文章摘要：前言在当前的数据时代，随着云计算、大数据、AI等技术的不断发展，“数据”已经渗透到当今每一个行业和业务职能领域，成为重要的生产因素。数据的计量单位至少是PB级别计算。这个时代不仅给“数据”赋予了“价值”属性，也同步赋予了“法律”属性，这些都推动着国家和企业重视数据，重视数据安全。也欢迎大家关注我的专栏，查看更多数据安全建设相关内容。数据安全形势据IBM《2019年全球数据泄露成本报告》显示，恶意数
前言
在当前的数据时代，随着云计算、大数据、AI等技术的不断发展，“数据”已经渗透到当今每一个行业和业务职能领域，成为重要的生产因素。数据的计量单位至少是PB级别计算。这个时代不仅给“数据”赋予了“价值”属性，也同步赋予了“法律”属性，这些都推动着国家和企业重视数据，重视数据安全。
也欢迎大家关注我的专栏，查看更多数据安全建设相关内容。
数据安全形势
据IBM《2019年全球数据泄露成本报告》显示，恶意数据泄露平均给调研中的受访企业带来 445 万美元的损失。CNCERT 在2019年全年累计发现我国重要数据泄露风险与事件 3000 余起。数据泄漏对企业来说不仅是经济损失，还有国家层面的巨额罚款；比如Facebook的8700万用户数据的不当泄漏被罚款50亿美金，英国航空公司的50万乘客数据的不当泄漏被罚款2.3亿美元；国内大量企业都号称自己有百万、千万甚至过亿的用户量，但你们是否有相应的数据安全能力来保证用户数据不外泄，或者你们是否有能力应对合规层面的巨额罚款。
数据安全标准
国际层面，各国出台了如GDPR、CCPA、COPPA、LGPD等。
国内层面，近期相继出台了《网络安全法》、《儿童个人信息网络保护规定》、《APP违法违规收集使用个人信息行为认定方法》、 《数据安全管理办法》（征求意见稿）、《网络数据安全标准体系建设指南》（征求意见稿）和《中华人民共和国数据安全法（草案）》等。
数据安全相关定义
数据的定义：
任何以电子或者非电子形式对信息的记录。
理解数据的类型：
a、按照数据性质区分
结构化数据：即行数据,存储在数据库里,可以用二维表结构来逻辑表达实现的数据
非结构化数据：包括所有格式的工作文档、文本、图片、XML、HTML、各类报表、图像和音频/视频信息等等
半结构化数据：就是介于完全结构化数据（如关系型数据库、面向对象数据库中的数据）和完全无结构的数据（如声音、图像文件等）之间的数据，HTML文档就属于半结构化数据
b、按照数据状态区分
静态数据：存储在磁盘、硬盘、SAN等介质上的任何数据
动态数据：通过网络传输的任何数据
使用中的数据：应用程序使用内存或临时缓冲区中的数据
数据活动的定义：
数据的收集、存储、加工、使用、提供、交易、公开等行为。
数据安全的定义：
通过采取必要措施,保障数据得到有效保护和合法利用,并持续处于安全状态的能力。
数据安全的挑战
1、业务系统的灵活多变、需求复杂
互联网+的时代，市场的快速变化，企业业务的极速调整，企业每天都有可能出现系统上线、功能调整、接口的三方接入、数据的线上和线下外发等。面对这些变化和场景，我们如何应对？
2、新技术新挑战
新技术带来新风险。云、物联网、大数据和AI等新技术的广泛应用给企业带来了巨大生产力的同时，也改变了传统网络的数据防护思路，新型的网络威胁我们如何应用？
3、数据量大
大数据的兴起，数据的起始计量单位变成至少是PB级，甚至是EB级，在如此庞大的数据量面前，如何有效管理，如果做数据的快速识别、监控、检测、处置、响应？
4、安全威胁增多
数据价值的提升，导致外部威胁的目的性、隐蔽性、破坏性都成上升趋势。如何降低威胁暴露面和何种体系防护应对？
数据安全的目标
目标：满足合规，贴合业务，将数据风险降低至可接受水平，让数据使用更安全。
办法总比困难多，面对各位数据安全挑战，数据安全从业者要有自己的数据安全防护体系思路，善于学习新技术新经验的能力，总结自己的套路和打法，以终为始，不断更新和进步。
业务面前，安全不是他们的对立面，要采取双赢思维，建立信任关系。业务的目的是盈利，而安全是保证业务稳定盈利，规避风险最佳帮手，彼此相辅相成，相互依存。
数据安全模型框架
数据安全的执行和管理需要以数据为中心，宏观层，在满足合规的基础上，依托组织建设，采取技术和管理的手段，实施层，采取“识别”、“保护”、“监视”、“检测”、“响应”和“恢复”六大安全功能，保证数据全证明周期的安全。
数据安全建设框架
基于数据安全模型框架，梳理数据安全建设过程所需的基本功能和重点功能，制定如下数据安全建设框架：
框架说明
整理来看，数据安全建设框架可以分为三个层面。
最下面为组织建设层：
数据治理小组负责整体决策层工作，比如数据安全计划的定位，策略、政策和组织等的制定；数据安全团队负责整体战术层和执行层工作，战术层比如具体安全计划的管理管控，如合规管理、风险管理、计划管理、进度管理和指标管理等等；执行层负责整体数据安全计划的落地工作，人员包括专业的数据安全人员和各业务团队的安全接口人。
中间为能力实现层：
通过“识别”、“保护”、“监视”、“检测”、“响应”和“恢复”六大功能，落地数据安全的合规、管理、技术和运营。
最上面为目标和愿景层：
通过组织建设和数据安全能力实现，保证组织用户数据、业务数据和公司数据，最终实现使数据使用更安全的愿景。
数据安全实施框架
数据安全工作如此繁杂多样，我们如何具体落地和有序建设执行呢，基于数据安全建设框架，制定如下数据安全实施框架：
框架说明
整体来看，每做一件事情，我们都要先做好计划，然后实施，实施中进行复核检测，进而改进，如此反复，阶梯式完成，形成一个PDCA的循环。
Plan：
我们要制定好计划、确定范围和明确目标，识别的重点工作为：范围和边界的识别、账号识别、权限识别、数据识别、系统识别、操作识别、流程识别和数据的分类分级。
Do&Act：
在Plan中的成果进行处置，事前做保护，事中做监视和检测，事后做响应和恢复。重点工作为合规的落地；安全基线的落地；管理制度的建立‘敏感信息在数据生命周期中的管控、处置和审计，如敏感数据打标签、传输的加密、存储的加密或脱敏、使用的脱敏、操作的日志记录等。
注：合规的部分问题可以参考我另两篇文章《数据安全怎么做——合规篇之CCPA》《数据安全怎做——合规篇之数据安全法》资产梳理的问题可以参考我另一篇文章《企业安全建设之资产库篇》其他详细内容都在撰写中，后续会一一发出，比如数据安全治理、管理各种子篇、技术各种子篇等等，敬请期待。
Check：
用以对Do的成果的复核检测，提出问题和需求，由Act层跟进解决。
总结
数据安全是企业安全中与业务贴合最近的一项工作，好的落地势必会带来对业务的影响，所以搞定管理层是关键性因素，给数据安全工作戴上数据治理的帽子，
安全牵头，拉上所有数据相关方共同执行和承担责任，这样会大大增加工作开展的效率和有效性。
除此之外，数据安全的工作繁多，数据安全从业者需要为众多事情结合公司业务排好优先级，风险最大的不一定先做，优先做公司业务当前状态最需要的刚需，制定好工作计划，摸清家底，工作有序开展。[来源：FreeBuf]
