京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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
在数据处理与可视化场景中,将Python分析后的结果导出为Excel文件是高频需求。而通过设置单元格颜色,能让Excel中的数据更具层次 ...
2026-01-06在企业运营、业务监控、数据分析等场景中,指标波动是常态——无论是日营收的突然下滑、用户活跃度的骤升,还是产品故障率的异常 ...
2026-01-06在数据驱动的建模与分析场景中,“数据决定上限,特征决定下限”已成为行业共识。原始数据经过采集、清洗后,往往难以直接支撑模 ...
2026-01-06在Python文件操作场景中,批量处理文件、遍历目录树是高频需求——无论是统计某文件夹下的文件数量、筛选特定类型文件,还是批量 ...
2026-01-05在神经网络模型训练过程中,开发者最担心的问题之一,莫过于“训练误差突然增大”——前几轮还平稳下降的损失值(Loss),突然在 ...
2026-01-05在数据驱动的业务场景中,“垃圾数据进,垃圾结果出”是永恒的警示。企业收集的数据往往存在缺失、异常、重复、格式混乱等问题, ...
2026-01-05在数字化时代,用户行为数据已成为企业的核心资产之一。从用户打开APP的首次点击,到浏览页面的停留时长,再到最终的购买决策、 ...
2026-01-04在数据分析领域,数据稳定性是衡量数据质量的核心维度之一,直接决定了分析结果的可靠性与决策价值。稳定的数据能反映事物的固有 ...
2026-01-04在CDA(Certified Data Analyst)数据分析师的工作链路中,数据读取是连接原始数据与后续分析的关键桥梁。如果说数据采集是“获 ...
2026-01-04尊敬的考生: 您好! 我们诚挚通知您,CDA Level III 考试大纲将于 2025 年 12 月 31 日实施重大更新,并正式启用,2026年3月考 ...
2025-12-31“字如其人”的传统认知,让不少“手残党”在需要签名的场景中倍感尴尬——商务签约时的签名歪歪扭扭,朋友聚会的签名墙不敢落笔 ...
2025-12-31在多元统计分析的因子分析中,“得分系数”是连接原始观测指标与潜在因子的关键纽带,其核心作用是将多个相关性较高的原始指标, ...
2025-12-31对CDA(Certified Data Analyst)数据分析师而言,高质量的数据是开展后续分析、挖掘业务价值的基础,而数据采集作为数据链路的 ...
2025-12-31在中介效应分析(或路径分析)中,间接效应是衡量“自变量通过中介变量影响因变量”这一间接路径强度与方向的核心指标。不同于直 ...
2025-12-30数据透视表是数据分析中高效汇总、多维度分析数据的核心工具,能快速将杂乱数据转化为结构化的汇总报表。在实际分析场景中,我们 ...
2025-12-30在金融投资、商业运营、用户增长等数据密集型领域,量化策略凭借“数据驱动、逻辑可验证、执行标准化”的优势,成为企业提升决策 ...
2025-12-30CDA(Certified Data Analyst),是在数字经济大背景和人工智能时代趋势下,源自中国,走向世界,面向全行业的专业技能认证,旨 ...
2025-12-29在数据分析领域,周期性是时间序列数据的重要特征之一——它指数据在一定时间间隔内重复出现的规律,广泛存在于经济、金融、气象 ...
2025-12-29数据分析师的核心价值在于将海量数据转化为可落地的商业洞察,而高效的工具则是实现这一价值的关键载体。从数据采集、清洗整理, ...
2025-12-29在金融、零售、互联网等数据密集型行业,量化策略已成为企业提升决策效率、挖掘商业价值的核心工具。CDA(Certified Data Analys ...
2025-12-29