计算机大数据的信息安全处理研究

何高兴

【摘 要】 随着互联网和计算机技术的迅速发展，大数据成为当下最热门的技术之一。随着大数据技术的广泛应用，信息安全问题逐渐凸显，保护大数据信息安全变得尤为重要，对于计算机大数据的信息安全处理研究成为研究者关注的焦点。文章基于计算机大数据信息安全处理技术的基础，研究了计算机大数据信息安全处理的新方法和技术，旨在进一步提高我国计算机大数据的信息安全程度。

【关键词】 计算机大数据；信息安全；信息安全处理技术

随着互联网、物联网、移动互联网等技术的快速发展，大数据应用领域得到了广泛的拓展，人们使用计算机处理和储存数量庞大的数据已经成为日常工作的必要手段。然而，随着数据规模不断扩大，信息安全问题也逐渐凸显出来，如何保证大数据在处理中的安全性、完整性、可靠性等便成了重要的研究议题。计算机大数据所涉及的数据类型更新快速、千差万别、数量庞大，并且包含非结构化数据、异构的数据等，这些特征极大地增加了处理数据时所需要的计算资源以及运算时间，也给数据的传输和存储带来了诸多挑战。因为网络的开放性与易访问性，大数据也日益成为黑客攻击的目标，大数据的缓存、共享和备份等功能都可能成为攻击者获取关键数据的突破口，从而导致用户、企业受到威胁。针对大数据安全问题，学术界和产业界均高度关注，在此背景下，大数据的信息安全处理研究已经成为计算机领域中一个新兴而重要的研究方向。因此，本文将重点探讨如何利用加密和安全访问技术以及隐私保护技术来对计算机大数据进行信息安全处理，以期促进计算机大数据信息安全处理技术的发展。

一、计算机大数据信息安全处理技术综述

（一）数据加密技术

数据加密技术是计算机大数据信息安全处理中的重要技术之一，主要目的是通过对敏感信息进行加密，使得未经授权的人无法获得其中的内容，从而保护数据的机密性和完整性。在数据加密技术中，常用的加密算法有对称加密和非对称加密两种。其中，对称加密算法包括DES、AES等，加密、解密速度快，但密钥管理相对复杂；非对称加密算法包括RSA、ECC等，密钥管理简单，但加解密速度较慢。此外，还有基于密文搜索技术的加密方案，例如同态加密和多方计算等技术，可以实现在加密数据的同时进行关键词查询和复杂计算，保证了数据的隐私和计算的可信性。数据加密技术在计算机大数据信息安全处理中具有不可替代的作用，保障了数据信息的保密性和完整性。

（二）访问控制技术

访问控制技术的主要目的是确保只有经过授权的用户能够访问数据和系统资源，防止未经授权的用户对数据进行非法操作。在访问控制技术中，常用的方法包括身份认证、授权和审计等。身份认证通常使用用户名和密码等方式来验证用户的身份；授权则通过特定权限和角色分配来限制用户对资源的访问和操作；审计可以记录用户的行为以及系统发生的事件，实现安全的监测和管理。访问控制技术在计算机大数据信息安全处理中可以有效地监控用户对敏感数据和系统资源的访问和操作，保障数据信息的安全性和可靠性。

（三）威胁检测和防御技术

威胁检测和防御技术是防御和检测计算机网络系统中的各种安全威胁，包括恶意软件、入侵攻击、网络钓鱼等。在威胁检测和防御技术中，常用的方法包括基于签名和基于行为的检测以及漏洞扫描等。其中，基于签名的检测方法通过建立已知的恶意代码库进行匹配来检测恶意软件，基于行为的检测方法则通过观察特定程序或系统的行为模式来判断是否存在安全威胁；漏洞扫描可以发现和修补系统和应用程序中的缺陷和漏洞。此外，还有基于人工智能和机器学习技术的威胁检测技术，例如深度学习、决策树和神经网络等，可以分析大数据并自适应地改进算法，从而有效地检测和预防安全威胁。威胁检测和防御技术在计算机大数据信息安全处理中可以有效地预防和检测各种安全威胁，保障数据信息的安全性和可靠性。

（四）安全监控和管理技术

安全监控和管理技术是对计算机网络系统的安全状态进行实时监控和管理，确保数据和系统的安全性。在安全监控和管理技术中，常用的方法包括事件管理、日志管理、审计管理和漏洞管理等。事件管理通过对系统运行过程中产生的各种事件进行实时记录和分析，帮助管理员识别和解决安全问题；日志管理主要是对系统日志的收集、存储和分析，以便及时发现安全漏洞和异常事件；审计管理是监督和审查用户对系统资源的操作，防止用户滥用权限和能力；漏洞管理是定期对系统进行安全扫描和漏洞检测，修复潜在的漏洞和缺陷。安全监控和管理技术在计算机大数据信息安全处理中可以有效地管理系统安全事件和资源操作，及时发现各种安全威胁和漏洞，保障数据信息的安全性和可靠性。

二、针对计算机大数据信息安全处理的新方法和技术研究

（一）基于深度学习的数据安全分析和预警模型

基于深度学习的数据安全分析和预警模型是当前计算机大数据信息安全处理领域的一个热门技术。它主要利用深度神经网络等深度学习方法，对大量的复杂数据进行建模、学习和预测，实现对数据安全状态的精准分析和预警。深度学习具有良好的特征提取和自适应优化能力，可以通过对大量数据的学习和训练，发掘出更加准确的数据特征，并针对不同数据类型和安全威胁，生成相应的安全检测模型。在数据安全分析方面，深度学习可应用于恶意代码检测、账户异常行为识别等场景，在此基础上，对不正常行为进行预测和警告；在数据预警方面，深度学习可应用于风险评估和攻击预测等场景，及时识别潜在的安全隐患并做出预防性措施。在使用深度学习进行数据安全分析和预警时，需要考虑灵敏度和误报的问题，并结合其他分析手段（例如规则匹配、统计分析等）进行综合使用，以得到最有效的结果。

（二）异常检测技术在大数据场景下的应用

异常检测是计算机大数据信息安全处理领域的重要技术之一，主要应用于发现和排除数据中的异常值、噪声和错误。在大数据场景下，异常检测技术的应用更加广泛和深入，具有较高的实用价值。在大数据分析过程中，由于数据量大、维度高和复杂度高等特点，经常会出现异常数据或噪音数据，这些数据会导致分析结果的不准确或失效。利用异常检测技术可以及时识别和去除异常数据，保障分析结果的准确性和可靠性。常用的异常检测算法包括基于统计方法、聚类方法、分类方法以及基于深度学习的方法等。此外，在計算机网络安全领域，异常检测技术也得到了广泛的应用。例如通过对网络流量的监控和分析，可以及时发现异常访问行为和攻击行为，从而保障系统的安全和稳定。异常检测技术在大数据场景下的应用具有广泛的应用前景和研究价值，可以提高数据分析和安全处理的效率和准确性。

（三）面向安全的分布式数据存储和处理方案

面向安全的分布式数据存储和处理方案主要应用于保障分布式数据系统的机密性、完整性和可用性等安全特性。传统的中心化数据存储和处理方式存在单点故障和数据泄漏风险等问题，在大数据时代已经不能满足安全需求。面向安全的分布式数据存储和处理方案应运而生。该方案采用分布式架构，将数据分散存储在多台服务器上，通过数据冗余和备份等措施提高数据的可用性和容错性，面向安全的分布式数据存储管理系统如图1所示。在数据的传输和处理过程中，采用加密技术和访问控制等手段保障數据的机密性和完整性，并在攻击检测和响应等方面增强了安全性能。常用的面向安全的分布式数据存储和处理方案包括 Hadoop、Spark、Storm 等分布式计算框架。面向安全的分布式数据存储和处理方案虽然具有较高的安全性和可靠性，但也需要考虑数据一致性和性能等问题，以及如何避免数据的合规风险和隐私泄露。总之，面向安全的分布式数据存储和处理方案具有极高的实用价值和研究意义。该方案能够提高分布式数据系统的安全性、可靠性和可扩展性，为企业和组织保障数据安全奠定了坚实的基础。

三、计算机大数据信息安全处理的实际应用案例

（一）电子商务平台中的用户数据保护

电子商务平台是指在互联网上进行商业交易的虚拟商城，涉及大量用户数据的存储和处理。为了保障用户数据的机密性、完整性和可用性等安全特性，电子商务平台采用了各种安全技术和措施来保护用户数据。其中第一个为数据加密，采用对称加密和非对称加密结合的方式将用户数据进行加密处理，保证其在传输和存储过程中不被非法获取或篡改。其次，通过身份认证和授权等措施，限制用户对敏感数据的访问权限，避免数据泄露风险。此外，电子商务平台还可进行风险评估，根据业务风险和安全需求，预测并规避潜在的安全威胁，提高数据安全的有效性和效率。最后进行系统备份，采取数据冗余和自动备份等措施，确保数据在发生故障或灾害后能够快速恢复，保障数据可靠性和稳定性。这样的安全技术和措施已经在国内外电子商务平台中得到了广泛应用。在交易过程中，用户的银行卡号等敏感信息会进行加密处理，并通过各种手段避免被非法获取或篡改；在用户登录时，系统会自动对输入的账号密码进行身份认证和授权，限制用户对其他人数据的访问权限；在交易完成后，系统自动进行风险评估和安全审计等措施，提高数据安全的保障水平。

（二）移动支付系统中的交易数据安全

随着移动支付市场的快速发展，越来越多的用户开始选择使用移动支付进行支付、消费等行为，对于交易数据的保护变得尤为重要。针对这一问题，移动支付系统采用了多种安全保障措施。比如在交易过程中使用加密技术确保数据的机密性；对交易者和接收者进行身份验证以保证交易的可信度；并对数据进行备份和冗余存储以确保数据的完整性和可用性。此外，还有基于人工智能和机器学习的风险评估和欺诈检测技术，通过对交易数据的分析和挖掘，可以及时发现安全隐患且迅速做出响应。综上所述，移动支付系统中的交易数据安全问题需要从多个角度进行考虑和解决，采用多种技术手段结合而成的综合性安全体系是保障移动支付系统交易数据安全的有效途径。

（三）大数据分析与应用中的隐私保护

在大数据时代，个人和组织产生的数据量越来越庞大，如何有效对这些数据进行分析和应用成了业界研究的热点问题，而隐私保护是大数据分析与应用需要解决的重要问题。针对隐私保护，大数据分析与应用中采用了各种隐私保护技术。例如在数据收集和处理过程中，对敏感信息进行匿名化或脱敏处理，最大程度保护用户的数据隐私；采用差分隐私、同态加密等加密技术，确保敏感信息的机密性。此外，还有基于权限控制的数据访问控制和审计机制，保证数据的可控性和追溯性，防止数据泄露和滥用。保障用户的数据隐私能够提高用户对数据分析和应用的信任度，促进大数据应用的发展。

四、结语

大数据的发展已经成为国家信息化的重要组成部分，其对社会各领域的发展产生了重要影响。计算机大数据在计算机网络信息技术的基础上，将海量、复杂、庞大的信息数据进行收集、处理和分析，并以一定形式加以展现。计算机大数据与人们的日常生活有着紧密的联系，同时也是社会发展必不可少的部分。但是随着计算机大数据技术的快速发展，信息安全问题也逐渐暴露出来，给人们带来了一定的影响。因此，本研究对计算机大数据的信息安全处理展开研究，以期为计算机大数据信息安全处理提供理论参考。

参考文献：

［1］ 陈丹青. 基于计算机大数据的信息安全处理技术探讨［J］. 电子元器件与信息技术，2023，7（02）：194-197.

［2］ 张侃. 大数据时代计算机信息安全处理技术研究［J］. 电子技术与软件工程，2022（22）：6-9.

［3］ 刘云，吴宗显. 计算机大数据的信息安全处理技术分析［J］. 数字通信世界，2022（03）：173-175.

［4］ 吴泽菁. 大数据背景下计算机信息安全处理技术研究［J］. 信息与电脑（理论版），2018（20）：196-197+200.