大数据时代数据分析与信息安全

刘林林

（山东质量认证中心 山东 250014）

0 引言

“大数据”在物理学、生物学等自然科学领域以及军事、金融、通讯等行业存在多年，却因为近年来互联网与信息行业的发展而引起人们关注。大数据在以Google、IBM、Amazon等为代表的互联网与信息公司快速应用发展，逐步蔓延到越来越多的金融、电力、通讯等传统行业，这些公司和行业从不同的维度进行数据挖掘和分析，创造出更多的商业模式和经济增长点。

大数据的价值不仅仅局限于它的初始收集目的，而在于收集后可以用于其他用途并可重复使用。目前，包括美国在内的许多国家，都将大数据分析管理上升到国家战略层面，从国家层面通盘考虑其发展战略。

目前，可以依据不同的需求，从以下三个角度将大数据分析进行分类。

1 以数据分析的实时性分类

以数据分析的实时性分类，可分为实时数据分析和离线数据分析。

“即时处理”是实时数据分析的主要特点。实时数据分析一般用于金融、移动和互联网B2C等产品，往往要求在数秒内返回上亿行数据的分析，从而达到不影响用户体验的目的。要满足这样的需求，可以采用精心设计的传统关系型数据库组成并行处理集群，或者采用一些内存计算平台，或者采用 HDD的架构，这些无疑都需要比较高的软硬件成本。目前比较新的海量数据实时分析工具有EMC的Greenplum、SAP的HANA等。

“先收集，后分析”是离线数据分析的主要特点。对于大多数反馈时间要求不是那么苛刻的应用，比如离线统计分析、搜索引擎的反向索引计算、推荐引擎的计算等，应采用离线分析的方式，通过数据采集工具将日志数据导入专用的分析平台。但面对海量数据，传统的ETL工具往往彻底失效，主要原因是数据格式转换的开销太大，在性能上无法满足海量数据的采集需求。互联网企业的海量数据采集工具，有 Facebook开源的Scribe、LinkedIn开源的Kafka、Hadoop的Chukwa等，均可以满足每秒数百MB的日志数据采集和传输需求，并将这些数据上载到Hadoop中央系统上。

2 以数据分析的算法复杂度分类

在实际应用中由于业务需求的不同，数据分析的算法也差异巨大，而数据分析的算法复杂度和架构是紧密关联的。举个例子，Redis是一个性能非常高的内存Key-Value NoSQL，它支持List和Set、SortedSet等简单集合，如果你的数据分析需求简单地通过排序，链表就可以解决，同时总的数据量不大于内存（准确地说是内存加上虚拟内存再除以 2），那么无疑使用Redis会达到非常惊人的分析性能。

对于大多数统计分析，机器学习问题可以用 MapReduce算法改写。MapReduce目前最擅长的计算领域有流量统计、推荐引擎、趋势分析、用户行为分析、数据挖掘分类器、分布式索引等。

3 以数据量大小分类

以数据量大小分类，分为内存级别、BI级别、海量级别三种。这里的内存级别指的是数据量不超过集群的内存最大值。目前内存的容量，如Facebook缓存在内存的Memcached中的数据高达320TB，即使PC服务器，内存也可以超过百GB。因此可以采用一些内存数据库，将热点数据常驻内存之中，从而取得非常快速的分析能力，非常适合实时分析业务。

BI级别指的是那些对于内存来说太大的数据量，但一般可以将其放入传统的BI产品和专门设计的BI数据库之中进行分析。目前主流的BI产品都有支持TB级以上的数据分析方案。海量级别指的是对于数据库和BI产品已经完全失效或者成本过高的数据量。海量数据级别的优秀企业级产品也有很多，但基于软硬件的成本原因，目前大多数互联网企业采用Hadoop的HDFS分布式文件系统来存储数据，并使用MapReduce进行分析。

今年年初，在美国召开的RSA2013大会结束以来，大数据安全已经成了今年业界关注的热点。众多安全厂商都发布了大数据安全战略，将大数据安全作为未来研发的重点。目前，从信息安全的角度看，大数据安全主要体现在以下五个方面：

3.1 数据保密

大量的数据产生、存储和分析，数据保密问题将在未来几年内成为一个更大的问题。对一个企业在数据存储和部署的时候，有些时候容易交叉存储，把敏感信息一不小心部署到公开的或者不应该部署到服务器上，更容易加大隐私的泄漏。企业必须尽快开始规划新的数据保护，同时监测进一步的立法和监管的发展。

3.2 网络安全

随着越来越多的交易、对话、互动和数据在网上进行，这种刺激使得网络犯罪分子比以往任何时候都要猖獗。今天的网络犯罪分子都组织得更好、更专业，并具备有力的工具和能力，以针对确定的目标进行攻击。这种攻击产生的后果，对企业可能意味着声誉受损，法律责任，甚至财政破产。从近两年所发生的一些互联网公司的用户帐号的信息失窃情况来看，大家可以发现，一般失窃的量都是非常庞大的。大数据当中数据量比较大，它的信息量也比较大，攻击成本低，所以黑客更加乐意去攻击。

3.3 设备安全管理

携手大数据的增长的是新的移动设备使用范围的扩大，用于收集、存储、访问和数据传输。企业现在面临的企业员工在工作场所使用个人设备的安全管理挑战，必须平衡安全与生产力的需要。对员工习惯、使用痕迹的收集是企业信息安全重大威胁，尤其是当这些混合了家庭和工作数据。企业应当确保其雇员接受相关的个人设备使用政策，并继续在符合其既定的安全政策下管理移动设备。

4 云服务的数据安全

企业必须迅速采用和实施新技术的压力，比如云服务。经常面临大数据的具有挑战性的存储和处理的需求。而这其中包含了不可预见的风险和意想不到的后果。在云中的大数据对于网络犯罪分子来说，是一个极具吸引力的攻击目标。这对企业来说提出了更多的需求，他们必须采购战略正确的安全的云。

随着安全风险的越来越复杂，企业在应对这些安全风险时越发感到吃力。大数据安全既包括对大数据本身的安全保护，也包括通过对大数据的搜集、整合和分析，提供更多更好的安全情报。用户将数据上传到云，或从云中下载数据时，都需要扫描和屏蔽恶意数据；在云中，也需要通过定时扫描，检查和屏蔽恶意数据。企业或个人应树立良好的大数据信息安全观念，降低风险，减少损失。

[1]覃雄派；王会举；杜小勇；王珊.大数据分析——RDBMS与MapReduce的竞争与共生. 软件学报.2012年01期.