人工智能在数据安全中的应用场景

场景一 ：数据资产梳理

数据资产梳理是人工数据安全的基础。知道企业究竟有多少数据，智能中这些数据在哪里 ？数据有哪些类型的数据？其中哪些是敏感数据
？这些数据的敏感等级分别是什么？只有明确了保护的目标 ，才能有针对性的安全对安全风险进行防护。

对于大数据来说，应用首先要做的场景一项工作就是进行数据发现
，通过对数据资产的建站模板人工全面盘点，形成相应的智能中数据资产地图 ，知道自己手里有什么之后 ，数据才能有针对性的安全保护数据资产安全 
。

全息数据资产测绘系统是应用基于多年数据安全技术研发实践 ，推出的场景一款数据资产梳理的安全技术工具。该产品采用B/S结构和大数据底层技术框架
，人工搭载数据资产自动发现  、智能中数据架构智能扫描
、数据敏感资产自动识别等先进技术引擎，能够帮助企业快速定位其内部网络中的源码库数据服务，实现对目标环境中的数据资产梳理，即完成数据资产全面摸排清查，清晰了解数据资产类型、数据资产分布、数据资产权限、敏感数据分布
、流转和使用情况，对数据资产进行不同类别和密级的划分并构建数据资产目录 ，以便实现对敏感数据进行针对性防护，更帮助企业奠定数据价值挖掘和数据安全防护的坚实基础 。

场景二：敏感数据智能识别及分级分类

在大数据应用日益广泛的今天，服务器租用数据资源的共享和开放已成为促进大数据产业发展的关键 ，但由于数据的敏感性 ，加之各行业数据分类分级标准的滞后性和缺失，使数据开放共享面临诸多困难：

海量的数据背景下，人工手动进行分类效率低下。在企业数据分类工作中，通过人工分类往往需要几个月甚至更长的时间才能完成 ，而且在分类过程中
，又会有数据新增或者旧的数据发生变更 ，高防服务器造成数据分类工作无法准确、及时的交付。人员业务知识有限，无法专业的对不同业务数据进行归类。数据分类人员一般需要具有专业的业务知识 ，分类过程需要企业调配相应的业务资源进行持续的配合，需要大量的时间和沟通成本。通过文件名
、文件格式进行分类，很难保证分类与内容的免费模板准确匹配。数据分类后，对于不同种类的数据需要形成对应的安全检测策略。随着数据量和数据内容的不断变更，还需要企业花大量的人力物力进行安全策略的更新
 ，同样给企业带来更多的资源消耗。

通过AI算法进行自动化和智能化数据分类分级，有利于稳步推进数据开放和共享
，为大数据发展应用奠定基础，实现数据价值的模板下载最大挖掘和利用。

使用智能学习组件，对不同类别
、级别的数据分别进行机器学习 ，生成学习结果共安全策略使用。同时，智能学习和可以按照要求进行定时、定量的持续循环工作
 。保证安全策略的检测内容随时保持最新状态，和企业的数据资产内容保持匹配 。

数据实施分级管理，能够进一步明确数据保护对象 ，有助于企业组织合理分配数据保护资源 ，是建立健全数据生命周期保护框架的基础 ，也是有的放矢实施数据安全管理的前提条件。

同时，统一的数据分级管理制度，能够促进数据在机构间、行业间的安全流动 ，有利于数据价值的充分释放。

场景三：基于用户行为的数据安全异常检测

目前多数企业已经开始规划或开展信息安全管控策略及实施
，但在数据安全保护层面的措施仅限于传统网络安全、存储冗余/备份、集中化管理以及桌面安全管理等层面，对于数据安全领域关注度不够，在核心数据资产的使用、传输、保管、销毁的过程中存在较多安全风险，同时也加剧了信息安全治理工作的难度，所面临的关键问题及风险统计如下：

数据资产不清 ，梳理难度大；数据共享缺乏统一管理
，泄露风险大；数据合规性风险；数据安全管理风险 。

针对上述关键问题 ，全息数据资产追溯系统提出基于用户行为的数据安全异常检测技术 ，把注意力放在特定用户的数据活动上，通过多种统计及机器学习算法建立用户行为模式，当“黑客”行为与合法用户身份权限出现不同时则进行行为判定并预警，从而提早发现数据泄露风险。

长期以来
 ，企业都在试图用各种技术和机制检测安全威胁，从早期的SOC到SIEM ，再到现在大数据驱动的用户实体行为分析（UEBA），将用户行为活动与相关实体信息关联分析，引入机器学习建立各种行为活动基线来检测异常行为。UEBA是典型的数据驱动型 ，基于广泛收集的各种数据集，应用机器学习的行为分析和异常检测。

涉及用户行为分析需求的典型场景 ：提供用户行为的可视化，用户行为与敏感数据风险关联的可见性，以用户为核心同时关联文件 、设备和应用3个维度进行持续跟踪 ，对异常行为进行持续检测 ，及时发现潜在内部威胁；看清安全状况
，查漏补缺。一旦发生安全事件，能够快速定位问题，提供在线分析，提供证据链抓取 。