درک چگونگی افزایش پارچه داده باعث افزایش امنیت و مدیریت داده ها می شود

بیاموزید که چگونه پارچه داده ها به تکه تکه شدن ، انطباق و سایه زدن آن می پردازد تا از داده های قوی ، متمرکز و حفاظت از داده ها استفاده کند.

data faxhric یک رویکرد قدرتمند معماری برای ادغام و مدیریت داده ها در زمینه های مختلف است. 

از آنجا که شرکت ها به طور فزاینده ای از محیط های داده پیچیده حرکت می کنند ، نیاز به دسترسی به داده های یکپارچه همراه با امنیت قوی هرگز بسیار مهم نبوده است. پارچه داده پتانسیل دارد برای تقویت امنیت داده ها و همچنین مدیریت ، اما همیشه یک مسیر مستقیم برای دستیابی به عملکرد بهینه نیست.

درک معماری پارچه داده

برای به دست آوردن بیشترین استفاده از پارچه داده ، مهم است که ابتدا واقعاً بفهمید که چیست و چه چیزی می تواند به یک سازمان ارائه دهد. متأسفانه ، تعریف پارچه داده نیز می تواند یک چالش باشد.

“با تشکر از تعاریف متعدد ، غالباً فروشنده محور ، در صنعت در مورد ماهیت دقیق پارچه داده ها سردرگمی وجود دارد.”

ISG پارچه داده را به عنوان یک رویکرد فناوری محور برای خودکارسازی مدیریت داده ها و مدیریت داده ها در یک معماری توزیع شده که شامل محیط های داخلی ، ابر و هیبریدی است تعریف می کند. Aslett افزود: یک تصور غلط رایج این است که شرکت ها باید سیستم عامل های داده موجود و محصولات مدیریتی را برای پذیرش پارچه داده دور کنند. 

پاسخ های سریع در مورد پارچه داده ، امنیت و حاکمیت

عناصر اصلی معماری پارچه داده شامل موارد زیر است:

• شناسایی و طبقه بندی داده های فوق داده محور
• نمودارهای دانش
• مدیریت داده های خودکار ، ML محور. 

“این قابلیت ها بافت همبند را که به سیلوهای داده متفاوت می پردازد ، فراهم می کند و می تواند با تسهیل یک دیدگاه انتزاعی از داده ها از سراسر تجارت برای حمایت از اطلاعات تجاری و ابتکارات هوش مصنوعی که به اتحاد داده ها متکی هستند ، استفاده از ابزارهای داده موجود موجود را تکمیل کنند.”

چالش های امنیتی داده ها

اجرای معماری پارچه داده چندین چالش امنیتی را ارائه می دهد که شرکت های مربوط به شرکت برای اطمینان از یکپارچگی ، محرمانه بودن و در دسترس بودن دارایی های داده است.

از جمله چالش های امنیتی این شش ::

است

سیلوهای داده و تکه تکه شدن
با وجود وعده ادغام ، بسیاری از سازمان ها در اجرای پارچه داده های اولیه خود با سیلوهای داده مداوم مبارزه می کنند.

“بزرگترین چالش تکه تکه شدن است ؛ بیشتر شرکت ها در محیط های مختلف ابری فعالیت می کنند ، هر کدام دارای الگوی امنیتی خود هستند و حاکمیت یکپارچه را بسیار پیچیده می کنند.” 

Compliance and regulatory complexity
Adhering to industry standards and regulations such as General Data Protection Regulation (GDPR), Health Insurance Portability and قانون پاسخگویی ( HIPAA ) و قانون حفظ حریم خصوصی مصرف کننده کالیفرنیا سال ۲۰۱۸ (CCPA) یک چالش مهم در اجرای پارچه داده است. 

انواع و منابع داده های مختلف ممکن است در چارچوب های نظارتی مختلف قرار بگیرند. به این ترتیب ، اجرای اقدامات سازگاری مداوم در کل پارچه نیاز به برنامه ریزی و اجرای دقیق دارد.

استعداد
به گفته سنگوپتا ، نقطه کور دیگر استعداد است ، با ۸۲ ٪ شرکت ها در تلاش برای استخدام متخصصان داده ماهر هستند.

سایه آن
سایه همچنین یک تهدید و چالش مداوم است. به گفته سنگوپتا ، برخی از شرکت ها کشف می کنند که تقریباً ۴۰ ٪ از داده های آنها در خارج از محیط های حاکم وجود دارد. کشف و ورود به سیستم این منابع داده غیر قابل مذاکره شده است.

تکه تکه شدن داده ها
یکی دیگر از موانع مهم دیگر امنیت داده های مؤثر و حاکمیت ، تکه تکه شدن است.

“سیلوهای داده زیادی برای تأمین امنیت و اداره وجود دارد ، و ابزارهای زیادی برای انجام کار لازم است.”

پیچیدگی IT
به گفته آنیل اینامدار ، رئیس جهانی خدمات داده در netapp instaclust ، پتانسیل داده های امنیتی Fabric Data/چالش های حاکمیت با توجه 

“اگر امنیت در حال حاضر متناقض در مجموعه های ترکیبی یا چند ابر باشد ، تیم ها متعاقباً تلاش خواهند کرد تا معماری پارچه داده خود را به همان اندازه ایمن بدست آورند.”

چگونه پارچه داده باعث افزایش امنیت می شود

در حالی که برخی از چالش ها وجود دارد ، دلیل اینکه بسیاری از سازمان ها برای استقرار پارچه داده انتخاب می کنند ، به این دلیل است که باعث افزایش چشمگیر امنیت و مدیریت داده ها می شود.

معماری های پارچه داده مزایای قابل توجهی برای تقویت امنیت در هنگام اجرای صحیح در تعدادی از حوزه های مختلف ارائه می دهند. 

سیاست های امنیتی متمرکز
سازمان ها از پارچه داده برای رفع چالش تکه تکه شدن استفاده می کنند. Calvesbert IBM خاطرنشان کرد: با سازمانهای پارچه داده می توانند مجموعه ای متمرکز از سیاست ها و قوانینی را ایجاد کنند که قادر به دستیابی به تمام داده های موجود در سازمان باشند. خط مشی ها و قوانین را می توان با همه دارایی های داده از طریق طبقه بندی ابرداده مانند طبقه بندی ، شرایط تجاری ، گروه های کاربر و نقش ها مرتبط کرد – و سپس هر زمان که به داده ها دسترسی پیدا کند یا منتقل شود ، به طور خودکار اجرا می شود.

انطباق نظارتی
یک پارچه داده درک و کنترل سازمان ها را از داده ها و الگوهای مصرف آنها عمیق تر می کند. گوساله اظهار داشت: “با این درک عمیق تر ، سازمان ها می توانند به راحتی داده های حساس و بارهای کاری را در نقض احتمالی GDPR ، CCPA ، HIPAA و مقررات مشابه تشخیص دهند.” “با کنترل عمیق تر ، سازمانها می توانند اقدامات لازم و اقدامات امنیتی لازم را در زمان واقعی نزدیک انجام دهند تا سازگار بمانند.”

مدیریت ابرداده
مدیریت خودکار ابرداده و فهرست بندی داده ها مؤلفه های یکپارچه و مزایای پارچه داده هستند.

“این یک کار بزرگ است ، زیرا وقتی ابرداده به طور خودکار در هر دو محیط ابر و در معرض دید قرار می گیرد ، سطح دید را دریافت می کنید که می خواهد افراد امنیتی و افسران انطباق را خوشحال کند.” “اتوماسیون این فرآیند در یک پارچه داده ، آن دنباله دیجیتالی را که در هر کجا می رود داده ها را دنبال می کند.”

کشف و طبقه بندی داده های خودکار
ابزارهای خودکار در پارچه داده ها کشف و طبقه بندی داده ها ، کاهش تلاش دستی و تقویت حاکمیت. این شامل شناسایی داده های حساس در محیط ها ، طبقه بندی آن و استفاده از اقدامات امنیتی مناسب است.

کنترل و مجوز دسترسی به داده ها
پارچه داده از کنترل دسترسی دانه ای از طریق کنترل دسترسی مبتنی بر نقش (RBAC) و کنترل دسترسی مبتنی بر ویژگی (ABAC) پشتیبانی می کند ، و اطمینان می دهد که فقط کاربران مجاز می توانند به داده های حساس دسترسی پیدا کنند. این امر برای به حداقل رساندن خطرات دسترسی غیرمجاز بسیار مهم است ، با مکانیسم هایی مانند ماسک پویا که این کنترل ها را تکمیل می کنند.

رمزگذاری و نقاب سازی داده ها
پارچه داده رمزگذاری داده ها را برای محافظت در استراحت و در ترانزیت و ماسک های داده ها برای مبهم کردن اطلاعات حساس تسهیل می کند. رمزگذاری داده ها را تغییر می دهد ، بنابراین شفاف و در دسترس نیست تا کسی به آن نگاه کند ، در حالی که ماسک جایگزین داده ها با مقادیر واقع گرایانه اما جعلی می شود و از حریم خصوصی اطمینان می دهد.

چارچوب های حاکمیت داده
پارچه داده از اجرای و اجرای چارچوب های حاکمیت داده ها ، ارائه ابزاری برای تعریف سیاست ، نظارت و اجرای پشتیبانی می کند. این تضمین می کند که داده ها مطابق با سیاست های سازمانی ، افزایش کنترل و پاسخگویی مدیریت می شوند.

/>

idg

امنیت داده ها و حاکمیت در داخل یک پارچه داده فقط نباید در مورد کنترل دسترسی به داده ها باشد ، بلکه باید با نوعی اعتبار سنجی داده ها همراه باشد.

کلیشه ای که گفته می شود “زباله ، زباله” در مورد داده ها بسیار صادق است. از این گذشته ، چه چیزی برای اطمینان از امنیت و حاکمیت در مورد داده هایی که در وهله اول معتبر نیستند چیست؟

“اعتبار سنجی کیفیت و سازگاری داده ها برای ایجاد اعتماد و تشویق استفاده از داده ها برای هر دو پروژه BI و AI ضروری است.”

بنابراین چگونه می توان و آیا شرکت ها از اعتبار داده در پارچه داده استفاده می کنند؟  Sengupta Sutherland Global اظهار داشت که مؤثرترین استراتژی های اعتبار سنجی که وی دیده است با فشار دادن چک ها تا حد امکان به منبع شروع می شود. وی خاطرنشان کرد: اعتبار سنجی داده های مقدماتی-که از پایین دست است-به کاهش انتشار خطا بیش از ۵۰ ٪ در اجرای در مقیاس بزرگ کمک کرده است. این رویکرد توزیع شده دقت را بهبود می بخشد و بار پردازش را بعداً در خط لوله روشن می کند.

یادگیری ماشین نیز نقش فزاینده ای را ایفا می کند. خط مقدمات آماری و مدل های تشخیص ناهنجاری می توانند موضوعاتی را که سیستم های مبتنی بر قاعده سفت و سخت اغلب از دست می دهند پرچم گذاری کنند. در یک مورد ذکر شده توسط Sengupta ، این رویکرد نزدیک به ۸۰ ٪ اعتماد به دارایی داده های مهم را افزایش داده است.

“آنچه غالباً نادیده گرفته می شود ، ارزش اعتبار سنجی آگاه از متن است-چک های قوام دامنه می توانند سوء استفاده های ظریف را که ممکن است در انزوا خوب به نظر برسند ، افشا کند.” “برای موارد استفاده در زمان واقعی ، اعتبار سنجی جریان تضمین می کند که داده های حساس به زمان در پرواز ارزیابی می شوند ، با دقت به ۹۹.۸ ٪ نزدیک می شود.”

مزایا و موارد استفاده: پارچه داده در دنیای واقعی

تأثیر دنیای واقعی پارچه داده چشمگیر است. در حالی که اغلب می تواند فقط به عنوان یک اصطلاح بازاریابی توسط فروشندگان مورد استفاده قرار گیرد ، بازده ملموس فرصت های سرمایه گذاری نیز وجود دارد.

“در کار ما با شرکت های بزرگ ، ملموس ترین تأثیر ابتکارات پارچه داده از توانایی آنها برای سرعت بخشیدن به دسترسی به داده های قابل اعتماد ، با خیال راحت و در مقیاس ناشی می شود.”

به عنوان مثال ، یک موسسه مالی جهانی ، زمان گزارش نظارتی خود را ۷۸ ٪ کاهش داده و پس از مجدداً الگوی حاکمیت داده های خود در اطراف سیاست های امنیتی یکپارچه ، ۶۰ ٪ دسترسی را تسریع کرده است.

در مراقبت های بهداشتی ، یک شبکه ارائه دهنده دقت داده های بیمار را از ۸۷ ٪ به ۹۹ ٪ بهبود بخشید ، در حالی که زمان ادغام برای منابع جدید داده ها را ۴۵ ٪ کاهش می دهد ، یک سود مهم هنگام سوار شدن به شرکای جدید یا پیمایش حسابرسی های انطباق.

مشتری تولیدی شاهد کاهش ۵۲ درصدی خطاهای داده های زنجیره تأمین بود و پردازش داده های سنسور IoT را به میزان قابل توجهی بهبود بخشید و سرعت ادغام را ۶۸ ٪ افزایش داد.

در خرده فروشی ، ارکستراسیون بهتر سیاست ها و کنترل کیفیت ترجمه شده به ۸۵ ٪ تحویل سریعتر بینش مشتری ، افزایش ۳ برابر در بهره وری تحلیلگر و کاهش ۳۰ ٪ هزینه های ذخیره سازی از طریق بهداشت بهتر داده ها.

“آنچه این نتایج نشان می دهد این است که وقتی داده ها نه تنها به عنوان یک مؤلفه زیرساخت بلکه به عنوان یک فعال کننده سرعت تجارت ، بازده ها هم قابل اندازه گیری و هم استراتژیک هستند.”