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 ，通过对数据资产的源码库人工全面盘点 ，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高防服务器数据服务，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，免费模板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 ，模板下载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服务器租用准确匹配。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，实现数据价值的建站模板最大挖掘和利用 。

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。