【上海交通大学_李建华_】2024金融大数据安全与隐私计算报告_37页_7mb

金融大数据安全与隐私计算总结

核心内容

金融大数据安全是当前金融行业面临的重要课题，随着数据在金融领域的广泛应用和重要性提升，数据安全与隐私保护逐渐成为信息安全的核心。隐私计算技术作为解决数据安全与隐私保护问题的关键手段，正在成为金融数据安全能力建设的重要支撑。

主要观点

• 金融数据安全是一个动态发展的概念，从1.0时代的边界防护，到2.0时代的场景化安全，再到3.0时代的体系化治理，安全理念和技术不断演进。
• 金融数据安全的重心已从网络安全转向数据安全，强调数据全生命周期的保护。
• 隐私计算技术（如联邦学习、安全多方计算、同态加密等）是实现数据安全与隐私保护的重要技术路径，允许数据在不泄露的前提下进行联合计算。
• 金融数据安全需要技术与管理相结合，不仅要依靠技术手段，还需完善制度规范、加强安全意识培训和执行稽核。

关键信息

金融数据安全发展阶段

金融数据安全主要威胁

1. 数据成为核心资产：数据安全攻击手段日益复杂，利益驱动明显。
2. 数据泄露路径多元化：包括内部人员、第三方、接口等。
3. 数据应用持续创新：新技术和新业务模式带来新的安全挑战。
4. 管理体系执行有效性不足：如弱口令、权限管理不善等。
5. 社会工程学攻击：利用人性弱点绕过技术防护。
6. 法律法规标准大爆发：合规压力增加，需持续调整IT安全体系。

隐私计算技术

• 隐私计算是一种在不泄露原始数据的前提下进行联合计算的技术。
• 常见技术包括：
  • 同态加密：允许在密文上执行计算，保障数据在云端处理的安全性。
  • 多方安全计算（MPC）：支持多参与方在不信任环境中进行安全协同计算。
  • 联邦学习：通过分布式模型训练，保护数据隐私。
  • 区块链技术：用于数据溯源和交易记录，提升透明度与可追溯性。

隐私计算原则与技术特点

• 四个原则：

  1. 原子性
  2. 一致性
  3. 顺序性
  4. 可逆性

• 技术特点：

  • 保障数据隐私性
  • 支持全生命周期安全
  • 实现可追溯性

金融数据安全能力建设

• 数据资产管控能力：包括数据发现、权限管理、数据分类与分级等。
• 数据安全感知能力：依赖监控与审计，实现违规行为发现与溯源。
• 数据安全运维能力：支持细粒度权限管理、操作阻断、安全审计等。
• 数据安全运营能力：结合技术手段与制度规范，实现数据安全的持续保障。

金融数据安全治理框架

• PDCA模型：通过计划（Plan）、执行（Do）、检查（Check）、处理（Act）四个环节构建数据协同治理体系。
• 引入人工智能、区块链、零信任等技术，实现安全治理的智能化与体系化。

零信任理念

• 核心思想：默认不可信，需在授权前进行验证。
• 三大实现技术：
  • SDP（软件定义边界）：构建虚拟边界，隐藏应用服务。
  • IAM（增强身份管理）：实现身份、权限、环境的全面管控。
  • MSG（微隔离）：通过细粒度控制实现东西向流量的隔离与监控。

数字金融创新知识服务平台

• 提供数据安全检查任务引导、结果分析、报告生成等功能。
• 已在部分金融机构和区域运营商中进行试点应用。

金融数据安全亟待解决的问题

1. 数据资产清册问题：数据资产状况不清，访问与权限管理混乱。
2. 管理责任不清：数据安全责任划分不明确，缺乏统一的管理体系。
3. 制度不完善：缺乏有效的稽核手段，制度规范难以落地。
4. 安全技术措施零散：各安全产品之间缺乏联动与整合。
5. 审计能力不足：难以识别APT攻击等复杂威胁。

金融数据安全实践

• 技术检测对象包括主机、云平台、数据库、大数据平台、应用系统、数据接口、文件服务器、安全设备、网络设备等。
• 管理平台提供检查方案管理、任务执行、数据扫描、网络流量检测等功能。
• 技术检测引擎具备数据资产识别、接口检测、网络风险检测、敏感信息扫描等能力。

总结

金融数据安全已进入3.0时代，强调体系化治理与隐私保护。隐私计算技术作为支撑手段，正在成为解决数据安全与隐私保护矛盾的关键。通过构建完善的治理框架、加强制度建设、提升技术能力与安全意识，金融行业可以有效应对数据安全挑战，实现数据的合规、安全与高效利用。