大資料下的資訊保安

在人們享受網際網路帶來的便捷和高效時，有一批

人將其**伸向了

領域，他們利用某些**的技術和業務漏洞進行作弊，從而滿足自己的灰色利益需求。惡意傳播色

情、詐騙、謠言、暴力等不正當資訊，給網際網路環境造成了很大的威脅。

隨著作弊場景和手法的不斷變化，各個維度的安

全技術也在不斷公升

級保護正常使用者免受黑色利益鏈條的侵害，其中包括物理安全、網路安全、應用安全、資料安全等方面。

1敏感資訊保護（加密，物理隔離），在使用過程中清洗過濾掉敏感資訊（etl脫敏）

2針對網路攻擊，智慧型監控預警：通過採集審計日誌資訊，通過kafka傳輸給spark/flink（機器學習）

2針對非人為操作（通過自動化程式進行網路攻擊），採用防火牆和閘道器識別網路攻擊，黑名單遮蔽

3識別欺詐資訊，通過大資料手段識別（

有監督學習（用於**）

通過正負樣本標記、特徵提取、模型訓練及**等過程來識別作弊行為。比如在賬戶反欺詐場景下，以賬戶的屬性資訊和行為資料作為模型特徵輸人，以歷史的欺詐事件作為標記樣本，通過訓練分類模型對當前賬戶的作弊風險進行**評估。

無監督學習（分類，

輔以一定的業務知識來綜合判斷行為的風險情況。）

在此類方法中較常見的是異常檢測演算法，該方法假設作弊行為極其

見且在某些特徵維度下和正常行為能夠明顯地區分開來。所以，假設

檢驗、統計分析、聚類分析等手段常被用來做異常檢測。比如我們發現賬戶的**訪問時間段分布有一定的規律，和人們日常的作息時間具有相關性，如果某個賬戶長期在凌晨發生大量的訪問行為且轉化率較低，那麼就需要適當提高對應賬戶的風險等級。