
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
基于 Python response.text 的科技新闻数据清洗去噪实践 在通过 Python requests 库的 response.text 获取 API 数据后,原始数据 ...
2025-08-21基于 Python response.text 的科技新闻综述 在 Python 网络爬虫与 API 调用场景中,response.text 是 requests 库发起请求后获取 ...
2025-08-21数据治理新浪潮:CDA 数据分析师的战略价值与驱动逻辑 一、数据治理的多维驱动引擎 在数字经济与人工智能深度融合的时代,数据治 ...
2025-08-21Power BI 热力地图制作指南:从数据准备到实战分析 在数据可视化领域,热力地图凭借 “直观呈现数据密度与分布趋势” 的核心优势 ...
2025-08-20PyTorch 矩阵运算加速库:从原理到实践的全面解析 在深度学习领域,矩阵运算堪称 “计算基石”。无论是卷积神经网络(CNN)中的 ...
2025-08-20数据建模:CDA 数据分析师的核心驱动力 在数字经济浪潮中,数据已成为企业决策的核心资产。CDA(Certified Data Analyst)数据分 ...
2025-08-20KS 曲线不光滑:模型评估的隐形陷阱,从原因到破局的全指南 在分类模型(如风控违约预测、电商用户流失预警、医疗疾病诊断)的评 ...
2025-08-20偏态分布:揭开数据背后的非对称真相,赋能精准决策 在数据分析的世界里,“正态分布” 常被视为 “理想模型”—— 数据围绕均值 ...
2025-08-19CDA 数据分析师:数字化时代的价值创造者与决策智囊 在数据洪流席卷全球的今天,“数据驱动” 已从企业战略口号落地为核心 ...
2025-08-19CDA 数据分析师:善用 Power BI 索引列,提升数据处理与分析效率 在 Power BI 数据分析流程中,“数据准备” 是决定后续分析质量 ...
2025-08-18CDA 数据分析师:巧用 SQL 多个聚合函数,解锁数据多维洞察 在企业数据分析场景中,单一维度的统计(如 “总销售额”“用户总数 ...
2025-08-18CDA 数据分析师:驾驭表格结构数据的核心角色与实践应用 在企业日常数据存储与分析场景中,表格结构数据(如 Excel 表格、数据库 ...
2025-08-18PowerBI 累计曲线制作指南:从 DAX 度量到可视化落地 在业务数据分析中,“累计趋势” 是衡量业务进展的核心视角 —— 无论是 “ ...
2025-08-15Python 函数 return 多个数据:用法、实例与实战技巧 在 Python 编程中,函数是代码复用与逻辑封装的核心载体。多数场景下,我们 ...
2025-08-15CDA 数据分析师:引领商业数据分析体系构建,筑牢企业数据驱动根基 在数字化转型深化的今天,企业对数据的依赖已从 “零散分析” ...
2025-08-15随机森林中特征重要性(Feature Importance)排名解析 在机器学习领域,随机森林因其出色的预测性能和对高维数据的适应性,被广 ...
2025-08-14t 统计量为负数时的分布计算方法与解析 在统计学假设检验中,t 统计量是常用的重要指标,其分布特征直接影响着检验结果的判断。 ...
2025-08-14CDA 数据分析师与业务数据分析步骤 在当今数据驱动的商业世界中,数据分析已成为企业决策和发展的核心驱动力。CDA 数据分析师作 ...
2025-08-14前台流量与后台流量:数据链路中的双重镜像 在商业数据分析体系中,流量数据是洞察用户行为与系统效能的核心依据。前台流量与 ...
2025-08-13商业数据分析体系构建与 CDA 数据分析师的协同赋能 在企业数字化转型的浪潮中,商业数据分析已从 “可选工具” 升级为 “核 ...
2025-08-13