“大数据”实际上包括收集的关于每个人的地球及其周围环境对海量数据的. 此数据由各种组织收集, 企业和政府，以及. 生成的数据是非常巨大的，它预期甚至翻倍每两年. 这意味着，如果在产生的总数据 2012 是 2500 艾字节, 然后在所产生的总数据 2020 将约 40,000 艾字节! 这样的数据收集, 以各种方式用于改善客户关怀服务. But, 产生的数据的大量正在演示数据的科学家很多新问题, 特别是关于隐私.
So, 云安全联盟, 一个非营利性组织，旨在促进安全的云计算实践, 环顾四周，找出主要的安全和隐私挑战大数据的面孔.
如何产生这些问题?
只有海量的数据本身不属于隐私和安全问题的原因. 数据的连续流, 大基于云的数据存储方法, 从一个云存储到另一个数据的大规模迁徙, 不同类型的数据格式和不同类型的来源都有自己的漏洞和问题.
大数据的收集并不是一个很新的东西, 因为它已经收集到了几十年. 但, 主要的区别是，较早, 只有大型机构可以收集数据，其原因包括巨大的费用, 但现在几乎每个企业都可以很容易地收集数据，并将其用于不同的目的. 便宜的新的基于云的数据收集技术, 随着强大的数据处理软件框架Hadoop等, 都使他们能够轻松地矿和处理大数据. As a result, 许多与安全影响的挑战都带着大数据和云数据存储的大规模集成.
当今的安全应用设计用于固定小的数据量中等, 从而, 他们不能保护这些海量数据. Also, 它们根据静态数据设计, 因此它们不能既处理动态数据. 一个标准的异常检测的搜索将不能够有效地覆盖所有的数据. Also, 连续数据流需要安全的所有时间，而流.
十个最大的大数据的安全性和私密性挑战
为了使十大大数据安全和隐私的挑战列表, CSA的 (云安全联盟) 大数据研究工作组发现了这些挑战.
保护事务日志和数据
经常, 事务日志，并存储在存储介质中的其他这样的敏感数据具有多层. 但是，这是不够. 该公司也有，以防止未经授权的访问这些存储，也必须确保他们随时可用.
保护计算等工序分布式框架完成
这实际上指的是一个分布式框架的像的Hadoop MapReduce的函数的计算和处理单元的安全. 两个主要的问题是“映射器”打破了数据下来，数据消毒功能的安全性.
验证和结束点输入滤波
端点是任何大数据采集的重要组成部分. 它们提供了用于存储输入数据, 加工等重要作品. So, 有必要确保只有真实端点是在使用中. 每个网络应该从恶意端点免费.
提供了实时的安全性和监测数据
所有的安全检查和监控应发生在实时最好是, 或至少在近实时. 不幸, 大部分传统平台是无法做到这一点，由于产生的大量数据.
安全的访问控制方法的通信和加密
一种简单的方法来保护数据是确保该数据的存储平台. 但, 这就保证了数据存储平台上的应用往往是会很脆弱自己. So, 接入方法需要被高度加密.
数据的出处
数据的来源是非常重要的是它允许数据进行分类. 来源可以通过适当的身份验证准确地发现, 验证和通过授予访问控制.
细粒度访问控制
一个强大的身份验证方法，强制访问控制是由NoSQL数据库或Hadoop分布式文件系统的大数据存储的细粒度访问的主要要求.
粒状审核
定期审计也是非常必要的连续监测数据一起. 的各种创建的日志的正确分析是非常有利的，并且可以使用该信息来检测所有类型的攻击和间谍.
可扩展性和数据分析和采矿隐私
大数据分析可以在这个意义上很成问题，一个小的数据泄露或平台的漏洞可能会导致数据的一大损失.
保护不同种类的非关系型数据源
NoSQL的等这样的数据存储类型有哪些创造出很多的安全问题很多漏洞. 这些漏洞包括缺乏加密数据的能力，当它被流或存储, 该标记或数据记录过程中的分类分成不同的小组，或在.
结论
由于每个先进理念有一些漏洞. 大数据也有一定的隐私和安全问题的形式. 大的数据只能通过确保所有的它的组件被固定. 由于大数据是体积庞大, 许多强大的解决方案必须以确保所涉及的基础设施的每一个部分被引入. 数据存储器必须确保用于确保不会有在它的任何泄漏. Also, 实时保护必须数据的初始集合期间启用. 所有这一切将确保消费者的隐私被保持.
