場景一：數據資產梳理

數據資產梳理是數據安全的基礎。知道企業究竟有多少數據，這些數據在哪里？有哪些類型的數據？其中哪些是敏感數據？這些數據的敏感等級分別是什么？只有明確了保護的目標，才能有針對性的對安全風險進行防護。

對于大數據來說，首先要做的一項工作就是進行數據發現，通過對數據資產的全面盤點，形成相應的數據資產地圖，知道自己手里有什么之后，才能有針對性的保護數據資產安全。

全息數據資產測繪系統是基于多年數據安全技術研發實踐，推出的一款數據資產梳理的安全技術工具。該產品采用B/S結構和大數據底層技術框架，搭載數據資產自動發現、數據架構智能掃描、敏感資產自動識別等先進技術引擎，能夠幫助企業快速定位其內部網絡中的數據服務，實現對目標環境中的數據資產梳理，即完成數據資產全面摸排清查，清晰了解數據資產類型、數據資產分布、數據資產權限、敏感數據分布、流轉和使用情況，對數據資產進行不同類別和密級的劃分并構建數據資產目錄，以便實現對敏感數據進行針對性防護，更幫助企業奠定數據價值挖掘和數據安全防護的堅實基礎。

場景二：敏感數據智能識別及分級分類

在大數據應用日益廣泛的今天，數據資源的共享和開放已成為促進大數據產業發展的關鍵，但由于數據的敏感性，加之各行業數據分類分級標準的滯后性和缺失，使數據開放共享面臨諸多困難：

• 海量的數據背景下，人工手動進行分類效率低下。在企業數據分類工作中，通過人工分類往往需要幾個月甚至更長的時間才能完成，而且在分類過程中，又會有數據新增或者舊的數據發生變更，造成數據分類工作無法準確、及時的交付。
• 人員業務知識有限，無法專業的對不同業務數據進行歸類。數據分類人員一般需要具有專業的業務知識，分類過程需要企業調配相應的業務資源進行持續的配合，需要大量的時間和溝通成本。
• 通過文件名、文件格式進行分類，很難保證分類與內容的準確匹配。
• 數據分類后，對于不同種類的數據需要形成對應的安全檢測策略。隨著數據量和數據內容的不斷變更，還需要企業花大量的人力物力進行安全策略的更新，同樣給企業帶來更多的資源消耗。

通過AI算法進行自動化和智能化數據分類分級，有利于穩步推進數據開放和共享，為大數據發展應用奠定基礎，實現數據價值的最大挖掘和利用。

使用智能學習組件，對不同類別、級別的數據分別進行機器學習，生成學習結果共安全策略使用。同時，智能學習和可以按照要求進行定時、定量的持續循環工作。保證安全策略的檢測內容隨時保持最新狀態，和企業的數據資產內容保持匹配。

數據實施分級管理，能夠進一步明確數據保護對象，有助于企業組織合理分配數據保護資源，是建立健全數據生命周期保護框架的基礎，也是有的放矢實施數據安全管理的前提條件。

同時，統一的數據分級管理制度，能夠促進數據在機構間、行業間的安全流動，有利于數據價值的充分釋放。

場景三：基于用戶行為的數據安全異常檢測

目前多數企業已經開始規劃或開展信息安全管控策略及實施，但在數據安全保護層面的措施僅限于傳統網絡安全、存儲冗余/備份、集中化管理以及桌面安全管理等層面，對于數據安全領域關注度不夠，在核心數據資產的使用、傳輸、保管、銷毀的過程中存在較多安全風險，同時也加劇了信息安全治理工作的難度，所面臨的關鍵問題及風險統計如下：

• 數據資產不清，梳理難度大；
• 數據共享缺乏統一管理，泄露風險大；
• 數據合規性風險；
• 數據安全管理風險。

針對上述關鍵問題，全息數據資產追溯系統提出基于用戶行為的數據安全異常檢測技術，把注意力放在特定用戶的數據活動上，通過多種統計及機器學習算法建立用戶行為模式，當“黑客”行為與合法用戶身份權限出現不同時則進行行為判定并預警，從而提早發現數據泄露風險。

長期以來，企業都在試圖用各種技術和機制檢測安全威脅，從早期的SOC到SIEM，再到現在大數據驅動的用戶實體行為分析（UEBA），將用戶行為活動與相關實體信息關聯分析，引入機器學習建立各種行為活動基線來檢測異常行為。UEBA是典型的數據驅動型，基于廣泛收集的各種數據集，應用機器學習的行為分析和異常檢測。

涉及用戶行為分析需求的典型場景：提供用戶行為的可視化，用戶行為與敏感數據風險關聯的可見性，以用戶為核心同時關聯文件、設備和應用3個維度進行持續跟蹤，對異常行為進行持續檢測，及時發現潛在內部威脅；看清安全狀況，查漏補缺。一旦發生安全事件，能夠快速定位問題，提供在線分析，提供證據鏈抓取。