
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
Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29在标签体系的落地链路中,“设计标签逻辑” 只是第一步,真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键,在于标签加 ...
2025-09-29在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28在 CDA(Certified Data Analyst)数据分析师的技能工具箱中,数据查询语言(尤其是 SQL)是最基础、也最核心的 “武器”。无论 ...
2025-09-28Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26CDA 数据分析师:以数据库为基石,筑牢数据驱动的 “源头防线” 在数据驱动业务的链条中,“数据从哪里来” 是 CDA(Certified D ...
2025-09-26线性相关点分布的四种基本类型:特征、识别与实战应用 在数据分析与统计学中,“线性相关” 是描述两个数值变量间关联趋势的核心 ...
2025-09-25深度神经网络神经元个数确定指南:从原理到实战的科学路径 在深度神经网络(DNN)的设计中,“神经元个数” 是决定模型性能的关 ...
2025-09-25在企业数字化进程中,不少团队陷入 “指标困境”:仪表盘上堆砌着上百个指标,DAU、转化率、营收等数据实时跳动,却无法回答 “ ...
2025-09-25MySQL 服务器内存碎片:成因、检测与内存持续增长的解决策略 在 MySQL 运维中,“内存持续增长” 是常见且隐蔽的性能隐患 —— ...
2025-09-24人工智能重塑工程质量检测:核心应用、技术路径与实践案例 工程质量检测是保障建筑、市政、交通、水利等基础设施安全的 “最后一 ...
2025-09-24CDA 数据分析师:驾驭通用与场景指标,解锁数据驱动的精准路径 在数据驱动业务的实践中,指标是连接数据与决策的核心载体。但并 ...
2025-09-24在数据驱动的业务迭代中,AB 实验系统(负责验证业务优化效果)与业务系统(负责承载用户交互与核心流程)并非独立存在 —— 前 ...
2025-09-23CDA 业务数据分析:6 步闭环,让数据驱动业务落地 在企业数字化转型中,CDA(Certified Data Analyst)数据分析师的核心价值,并 ...
2025-09-23