大数据平台的安全顾虑更偏重哪方面呢？

59%的受访者选择漏洞攻击，56%的受访者选择“数据共享安全”，相较传统环境，共享场景下的安全问题在大数据技术的应用中显得更为突出，已经能与传统安全威胁中的“漏洞攻击”打个平手。不难理解，大数据平台除了提供存储和查询的功能，更重要的价值在于数据分析和价值挖掘，这决定了大数据平台需要向多部门甚至多家单位开放，比如政务大数据平台会向该地区各政府单位提供数据接口。

46%的受访者选择“企业机密泄露”，看来用户在安全问题引发的后果中，更担心机密数据泄露，这关乎企业的命脉。

38%的受访者选择“权限控制弱”，这与大数据平台所涉及的人员规模和角色复杂程度有关，目前只有具备一定技术水平的单位具备大数据平台建设能力，但同样需要引入第三方开发、测试人员，在后期的数据维护和挖掘中，需要引入第三方服务公司，这些不同访问角色的权限划分和管控愈加重要。

28%的受访者选择“无审计信息”，可见用户对于大数据平台的审计记录比较关注，这将提供一切安全事件的追责依据。

值得注意的是，只有13%的受访者选择“违反国家法规”，这不同于以往“安全需求多出自政策要求”的传统观念，保障数据安全的刚需成为越来越多用户考虑的重点。

哪些大数据安全产品最受青睐？

传统的安全建设思路对于大数据安全同样适用，但真正落地到技术手段的实现和方案的整合中，非关系型数据库的技术结构比传统关系型数据库难度更大。另外，由于大数据平台的数据访问来源、对象以及过程都要复杂的多，安全策略的制定和实现难度也会更高，那么在数据安全产品的选择上，用户更倾向哪几类呢？

大数据运维管控产品受到59%的受访者青睐，这侧面体现了用户对运维侧的行为管控最为重视，事实上，相比应用侧的数据读写，运维侧的开发、测试、分析人员会拥有更高的数据操作权限，也意味着更高的管控难度。

其次，大数据防火墙产品为41%，由于防火墙多用于应用侧的对外安全防护，也正应了用户对漏洞攻击等外部入侵的安全防护需求。

32%的受访者选择大数据审计，该数字低于运维管控和防火墙产品，这与传统环境下的安全需求差异明显，看来用户更看重能够提供事中管控的安全手段，审计产品的旁路监控和事后追查能力也重要，但看起来没那么迫切。

“大数据风险扫描”、“敏感数据梳理”的选择者各有27%和28%。安全风险扫描能够帮助用户发现安全隐患，如安全漏洞、弱安全配置、弱口令等，有些问题可以人工修复，提高平台安全基线，也能够指导安全方案的规划。敏感数据梳理是整体数据安全建设的基础，但这项技术在规模庞大且数据类型繁杂的大数据平台中落地，会面临不小的挑战。“大数据脱敏”有20%的青睐者，这项技术适用于数据分发和共享场景下的安全需求，但这个数字没有想象中高，也许用户是出于性能考虑？有待观察。

基于大数据的安全分析在国内已经火了一段时间，不同行业都在这方面有不少的投入，自建的大数据安全平台项目也屡见不鲜。具体有多少会如Gartner的分析师Anton Chuvakin认为的那样，大概率归于失败（Why Your Security Data Lake Project Will FAIL：http://blogs.gartner/anton-chuvakin/2017/04/11/why-your-security-data-lake-project-will-fail/），这是我们无法知道的。但是否有一条稳妥、坚实的路径可以到达目标，也许更值得讨论。

需要思考的问题

在曾经由被动防御主导的建设阶段里，企业采购了很多防御性安全产品（FW、IPS、WAF、漏洞扫描等），其目的更多的是防御或加固自身。威胁态势的发展告诉企业，当前已经不能一味的停留在这个阶段。持续投资在防御上，不断加高水桶的木板高度并不是最经济、最有效的策略，蓄意的攻击者总是能够发现新的攻击面，进入到企业内部。如何能够尽早的发现这种有效渗透攻击，进行响应分析、及时处理并进一步有针对性的弥补防御的短板，这些将成为组织面对的新目标。此时大家注意到大数据这颗冉冉上升的新星，就把希望寄托在这上面。不可否认，数据驱动确实是新时期安全建设的一个关键因素，但我们也需要认识到，这种从单纯防御向防御、检测、响应、预防全周期转变的过程，涉及到数据、工具和使用工具的人三方面的提升，是个相对复杂的系统工程。必须理清几方面的问题：

要监控的关键威胁是什么？涉及的分析方法有哪些、这些分析方法又需要哪些数据？需要什么样的平台系统来支持分析工作，平台选择的关键能力指标有哪些？现有技术能力下建立起的平台，适合怎样的人来使用，是否已经具备这样的人员，是否能够·购买相应的安全服务？采集数据和人员水平受限情况下，如何选择切实的目标保障有实际的效果？

在实际工作中，对这几方面的认识往往需要一个实践摸索的过程，难以做到一步到位，就如Facebook就在数据平台上有过不断的摸索过程（It’s Time to Stop Using Hadoop for Analytics：https://interana/blog/stop-using-hadoop-analytics/）。因此分阶段实施，由易到难也许是一个更好的方式。下面介绍可能涉及到的几个阶段，在实际工作中也许可以多个阶段并行，但应该很难出现跳跃式的发展。

IOC情报阶段

质量优秀的IOC情报（也称失陷主机检测情报）具有及时、全面、精准、具备相关性且提供指导响应活动的上下文这些特点。利用这类情报我们能够尽早地检测内部的失陷主机（无论来自情报机关、网络犯罪团伙或者网络恐怖主义团体），并且基于情报的上下文（攻击团伙、恶意类型、目的、危害等）确定合理的优先级，及时的给予响应处置。

利用这种失陷IOC进行检测发现，对组织的数据采集要求较低（一般就是HTTP 代理日志、DNS日志或者较完整的流量日志）；而一旦发现失陷主机，利用情报信息可以较容易的进行优先级排序、响应方案选择等工作（情报的上下文会清楚地告诉安全响应人员，这是一个针对个人用户的网银木马，或者是一个具有定向性质的窃密木马，又或者只是一个黑客用来进行DDoS攻击的僵尸网络），因此它对于大多数组织而言，是一个相对容易而又实实在在的进步。

利用成熟安全分析解决方案

利用IOC情报能力建设阶段，可以在数据积累、安全响应分析方面积累一定的能力，获得相应的经验，再进一步就向前深入，就是利用较好的产品或解决方案来实现一些典型场景下的安全分析工作，这样做的好处是聚焦问题的解决、有机会学习到业界成熟的经验并且免于将自己陷入到工程开发细节的泥潭中。

这里面讲的较好，有两个层次：

内置典型的分析场景：每个场景需要包括怎样发现线索、怎样排查确认、如何确定攻击范围和性质这些基本的步骤，简单的说它就是将资深分析师的工作经验集成到了产品当中，使安全运维人员在产品的引导下可以逐步学习、探索安全分析的世界。进一步提供基于线索的优先级排序：线索不是真正的攻击事件，线索排查中会有一些对于组织的环境而言是不需要特别注意的，因此如果能基于一定的方式（规则组合、ML、贝叶斯算法）对不同线索出现后，标识出线索聚合的风险程度，这对于分析人员无疑是非常有价值的。可以直接聚焦到高危报警。

这两个层面可以说对应这安全分析的两代产品，第一代中的典型代表是Splunk的企业安全应用，而第二代则是Exabeam这样的UEBA产品（之前介绍UEBA的一篇文章 [浅析UEBA]：http://jianshu/p/a8b5e1c31f59）。组织基于自身关注的问题、数据能力以及人员水平，从某几个典型威胁场景出发，选择适合并有强扩展性的产品，就可以进行建立初步的平台了。需考虑的是，解决某些问题的数据源，也许不是短时间就能采集到的，比如内部没有很成熟的出差审批流程和电子流，就难以将差旅信息作为UEBA的一个分析数据源，但成熟的产品会考虑这种情况下如何检测和判定风险级别。

利用运营级威胁情报阶段

安全是一个动态的过程，即使在采购阶段选择了较好的产品，但是针对新的攻击方式我们还是需要建立新的分析场景，同时也包括一些关键威胁暂时没有现成的分析场景可以覆盖，也需要扩展分析场景。这个过程就需要建立从运营级威胁情报（威胁相关的技术、方法、过程的情报）到分析数据以及分析方法的映射。举一个简单的例子：在2014年以前，可能很少有人会考虑分析Powershell日志的情况，并且也是Powershell 5.0才引入了增强日志功能，早期版本没有太多的日志能力。

因此在平台选型阶段，需要考量产品／方案的开放性与可扩展性，同时也需要考虑建立自身的运营级情报收集能力。对比IOC情报，运营层面的威胁情报，现阶段市场上并没有足够成熟的产品生态圈。如何及时获取到有效的运营级情报，如行业分享、国家层面的通报共享或商业来源，是这个阶段的一个重点。而数据和工具方面应该不再成为这个阶段的重要挑战。

自动化阶段

在整个安全分析平台运营过程中，会发现其中很多工作是高度一致的重复劳动，这种工作如何能够自动化进行，就是这个阶段考虑的事情。这里面就包括更智能的事件调查，以及自动化的遏制（个人认为不是清除）。到了这个数据、检测能力、ML能力都比较成熟的阶段，我们也许可以将一个攻击可能的攻击链、影响范围通过自动化方式给出大致的范围，极大缩短分析人员的工作强度。也有可能基于成熟的处置流程，明确地知道哪类事件可以通过自动化配置网络和终端设备，达到自动化遏制的目的。这样可以让安全运营人员从既有的、缺乏挑战的工作中释放出来。这个阶段可以使重要安全事件的响应时间和质量有巨大的提升。

小结

大数据安全分析能力建设是一个分阶段、逐步提升的过程，对于一些有实力的组织可以同时进行多个阶段的建设，但如果想一步到位无疑是不现实的。整个过程最关键的是问题思维：现阶段要解决的问题是什么，深入思考这个问题才能设立合理的阶段性目标。威胁情报作为一条主线贯穿建设过程中，如果说数据是安全分析的基础，那么情报则是它的灵魂。

作者：ZenMind，来自FreeBuf

信息技术的快速发展和各种IT技术的广泛应用，企业越来越多的依赖于IT技术来支撑自己业务生产的正常运转。产生的大量数据，成为企业核心资产的组成部分，也是组织的核心竞争力的体现，数据型组织越来越多的成为企业的发展标杆和方向。数据为企业发展和各类业务使用对象提供了指导和决策的基础，成为企业重要的资产载体。

大数据时代来临

但数据在收集、存储、传输和使用的过程中，缺乏必要的技术饭后手段，使得大量敏感信息的安全性无法得到有效的保障。集中的高价值数据，就也面临越来越多的安全风险，一旦出现数据泄露，会给企业带来不给估量的损失和影响。

大数据安全

大数据时代数据安全主要面临以下挑战：一、外部非授权人员对信息系统进行恶意入侵，非法访问隐私数据；二、数据具有易复制性，发生数据安全事件后，无法进行有效的追溯和审计；三、大数据有流动、共享的需求，大量数据的汇聚传输加大了数据泄露的风险；

保护大数据安全需要搭建统一的数据安全管理体系，通过分层建设、分级防护，达到平台能力及应用的可成长、可扩充，创造面向数据的安全管理体系框架。平台架构自下而上可以分为：数据分析层、敏感数据隔离交互层、数据防泄露层、数据脱敏层、和数据加固层。

大数据安全防护

数据分析层是数据安全管理体系的基石，通过收集和归并各类业务系统产生的海量信息数据，运用关联分析技术、逻辑推理技术、风险管理技术等，对海量数据事件进行统一的加工分析，实现对数据风险的统一监控和未知风险的预警处理。

敏感数据隔离层是通过数据指纹特征采集、内容检测和响应处理三个步骤，突破深度内容识别，解决既可以连通网络又可以 保障数据销户安全性的一种手段。

数据防泄漏针对数据流动、复制等需求，通过深度内容分析和事务安全关联分析来做识别、监视和保护静止的数据、移动的数据以及使用中的数据，达到敏感数据利用的事前、事中、事后完整保护，实现数据的合规使用，同时防止主动或被动意外的数据泄露。

数据脱敏层通过独特的数据抽取方法使用户能够快速创建小容量子集，对敏感信息进行脱敏、变形，由此提高数据管理人员的工作效率，同时规避数据泄露风险，对客户信息资产安全、敏感信息保护提供完善的保护。

数据库监控及加固层核心是让数据保护变的更加牢固，具有数据库状态监控、数据库审计、数据库风险扫描、访问控制等多种引擎，可提供黑白名单和例外政策、用户登录控制、用户访问权限控制，并实时监控数据库访问行为和灵活的告警机制。

数据安全防护任重道远，只有通过有效的技术手段和相关的管理措施相结合，才能从根本上解决数据安全和数据泄露的保护问题。在进攻和防守永无止境的今天，只有不断的技术创新、管理创新才能最终有效的保障数据的安全。