京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据时代的信息监控——滥用还是利用
一位计算机安全专家为您全面分析收集大批量私人数据付出的代价与收益
《数据与巨人:隐形战争——了解你、控制你》 布鲁斯·施奈尔 著
一本好书,经济学人经常用时事文的形式推荐各种书(并不是广告),有兴趣的人可以搜来看,据本人所知目前没有中文版,中文题目由白色边界直译。
Data and Goliath: The Hidden Battles to Collect Your Data and Control Your World.By Bruce Schneier .W.W.
这个社会没有任何一个时候会充斥着比现在还多的可利用电子数据。谷歌通过分析词条搜索预测了大型流感的爆发;美国国家安全局可谓对这项可以察觉恐怖活动的技术垂涎欲滴。但随着科技的进步,旧有规则的过时,在这一时刻,人民们正处于各种组织与政府的监视下。
作为《数据与巨人》的作者,一位计算机安全专家,布鲁斯•施奈尔的确拥有解释这一问题的最佳立场。关于强制性的信息收集,他提出了许多可以保护社会大众不受这一恶劣暴行伤害的方法。但挑战依旧严峻,因为随着科技进步,大批量信息的搜集并不是刻意的,而是通过一些无伤大雅的普通渠道。
在商业方面,个人信息变成一种原材料。许多智能手机应用程序是免费的,因为开发销售用户个人数据的公司几乎没有成熟的协约条款和条件。如果想要免费服务,那么你将成为硅谷大数据流里的常客。
人们甚至不用披露他们的精确信息。数据从他们的行为模式和社交网络中被分析出,而这能造成的伤害绝对是令人毛骨悚然的。这意味着也许网购价格会提高,因为算法程序预测出你可以支付得起;也许你会遭受到种族歧视,因为算法程序早就通过你的邮编、你的Q&A问卷将人种“不小心”加以关联。法律上的缺失和信息透明度使得每况愈下。
虽然施奈尔先生竭尽全力书写对政府监控的不满,但他也不得不承认它的必要性。因为事实上,在国家关系方面,知己知彼总是会更有把握一点。本书还把矛头指向另一点——美国情报机构对这一摄人的技术的管制缺失。在这方面,施奈尔先生也是专家,他曾帮助英国《卫报》解释2013年由霍华德斯诺登泄露出的机密文件里的专业知识。
自2001年911事件以来,施奈尔先生亲眼见证了监测方式发生了令人担忧的变化。首先,现代社会的安全威胁多半来自团体或者个人而不是其他国家,所以监控针对的是人民而不是政府。其次,由于网络是共用的,你搜集一个人的数据的时候会连带许多无关人员。再次,科技技术的急速进步使得监控规则仅仅由过去的假设来支撑。
结果是,你想抓获一个人就必须把所有人都捞入网中。美国情报界被赋予了前所未有的权力,如果不加以控制,就会破坏这个社会的自由。那些和平组织不停地提出质疑,例如,一个人应不应该在几乎没有法律保护的情况下接受手机追踪。
这种极客把戏只是国安局几种故事般的手段之一。还有更令人警惕的呢。通过NSA的文件我们得知,特工机构可以拥有全国人民的手机通话记录,就像他们对阿富汗做的那样。每一部手机,每一通电话。“这是合法的吗?” 施奈尔先生问道“事实上,我们也不知道”。
这本书描绘了一幅令人寒心的画面,那就是国家在监视着那些实际上无碍于国家安全的反战人士和本土穆斯林教徒。NSA利用“监督”这个字眼去误导法院;法院也情愿睁一只眼闭一只眼;而国会只想掩盖这些事。国安局选择他想披露的,而且任何有关文档都会被锁定在一个特定的房间里。考虑到控制的松散性,这本书实际上说了很多关于美国情报机构的廉贞性,这确保不会有更多滥用行为的发生。
对于美国政府监视授权的主要法律文书和它们的缺陷,施奈尔先生无疑是一个很好的叙述者。其中有一个被称为“第三方原则”的条例,使得情报机构自1970年代开始可以很轻易地获取愿意主动移交信息的人的数据。在那时,这些可以被称为记录的数据通常是为电话公司所持有的通话记录。但是现代社会,置于监视下的电子邮件信息和网上文件却缺少法律保护。
施奈尔先生很好地分析了问题,但他的解决方案包含一些过于老旧的东西。为了防止数据的商业开发,他提议了一种十分受用的“信息信托”方案,在人民和机构之间寻找一种有效的数据中介。但他也建议颁布强有力的的规则以防止商业公司在第一时间收集过多的数据;这很有可能可以减少滥用,增加利用,就像谷歌。
同样地,他也呼吁更好的监督机制和对于揭发人更好的保护措施来限制政府的权利。但他“打破国家安全局陈规”的建议无非是理想主义的。分配和监督权利的确有效避免了很多机构不健康的权力集中。但执行所需的专业技能和巨大的资源使监测活动需要相应的集权措施。也许最好的方法是改革加强现有的法律监督系统,而不是改变它。
记者们最近写了一些关于数字化隐私的书籍,都是添油加醋经过润色的,而不是原始的分析。这本书出自一个实践者笔下,为您提供一个描绘具有深度,斯诺登化的大数据领域。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19在零售行业大数据分析与精细化运营领域,纸尿裤旁摆放啤酒是最经典、最具代表性的商业案例。两种看似毫无关联的商品,一个是婴幼 ...
2026-08-19 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-08-19在数据分析、业务监控、质量检测与风险管控工作中,数据波动性是衡量数据稳定性、业务健康度、结果可信度的核心依据。数据波动代 ...
2026-08-18很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当导致 ...
2026-08-18在数据分析、业务评价、产品评级、用户分层与综合决策场景中,单一指标往往无法全面、客观地评价事物整体水平。现实中的评价对象 ...
2026-08-18在数理统计、假设检验、数据分析与机器学习领域中,卡方分布(χ²分布)是继正态分布、t分布之后最重要的连续型概率分布之一。 ...
2026-08-17在Python数据清洗、文本校验、账号密码规则校验、脏数据过滤、字符串规整化处理中,正则表达式是最高效、最常用的文本匹配工具。 ...
2026-08-17 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-08-17手游行业具备用户迭代快、竞争激烈、用户粘性易流失的典型特征。随着新游持续上线、玩家审美升级、玩法疲劳等问题出现,存量用户 ...
2026-08-14在数字化产品运营、商业数据分析、业务增长管理中,零散的指标统计无法支撑系统性的业务决策。单一的点击率、转化率、销量数据只 ...
2026-08-14 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-08-14在数据库数据分析、数据清洗、报表统计与业务查询场景中,日期时间是最高频、最核心的基础字段。数据库中存储的日期格式多样,包 ...
2026-08-13