DataWorks数据安全治理最佳实践

VIPDataWorks数据安全治理最佳实践
DataWorks基于数据安全治理的常见思路,针对资产梳理、技术体系建设和运营体系建设,提供了一系列数据安全产品能力,您可通过“基础防护建设、数据安全防护措施及策略增强建设、数据安全持续运营”三个阶段在DataWorks上落地数据安全治理项目。参考本文启动数据安全治理项目前,建议您先了解DataWorks数据安全产品相关能力了解DataWorks数据安全产品能力后,您可参考如下三个阶段在DataWorks上落地数据安全治理项目。
开通可读全文 ·1.4k 人阅读
最低0.47元/天 解锁文章

DataWorks基于数据安全治理的常见思路,针对资产梳理、技术体系建设和运营体系建设,提供了一系列数据安全产品能力,您可通过“基础防护建设、数据安全防护措施及策略增强建设、数据安全持续运营”三个阶段在DataWorks上落地数据安全治理项目。

参考本文启动数据安全治理项目前,建议您先了解DataWorks数据安全产品相关能力

了解DataWorks数据安全产品能力后,您可参考如下三个阶段在DataWorks上落地数据安全治理项目。

image.png

阶段一:基础防护建设

在该阶段,DataWorks为您提供了数据分类分级、规范数据开发流程、企业级身份认证、开源身份隔离等多个场景的最佳实践,帮助企业做好数据安全治理的相关基础防护工作。

场景一:数据分级分类

无论在任何行业,数据分级分类都是监管首要检查的对象,也是企业应审的首要任务。因此,如何对本企业敏感数据识别、分级分类打标将成为一切安全治理工作的开始。

敏感数据一般包含如下三类。

敏感数据类别

描述

个人身份信息(Personally Identifiable Information,PII)

任何可以识别个人的信息,如姓名、社会保险账号、社会安全号码、出生日期、出生地点、母亲的娘家姓或生物识别记录,也包括关联信息,如医疗、教育、金融和就业信息等。

受保护的健康信息(Protected Health Information,PHI)

与个人有关的任何健康信息,如身体健康状况、病例信息、医疗费用等。从另一方面来说,PHI也属于PII。

专有数据(Proprietary Data)

影响组织核心竞争力、一旦泄露会对组织造成损害的数据,典型例子有设计图纸、药物配方、客户信息等。

管理员可以根据上述敏感数据类型及本企业的数据属性,定义本企业/组织的数据敏感级别,一般情况下可以参考如下分级方式。

数据属性

分级

政府机构

  • 绝密(Top Secret):对国家安全造成异常严重损害。

  • 秘密(Secret):对国家安全造成严重损害。

  • 机密(Confidential):对国家安全造成损害。

  • 未分类(Unclassified):对国家安全不会造成损害。

非政府组织

  • 机密/专有(Confidential/Proprietary):泄密会对企业竞争力造成异常严重影响,偏重于商业秘密、专利等。

  • 私有(Private):泄密会对企业造成严重影响,偏重于企业员工或用户的个人数据或财务数据等。例如,个人健康相关的X射线。

  • 敏感(Sensitive):泄密会对企业造成影响,偏重于网络拓扑图、内部流程制度等。

  • 公开(Public):泄密不会对企业造成影响,通常会保护其完整性,如防网页篡改。

如仍然无法确认分级标准,则可参考所在行业国家标准。例如:

  • 《金融数据安全分级指南 JR/T 0197-2020》

  • 《网络安全标准实践指南——网络数据分类分级指引》

  • 《信息安全技术个人信息安全规范 GB/T 35273—2020》

  • 《信息技术大数据数据分类指南 GB/T 38667-2020》

  • 《基础电信企业数据分类分级方法 YD/T 3813—2020》

  • 《政务数据安全分类分级指南 DB2201/T 17—2020》

  • 《证券期货业数据分类分级指引 JR/T 0158—2018》

  • 《信息安全技术健康医疗数据安全指南 GB/T 39725-2020》

分级、分类标准确认完毕后,即可前往DataWorks数据保护伞模块配置分级分类、数据识别规则,步骤如下图。

image.png

详情请参见数据保护伞 | 步骤一:事前梳理。

场景二:规范数据开发流程

数据仓库不仅是企业的核心数据资产,也是业务决策神经中枢。因此,对于生产环境的机密性、稳定性需通过DevOps的方式来保障。DataWorks提供了多个预设角色,并配合标准模式工作空间,支持团队内分权管理、各司其职,规范化开展数据生产开发流程。

标准模式下,可以给数据开发人员授权“开发”角色、给运维人员授权“运维”或“部署”角色、给数据团队主管授权“空间管理员”角色、给分析师授权“数据分析师”角色。这样,便可形成规范化的数据开发与生产流程。

image.png

  • 数据建模链路:先由数据团队主管定义好建模过程中可能使用到的数据标准,再由数据建模人员设计并提交模型,最后经由数据团队主管、运维或部署人员审核无误后发布至生产环境。

  • 数据开发与生产链路:开发人员在开发环境先开发代码、配置调度依赖、调试任务,待冒烟测试无误后可申请提交发布,此时应由一个运维/部署/管理员角色来进行代码Review,确认无误后即可发布到生产环境,让规范、安全的代码在生产环境定期运行并产出数据。

通过该方式,每个人各司其职,职责分离,有效避免了“自己开发、自己发布”的情况,同时,多人协作把控风险,可降低故障率。

说明

不同人员建议只分配一个对应的角色。例如,不可以给数据开发人员空间管理员的角色;或给某开发人员既分配开发角色又分配运维角色,这样会导致过度授权、提升故障风险。

image.png

详情请参见权限管理与规范化数据开发。

场景三:企业级身份认证

企业期望直接通过本地AD或LDAP来统一管理身份,而不是在云上维护一套账号,该操作可能导致管理难、离职账号回收遗漏等问题。阿里云支持基于SAML 2.0和OIDC的SSO(Single Sign On,即单点登录),也称为身份联合登录。通过管理者身份,可以实现系统与阿里云的单点登录集成。例如:

  • 管理者可以在云上维护几个RAM角色,既可支持大量开发人员从本地SSO扮演角色进行

相关推荐

【DataWorks最佳实践】数据安全治理的常见思路

基于泄露风险(机密性)、篡改风险(完整性)、不可用风险(可用性)梳理技术风险点,产出《技术风险报告》。梳理合规风险点,对标法律法规进行差距分析,产出《合规风险报告》。管理风险评估:基于组织架构、流程、规范,调研管理现状。基于法律法规对管理的要求梳理管理风险点,产出《管理风险报告》。管理体系建设:着重对组织人员、制度流程、职责权力、资源分配、能力培训进行建设,最终产出各类机构、各类管理办法与规范。技术体系建设:基于数据全生命周期的识别、检测、防护、响应等安全技术设施,按实际需求部署各类安全防护产品。

soso1968的博客 720

阿里云Agentic Lake:构建AI智能体就绪数据管道的四阶段实践

在AI智能体(AI Agent)和检索增强生成(RAG)技术落地的过程中,数据准备是核心工程挑战。其原理在于将散乱、多源的原始数据,通过数据汇聚、向量化、安全治理等流程,转化为智能体可直接理解与安全调用的结构化知识。这一过程的技术价值在于打通数据孤岛,实现数据的高效、安全消费,是构建企业级智能应用(如智能客服、数据分析助手)的基石。应用场景广泛覆盖企业内部知识库问答、自动化流程分析等。本文以阿里云数据湖体系(Data Lake)为例,结合数据湖构建(DLF)、向量化等热词,系统拆解了为AI智能体准备数据的四

weixin_33834628的博客 390

阿里云大数据产品体系详解:从链路到选型,一篇讲透架构与实战

大数据平台本质是一条从数据采集、存储计算到调度治理和可视化的完整链路。理解数据仓库与实时计算的区别是选型的基础。MaxCompute作为离线批处理数仓,适合日级ETL和报表;Flink与Hologres构成实时链路,支撑秒级大屏与在线服务。DataWorks则充当调度与治理中枢,将任务依赖、数据质量串联起来。实际项目中,企业需结合自身场景,在纯托管与开源生态(如EMR)之间权衡。从数据同步到可视化展示,清晰的数据分层与链路设计能显著提升开发效率。本文基于实际梳理经验,为初学者提供一套可参照的学习路径,并辨析

weixin_29061997的博客 357

大数据时代数据治理的核心框架与实践指南

数据治理作为大数据管理的基础设施,通过元数据管理、数据质量控制、主数据整合等技术手段,解决数据孤岛、质量低下等核心问题。其核心原理是建立数据标准化体系与全链路血缘追踪,技术价值体现在提升数据可信度、降低决策风险。典型应用场景包括实时数据流水线监控、AI训练数据管理、多云环境数据协同等。随着Hadoop/Spark生态普及,动态血缘追踪和AI驱动的自动化治理成为新趋势,Apache Atlas等工具可实现技术元数据与业务元数据的统一管理。在金融、电商等领域,有效的数据治理能使数据分析项目成功率提升2.7倍,每

weixin_30727835的博客 958

Gartner DSG:数据安全运营操作系统落地指南

数据安全治理(DSG)是面向数据全生命周期的系统性工程,其核心在于打通策略、技术与业务的断层,解决权责不清、流程脱节与度量缺失三大根源问题。Gartner提出的DSG并非通用安全框架,而是一套可嵌入业务毛细血管的‘数据安全运营操作系统’,强调分类分级驱动访问控制、访问日志支撑使用监控、异常行为触发生命周期处置的齿轮式闭环。它依托数据发现与分类分级、数据访问治理等关键能力,支撑金融、医疗、政务等高合规要求场景下的自动化风险响应与合规证据闭环。当前企业落地DSG的最大挑战不在工具选型,而在组织协同、黄金数据流聚

weixin_34331102的博客 411

大数据安全治理实践--DataWorks产品安全能力

为充分契合数据安全治理的核心理念与通用思路,DataWorks针对资产梳理、技术体系/运营体系建设提供了一系列全面的数据安全产品能力,基于“I(Identify)P(Protect)D(Detect)R(Respond)”理论框架,从资产识别、安全防护、行为检测、风险事件响应等多个方面,系统性构建了一套完整且高效的数据安全保障体系。步骤二完成后,您已经完成了一次性的安全防护,但这样仍然不够。:支持对DataWorks的高危操作自定义扩展程序,来识别风险,并针对风险行为配置实时审批、阻断、消息告警。

soso1968的博客 2165

基于粒子群算法的PID控制器优化设计

粒子群算法、PID、寻优

qq_46107700的博客 2万+

MAS1102量产工具实战指南:从下载到开卡,附固件选择与RDT优化技巧

本文提供MAS1102量产工具的实战指南,涵盖从工具下载、短接识别到开卡操作的全过程。重点解析了固件选择策略与RDT优化技巧,帮助用户成功修复基于联芸MAS1102主控的固态硬盘,解决常见开卡错误并提升SSD性能与稳定性。

c2d3e4f的博客 2250

4.1.1第三层交换机配置VLANIF接口实现VLAN之间的通信

1.VLAN间路由选择2.第三层交换机3.基于第三层交换机的VLAN间路由选择技术1创建拓扑启动eNSP,单击工具栏中的“新建拓扑”图标。② 向空白工作区中添加2台S5700交换机和4台PC。③ 按指定端口将各交换机和PC互连。④ 为交换机和PC命名。2.为PC配置IPv4地址、子网掩码和默认网关① 分别双击各个PC,在各自弹出的配置窗口中选中“基础配置”标签,为其配置IPv 4地址、子网掩码和默认网关。

weixin_52008375的博客 8560

瑞萨单片机,把CS文件转换为CC

1、打开CC的软件: 点击坐上角的"START" 点击"Create New Project"的"GO": 导入工程: 如下图设置后,点击"Create" 2、进入到CC的开发界面: 可以看到原启动库文件以asm文件的方式直接出现在工程中: 删除新生成的main.c,保留导入的r_main.c(以你自己的代码为准): 注意添加所有的头文件路径: 点击"...

weixin_37611121的博客 1229

深入理解光流法外推雷达回波

背景介绍 鉴于本人实在太过疲惫和劳累,一些简单的便于理解的废话就不在记录,耗费两天时间研究了一下光流法,本帖用于记录学习过程中源码的难点细节。 使用光流预测的核心有两个利用多张连续回波图像(变分)或者相邻两张回波图(交叉相关,LK等)计算出光流场(速度矢量场),之后利用半拉格朗日方法进行外推。 半拉格朗日方法 三时间步半拉格朗日方法,其核心公式如下 但这个有点难理解,但看一维的图就很好理解 它的核心就是迭代求Am(位移矢量),如果理解困难的话,其实质上就是通过未来迭代(猜)出当前时刻的Am找到过去的假设

weixin_44695861的博客 6037

STM32H7 Flash擦除后数据读取异常的缓存问题解析

本文深入分析了STM32H7系列芯片在Flash擦除后数据读取异常的缓存问题,揭示了由于数据缓存(D-Cache)和指令缓存(I-Cache)导致的数据一致性问题。通过详细的解决方案,包括手动维护缓存一致性和操作期间禁用缓存,帮助开发者有效解决这一常见但棘手的嵌入式开发难题。

weixin_29158413的博客 393

扫地机器人视觉+IMU融合导航路径规划技术详解

本文介绍了基于视觉-惯性里程计(VIO)的扫地机器人自主导航系统。系统硬件由RGB摄像头、IMU传感器和编码器组成,软件架构采用分层设计,包括传感器数据采集层、数据融合层、SLAM定位层和路径规划层。核心技术包括:1)融合视觉特征提取(ORB算法)与IMU预积分的VIO;2)基于栅格地图的SLAM构建;3)结合A*全局规划和动态窗口法(DWA)局部避障的路径规划。文章提供了完整的Python实现代码,涵盖传感器数据融合、特征匹配和运动估计等关键功能模块。该系统实现了扫地机器人的精准定位和环境感知能力。

电脑管家 1473

如何成为一名高级数字 IC 设计工程师(6-7)数字 IC 验证篇:DEBUG 技巧

不懂验证的设计不是好的设计;UVM 验证思维是指导缜密的芯片设计的导师;推荐书籍《芯片验证漫游指南》。

新芯设计的博客 1608

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

上一篇: 数据仓库研发规范概述
下一篇: 大数据开发治理--大数据AI公共数据集分析
soso1968
博客等级 码龄15年 3487粉丝 296原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

soso1968

你的鼓励是我继续创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址