数据湖的各项安全实践

发布时间：2025-11-05 07:36:52 来源：创站工坊 作者：域名

​作者 | Dan Neault

译者 | 陈峻

如今，数据实践大家都普遍认为数据是各项商业环境中最有价值的资源。企业的安全成功往往与他们从数据中获利的能力有着直接关系。而作为传统关系型数据库的数据实践演进，数据湖（Data Lake）能够从多个来源获取原始形式的各项数据。这就是安全为什么许多组织已经开始转向通过数据湖，来改进分析，数据实践实现更有效的各项协作，并支持大规模的安全数据驱动型决策的原因。

虽然数据湖能够给组织带来卓越的数据实践业务成果，但它们的各项快速采用，也可能会给一些缺乏资源和专业领域知识团队，安全带来合规性和安全控制上的数据实践门槛。更复杂的各项是，数据湖的安全广泛使用，会让更多内、外部角色接触到数据，进而放大了业务安全的云南idc服务商潜在风险。

在上个世纪60年代，随着计算机变得更易于访问，各个组织需要有效地存储和管理手中的数据，这便催生了数据库技术的产生。

在之后的几十年中，在线事务处理（online transactional processing，OLTP）型的工作负载和关系型数据库，充当了快速、准确地处理数据的主力军。

到了20世纪80年代，数据仓库（data warehouses）将数据处理从事务或操作系统，转变为了决策支持系统。这种转变使得许多组织能够聚合来自多个环境的数据，并通过汇集商业智能（business intelligence，BI），来支持战略决策的制定。

如今，大量的组织都会利用数据库、数据仓库和BI ，用以提供创新信息，并指导战略决策。然而，随着云计算和现代化编程语言的IT技术网兴起，数据库的使用方式也随着如下因素，发生了巨大的变化：

数据仓库在处理和分析结构化的数据方面固然表现出色，但它们无法捕获原始的、非结构化的数据，这在某种程度上对组织的源码下载数字化业务产生了限制。因此，数据湖等非关系数据库变得越来越受欢迎，一些数据架构师正在尝试着默认使用数据湖，来处理新的工作负载，并对现有的工作负载进行现代化的改造。

正是由于数据架构师们通过使用数据湖，来构建ML模型，为无数分析系统提供数据，进而按需执行查询与分析等操作，因此他们从中获得了数据的潜在价值，也促进了越来越多的组织，开始在数据湖中构造它们的数据生命周期。

毕竟，在传统方式上，数据仓库常被用于定期分析大量的结构化数据，或定期生成数据报告。而这往往要求企业在处理和存储数据之前，就已经完成、并将预定义的模式应用到数据库上。这在某种程度上，就限制了数据在后续交易或分析系统中的创新使用方式。

而数据湖并不需要这样的前期工作。它能够集成和存储未经转换、或仅被少量处理的数据。这些数据可以来自包括：非结构化的日志数据、物联网（internet of things，IoT）传感器、社交媒体、以及多媒体内容等多个指向数据湖的来源。利用与数据湖配套的实现技术，数据架构师们可以：

显然，进入数据湖的数据需要得到与过去被存储在关系型数据库中的数据，有着相同级别、甚至更高的保护。那么数据湖主要会面临哪些安全风险呢？

可见，为了在不影响安全性的情况下，充分发挥数据湖的优势，组织需要遵循一套优秀的实践，来降低运营不合规、管理不善、数据泄漏、以及其他安全事件的发生风险。

有效的安全策略往往能够给数据湖赋予清晰的可见性和控制权。为此，组织可以采取四个步骤：

综上所述，为了解决与数据湖的相关安全和合规风险，组织应该首先创建一种有效且高效的方法，来分类和发现其环境中的数据。接着，组织必须能够识别谁在访问数据，何时访问了敏感数据，以及防止数据被恶意的内部人员所窃取。

虽然上面提到的各种安全优秀实践都是创建数据湖安全环境的基础步骤，但是组织应当从基础入手，以数据为中心，确保数据在数据湖乃至组织的内外部，无论身处何处、以何种形式存在，都是安全可控的。

原文链接：https://thenewstack.io/data-lake-security-dive-into-the-best-practices/

相关文章