
大数据时代,拿什么终结信息乱象
高考考生即将迎来填报志愿环节,也是教育骗局最猖獗之时。个人信息泄露,早就不是新鲜事。但值得关注的是,随着移动互联技术的快速发展,信息泄露已呈全方位态势。
日前,广东省教育厅发布《广东省普通高等学校一览表》,并曝光带“广东/广州”字样的12所假冒大学。羊城晚报记者据此调查发现,与“虚假大学”“野鸡大学”联系密切的考生个人信息买卖现象依然嚣张。在以“高考名单”“招生资源”等为名的QQ群中,有群主称千元就可买到汕尾3万多名考生的信息,其所发截图的13则信息中,有10则能联系到相关考生。
此类事件不单单是诈骗案件问题,涉及到更深层次的大数据时代个人信息泄露及其防范与管控等社会性问题。
一般认为个人信息是一切可以识别自然人的信息的总和,这些信息包括了一个人生理的、心理的、智力的、个体的、社会的、经济的、文化的、家庭的等等方面。6月1日实施的《中华人民共和国网络安全法》对个人信息作了明晰的界定。然而,随着大数据技术的普及,个人信息内涵发生了极大的扩展。
大数据是指以多元形式,自许多来源搜集而来的庞大数据组。经过行业信息化建设,医疗、交通、金融等领域已经积累了许多内部数据,构成大数据资源的“存量”。
而移动互联网和物联网的发展,大大丰富了大数据的采集渠道,来自外部社交网络、可穿戴设备、车联网、物联网及政府公开信息平台的数据都成为大数据增量数据资源的主体。
当前,移动互联网的深度普及,为大数据应用提供了丰富的数据源。这些看似不相干的个人行为信息,经过大数据公司的云处理分析,却互相关联,极具社会价值和商业价值。比如,登录各种吃喝玩乐软件的账号,需要手机认证甚至实名认证,原本分散的信息就这么被串联了起来;再比如,打车软件的行车记录,结合时间就能精确定位出你的家、单位、常去地点。
这些数据对于商家来说,无异于金矿,它可让商家快速精准地找到自己的用户,把产品或服务推销出去。但另一方面,不法分子有了获取不当利益的技术手段。这也是中国地下数据黑市规模不断壮大的根本原因。个人信息趋于数据化、网络化和社会化,也使得个人信息更容易被非法获取和买卖。
一些技术先进的大数据公司隐藏在利益链条上,游走在灰色地带,通过产业链以贩卖、加工、销售数据的方式获取暴利。如某些数据公司,成立子公司,负责收购黑市数据,数据汇总后,再经过清洗和挖掘,出售给其他公司;再如,一些公司通过正规渠道和价格,获得数据接口,但调用数据的时候,会在“本地设备”上形成一个“缓存库”,当数据积累到一定程度后,就将这些“缓存库”再拿出去二次销售。
近日,监管部门正对数据乱象出手,开始清理行动,15家大数据公司被列入调查名单。这似乎是国家介入以规范数据行业的重大信号。
中国大数据产业仍处于非常早期的阶段。大数据交易乱象折射出大数据市场野蛮生长的主要矛盾,即大数据的产业化利用与个人隐私保护之间的矛盾。《网络安全法》首次在法律层面规定了个人信息保护的基本原则,明确指出,收集适用信息应经用户明示同意,不得收集无关信息,不得向他人提供个人信息,经过处理无法识别特定个人且不能复原的除外,不得非法出售个人信息。
但总体上,中国大数据产业的信息安全和数据管理体系尚未建立。迄今为止,有关公民个人信息保护的法律法规总体较为分散,尚未形成系统、有效的有关公民个人信息保护的法律框架体系,这使得在日新月异的大数据技术面前,普通民众根本无力抵御外界对个人信息的侵犯。在这种情况下,通过立法保护个人隐私数据信息应是必由之路。
在此基础上,要建设数字隐私权基础设施,推动相关立法进程打造良性的信息生态,以期建立兼顾安全与发展的数据开放、管理和信息安全保障体系。对于公民个人而言,在享受大数据时代所带来个性化服务的同时,应当加强风险防范意识,在有可能留下隐私数据的情形下要充分考虑隐私暴露而可能带来的不良后果,并采取相应的防范措施。
保护数据的隐私信息是数据搜集者和分析者应当具备的基本道德和责任。
随着监管趋严,大数据行业的整合在所难免,但总的趋势将有利于一些具有正规牌照、合法行业数据源,同时一直规范经营的优质企业脱颖而出。
根据中国信息通信研究院对国内800多家企业的调研来看,企业内部数据仍是大数据主要来源,但对外部数据的需求日益强烈。当前,有32%的企业是通过外部购买来获得数据。信息安全、开放共享等标准规范缺乏,技术安全防范和管理能力不够。如何促进大数据资源建设,提高数据质量,推动跨界融合流通,也是遏制数据黑市的关键问题之一。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01CDA 数据分析师:企业数字化转型的核心引擎 —— 从能力落地到价值跃迁 当数字化转型从 “选择题” 变为企业生存的 “必答题”, ...
2025-09-01数据清洗工具全景指南:从入门到进阶的实操路径 在数据驱动决策的链条中,“数据清洗” 是决定后续分析与建模有效性的 “第一道 ...
2025-08-29机器学习中的参数优化:以预测结果为核心的闭环调优路径 在机器学习模型落地中,“参数” 是连接 “数据” 与 “预测结果” 的关 ...
2025-08-29