如何在满足可用性的前提下实现大数据机密性
安全与效率之间的平衡一直信息安全领域关注的重要问题。在大数据场景下，数据的高速流动特性以及操作多样性使得数据的安全与效率之间的矛盾更加突出。
如何实现大数据的安全共享
在大数据访问控制中，用户难以信赖服务商正确实施访问控制策略，且在大数据应用中实现用户角色与权限划分更为困难。
如何实现大数据真实性验证与可信溯源
当一定数量的虚假信息混杂在真实信息之中时，往往容易导致人们误判。（例如：点评网站上的虚假评论）最终影响数据分析结果的准确性。需要基于数据的来源真实性、传播途径、加工处理过程等，了解各项数据可信度，防止分析得出无意义或者错误的结果。
2 大数据隐私保护
由于去匿名化技术的发展，实现身份匿名越来越困难
仅数据发布时做简单的去标识处理已经无法保证用户隐私安全，通过链接不同数据源的信息，攻击者可能发起身份重识别攻击，逆向分析出匿名用户的真实身份，导致用户的身份隐私泄露。
基于大数据对人们状态和行为的预测带来隐私泄露威胁
随着深度学习等人工智能技术快速发展，通过对用户行为建模与分析，个人行为规律可以被更为准确的预测与识别，刻意隐藏的敏感属性可以被推测出来。
3 区别与联系@
大数据安全需求更为广泛，关注的目标不仅包括数据机密性，还包括数据完整性、真实性、不可否认性，以及平台安全、数据权属判定等。
而隐私保护需求一般仅聚焦于匿名性。
虽然隐私保护中的数据匿名需求与安全需求之一的机密性需求看上去比较类似，但后者显然严格得多。
匿名性仅防止攻击者将已公布的信息与现实中的用户联系起来，
而机密性则要求数据对于非授权用户完全不可访问。
在大数据安全问题下，一般来说数据对象是有明确定义。
来自 “ ITPUB博客 ” ，链接：https://blog.itpub.net/31495967/viewspace-2893158/ ，如需转载，请注明出处，否则将追究法律责任。
