- 综合排序
- 最热优先
- 最新优先
- 来自专栏红蓝对抗
云时代，安全的6大变化
云时代，安全6大变化 无边界网络 传统IT时代，IT资产往往都有非常明确的物理边界和软件边界。比如所有资产都在自己数据中心机房中，每一台服务器上对应资产都有明确的使用方、运维方，大家权责分明。 因此做安全防护的边界也非常清晰，可以像修长城一样部署防火墙等安全屏障。但是这样的日子已经一去不复返了。 云计算，让物理安全边界消失，很多安全设备已经没有位置可以部署。 这些 API 都可能被滥用，使攻击者能够访问敏感数据或控制关键服务。云计算导致API 安全挑战激增，这是大多数团队在没有云的时候几乎没有想到的事情。 云安全机制与传统安全机制完全不同，采用过去那种“新瓶装旧酒”的安全方案，不能应对云时代安全挑战。 复杂的访问控制管理 几十年来，访问控制一直是安全架构的一部分。 6大难题，1个对策，答案就在418 2023年4月18日，青藤将举办“云时代，安全变了——2023云安全高峰论坛暨青藤品牌升级发布会”。
62620编辑于 2023-04-11 - 来自专栏程序你好
数据科学的前6大语言
2012年的《哈佛商业评论》(Harvard business review)正确地将数据科学列为“21世纪最性感的工作”。即使在这份报告发表6年后的今天，《商业评论》仍被证明是正确的。 随着人工智能和机器学习的出现，“数据科学”一词在精通技术的人中间流行起来。用最简单的话说，数据科学是一种利用科学技术和算法从数据中挖掘知识的方法，无论是结构化的还是非结构化的。 无论您是数据科学领域的新手还是专业人士，您需要记住的一些基本内容包括分析数据、应用编程工具(如对数据进行序列和选择)以及执行简单的数据可视化。 R R编程语言被数据挖掘人员和数据科学家广泛用于分析数据。简化工作在统计学家中也很流行。R提供了强大的面向对象编程工具，使其在其他计算语言中处于优势地位。静态图形使图形和其他数学符号的生成更加容易。 SQL 结构化查询语言(SQL)用于处理大型数据库。特别是，它有助于管理结构化数据。学习SQL可以很好地提高数据科学家的语言技能。这种语言的缺点是缺乏可移植性。
1.2K30发布于 2018-09-29 - 来自专栏云计算D1net
大数据时代 云安全4大策略
当在大数据使用案例中提及云安全策略时，我们希望任何安全解决方案都能够在不影响部署安全性的情况下提供与云一样的灵活性。 4、对数据安全永不妥协 虽然云安全通常十分复杂，但是用户在大数据部署当中还是会发现一些“安全捷径”。这些“安全捷径”通常貌似能够回避一些复杂设置，同时保持大数据结构“不受伤害”。 并不是所有的大数据基础设施是安全的，如果处于风险当中的数据非常敏感或是属于管制数据，那么用户可能需要寻找替代方案。 多备份在给用户备份数据时自动把数据压缩加密并传到多个云端平台，采用3层加密安全保护体系使得数据安全达到最高。 总结 只有为数据建立了最为严格的安全标准，大数据才能够不断地享受着由云计算提供的可扩展性、灵活性和自动化。加密被认为是保护云(大)数据的首要步骤。
1.3K70发布于 2018-03-21 - 来自专栏CDA数据分析师
数据分析不能碰的6大禁区!
1 没有明确分析数据的 要分析一个数据，首先要明确自己的目的，为什么要收集和分析这样一份数据。只有明确了目的之后，才能够把握好接下来应该收集哪些数据，应该怎么收集数据，应该分析哪些数据等。 2 没有合理安排时间 数据分析也要合理安排时间，一般有几个步骤，收集数据、整理数据、分析数据、美化表格。在做这些之前，要预估每一个步骤需要花多少时间，哪一步比较重要，需要花更多的时间等。 数据分析重点应该在于分析，应该以最快的速度收集完数据，才有更多的时间整理和分析，最后经过分析的数据才是最有价值的。 5 不懂得分析哪些数据 这是比较普遍的问题，收集了数据后不知道要分析哪些项目，哪些数据点才能体现出分析的目的。 6 表格不美观，不清晰 做数据分析一般使用的是excel表格记录，一份美观清晰的表格不仅使我们可以清楚的看到这份数据的重点，方便查到所想要的数据。在收集数据的过程中，也可以提高收集和分析数据的效率。
71160发布于 2018-02-11 - 来自专栏机器学习/数据可视化
Python入门-6大数据类型操作
Python的6种数据类型操作总结 本文对Python中常见6种数据类型的操作进行了汇总： Numbers（数字） String（字符串） List（列表） Tuple（元组） Dictionary（字典 = 1.3常用函数 取绝对值：abs 四舍五入：round 取整：int 转浮点数：float 二、字符串String 字符串是Python中常见的数据类型之一，能够使用str函数将其他类型的数据强制转成字符类型 2.1键盘输入 终端中通过input函数输入的任何内容都是字符串数据 2.2三种方法生成 通过3种方法生成字符串数据： 单引号：`python` 双引号：“python” 三引号：一般字符串内容较长时使用 列表元素重复：* 返回列表中的最值（比较ASCII码）：max、min 3.3常见操作 索引和切片操作（类比字符串） append：将整体追加到列表的末尾 extend：列表中的每个元素进行合并，组成一个大的列表 ，字典是无序的数据类型，主要是用来存放具有一定映射关系的数据。
71220编辑于 2023-08-23 - 来自专栏华章科技
数据分析不能碰的6大禁区
没有明确分析数据的目的 要分析一个数据，首先要明确自己的目的，为什么要收集和分析这样一份数据。只有明确了目的之后，才能够把握好接下来应该收集哪些数据，应该怎么收集数据，应该分析哪些数据等。 没有合理安排时间 数据分析也要合理安排时间，一般有几个步骤，收集数据、整理数据、分析数据、美化表格。在做这些之前，要预估每一个步骤需要花多少时间，哪一步比较重要，需要花更多的时间等。 数据分析重点应该在于分析，应该以最快的速度收集完数据，才有更多的时间整理和分析，最后经过分析的数据才是最有价值的。 不懂得分析哪些数据 这是比较普遍的问题，收集了数据后不知道要分析哪些项目，哪些数据点才能体现出分析的目的。 表格不美观，不清晰 做数据分析一般使用的是excel表格记录，一份美观清晰的表格不仅使我们可以清楚的看到这份数据的重点，方便查到所想要的数据。在收集数据的过程中，也可以提高收集和分析数据的效率。
36430发布于 2018-08-13 - 来自专栏FreeBuf
2019年应当认真对待的6大移动安全威胁
如今，移动安全已经成为了很多公司网络安全威胁来源的头牌，随着智能手机的普及、应用日渐多样化，以及互联网不断的深入人们的生活，移动端也承载了比以往更多的数据信息，其中不乏敏感信息，这也招致了大量的外来者攻击 以下是对未来可能存在较大威胁的6种移动端安全隐患的统计： 一、数据泄露 数据泄露目前被广泛视为企业安全层面最困扰人的问题之一，根据目前的数据统计以及对来年的预测，平均每一家企业都有28%的概率会遇到至少一次数据泄露事件 当然，这并不能从根本上解决问题，现在很多公司会将文件、数据存储到公共的云存储中，并且在传输文件的过程中忽略安全机制的检测，这类意外事件极易导致数据泄露的发生，例如不久前出现的医疗系统泄密事件。 三、WiFi干扰 移动设备的网络安全往往只停留在数据流量层面，毕竟运营商网络的攻克难度较高，但随着公共WiFi数量的增长，安全隐患也随之增加。 以上六点就是Ponemon关于移动端6大威胁的研究统计，欢迎各位阅读参考，也同样欢迎提出自己的见解。
53420发布于 2018-12-24 - 来自专栏灯塔大数据
6位大数据人物浅谈未来三年大数据的发展
目前，大数据被很多人诋毁、滥用，很多人甚至都没有真正了解什么是大数据。但是这并不是说大数据就要完蛋了，这个行业仍有很大希望。Facebook的立场是非常明确的，他们承诺保护数十亿用户的信息安全。 新工具，新视角 维珍传媒（Virgin Media）洞察分析部负责人马克·查普曼（Mark Chapman） （维珍传媒：英国第一家通信、电视全业务运营商，欧洲最大的移动虚拟网络运营商，也是英国第二大付费电视公司 我认为企业利用的数据类型将发生重大变化，不论是内部数据的开源数据集，还是社交媒体等产生的非结构性数据集，这些数据类型都将发生巨变。 数据整合是成功关键 联合利华信息分析副总裁柯尔斯顿·穆迪（Kjersten Moody） （联合利华：跨国消费品公司，总部设在荷兰鹿特丹和英国伦敦，世界第三大消费品公司，世界上最大的涂抹食品生产商，最古老的跨国公司之一 联合利华目前专注于整合不同渠道数据，对客户数据体验进行重新定义，建立互动性更高的数据联系。这样一来，我们就能让客户深度发掘数据信息，并做出正确的行动决策。 翻译：灯塔大数据
93180发布于 2018-04-08 - 来自专栏互联网大杂烩
6大设计原则
所有引用基类的地方必须能透明地使用其子类对象。 只要父类能出现的地方子类就可以出现。
39330发布于 2018-08-22 - 来自专栏木东居士的专栏
数据团队思考：小型数据团队发展的6大建议
数据团队思考：小型数据团队发展的6大建议 0x00 前言 最近遇到了不少待在小型数据团队的朋友在吐槽自己的团队如何如何的坑，比如说： 基础建设特别差，用什么没什么！ 鉴于这些吐槽的内容，居士将从如下几个方面来分享本篇的主题：小型数据团队发展的6大建议 为什么你的团队是一个小型的数据团队？ 小团队会面临什么样的难题？ 很多大公司的数据团队可能也是很少的几个人。这里面有两种可能： 公司本身并不需要特别强大的数据支撑，或者还没有重视。 另一种可能是一个大的公司的各个部门里面，都会有自己的小的数据团队。 0x03 小型数据团队发展的10大建议 步入正题。 一、前期发展，以经验丰富的员工为主 小团队的前期发展，以经验丰富的老司机快速搭建框架是最为稳妥的，要尽可能地减少试错成本。 另外，数据挖掘本来也是数据团队的工作内容，这里的6个建议同样适用。 补充说明一点：本文是从团队的角度来考虑，并不是个人的角度。 最后，欢迎大家提出你的意见，批评也很欢迎，一起讨论才会有进步。
1.1K10发布于 2019-11-12 - 来自专栏囍楽云博客
c 线程安全的单例模式-单例模式（6大类）：如何保证线程安全？反射安全？序列化安全？
本文会讲解单例类的多种实现种类，并从源码层面说明保证线程安全、反射安全与序列化安全的措施。 缺点： 线程不安全，即多线程情况下，容易被多个线程实例化出多个对象c 线程安全的单例模式，违背”单例“的原则 线程安全的懒汉式（非DCL） 解决懒汉式线程不安全的问题 public 枚举 单例的最佳实践，也是《 Java》作者Josh Bloch提倡的方式 public enum EnumSingleton { //模拟单例中的数据 三、破坏单例模式 对于单例模式，一个好的实现方式，应当尽量保证线程安全、反射安全与序列化安全。 值得注意的是，调用的并不是单例类的构造方法，而是Object的，因此会在接下来拿文本中的数据填充当前得到的Object。
82620编辑于 2022-12-29 - 来自专栏云计算D1net
关于SaaS和数据恢复的6大谬误
这里有六个关于SaaS应用的谬误，会可能导致你天真地相信你公司云端的数据是安全的。而事实上它们却处于严重的风险之中，并且如果没有数据保护的解决方案的话，将可能会永久的失去。 谬误一：你总是可以恢复你的云端数据 云计算提供商确实能提供不同程度的恢复，但是有一个问题：这种备份并非旨在将所有数据都能提供给客户。 提供数据保护。虽然这两种技术有一些重叠的特性，但是它们在根本上是不同的两种方法： ·件同步和共享是建立在用户内容的实时协作基础上的，但它不是用于在用户错误、数据损坏或面对勒索软件所采取的数据恢复。 数据被全方位所保护着，包括用SaaS应用程序进行文件存储，并且在设备一旦丢失或被盗的情况下，其附加的功能够帮助组织跟踪设备，和/或远程删除企业的数据。 另外，原生的云内容分析能力可以帮助你更为深入地了解在横跨多个数据源的时候，潜在的数据和合规方面的风险。
74850发布于 2018-03-27 - 来自专栏腾讯安全
安全大咖连麦解读银行信息数据安全难题
银行业这一国民经济命脉，迫切需要在确保业务稳健的同时，通过信息安全产业的助力，实现万无一失的数据安全。 同时，腾讯安全战略研究中心将联合以上四家安全领域领导企业，基于对银行业安全状况的研判，携手发布《银行业数据安全白皮书》，以银行业数据安全现状、存在的问题以及未来趋势为主线，配合各个公司方案，力求尽量全面的论述银行业网络安全 数据潮来临，银行业面临的安全风险有哪些？ 网上银行业务的兴起和发展，对网络安全和信息安全突出了更高要求，确保网络安全是防范系统性金融风险必须考虑的因素，直接关系到国家安全和社会稳定。 各类经营数据、开发数据以及客户资料均存储在一起，极易发生安全管理不合规的情况。目前银行不同程度地走向混业经营的方向，其跨市场、跨区域、跨国别的风险仍缺乏应有的风控体系和监管约束。 同时，黑客的攻击面也正在扩大并“跨界”，逐渐从危害信息安全发展到危害金融安全、甚至人身安全。 银行如何安全地保管自身及客户敏感数据信息？ 如何有效避免违规、非法使用数据和信息泄露的风险？
67610发布于 2020-05-13 - 来自专栏新智元
智能音箱2017大爆发，6大数据看懂亚马逊与谷歌之争
厨房是Echo最频繁的使用场景之一； 6. 亚马逊将发布带屏幕的Echo。 相信以上结论会对国内暗流涌动的智能音箱之战会有较强的借鉴意义。 6月24日，Fortune报道。 Ad Age 公布的一份最新研究表明，谷歌的智能音箱 Home 比起亚马逊的 Alexa 要更可靠，对正确地回答用户命令这一任务进行量化的结果显示，双方有6倍的差异。 在所提供的答案的正确性上，谷歌的虚拟助理是亚马逊的6倍。 这一结果有些出乎意料。但是，考虑到两家公司在语音助理技术上的不同路径，这也是能理解的。 与此同时，亚马逊通常会选择与信息和内容合作伙伴协作，来获得数据。对于随机用户来说，特别是现在许多AI 业务都是在云上完成，谷歌和亚马逊的搜索结果可能不会有本质的区别。但是，搜索引擎的数据集是海量的。 但是根据新的数据，这一数字上升到了1.5到1.6台。 虽然数字没有那么精确，但是Echo的统治力是毋庸置疑的。
848120发布于 2018-03-28 - 来自专栏腾讯安全
腾讯安全联合发布《政务大数据安全指南》，六大建设满足四大安全刚需
紧贴四大刚需 政务大数据平台建设亟需“从内抓起” 《指南》指出，大数据时代下的政务数据使用具有场景复杂、数据用户多、数据量大、暴露面大等显著特点，传统的单品方式难以应对，这就迫使政务数据建设发展应该遵循以下四大数据安全需求 遵循五大原则 “技术+管理”强化源头管控 如何平衡公共利益与公民个人信息保护；如何探索大数据时代下社会治理安全与效率,确保公民个人信息安全。 发力六大领域 构建完整的数据安全防御体系 政务数据安全能力的建设是核心，同样也是基础。但如何构建完备的安全防御体系，是所有政务及公共数据持有部门目前面临的首要问题。 组织建设：数据安全组织是数据安全体系建设的前提条件，通过建立专门的数据安全组织，落实数 据安全管理责任，明确数据安全治理的政策、监督执行情况，确保数据安全相关工作能够持续稳定贯彻与执行； 制度规范：参考 因此，需要建设一套合规的密钥体系，并通过合理的运用达到数据保护的效果； 数据安全能力建设：数据安全能力包括数据定级、数据脱敏、数据加解密、数据安全审计、数据安全态势感知五个方面的能力，通过能力建设和合理的使用
2.6K6968发布于 2020-09-10 - 来自专栏智瑾财经
大咖论安全 隐私计算护航数据安全需同时关注科技伦理
2021年，金融数据安全相关新法律法规相继出台，而当前数字金融发展最重要的资产之一是数据，金融机构数字化转型也需要挖掘数据价值，如何在安全合规的尺度内实现创新稳健发展，行业如何应对？ 同盾科技合伙人、副总裁陈文 与会嘉宾提出，新法出台后金融数据合规应用或面临三大挑战，但不可误读法律，新法的要求是保护与利用并重。 对于如何保证数据安全流通、合规使用，陈文认为，数据孤岛的现象与数据使用的需求是存在矛盾的。数据价值挖掘需求的确存在，那么业界要思考用何种合法合规的条件或者技术手段把数据利用起来。 据陈文介绍，今年被市场认为是隐私计算的元年，隐私计算能够保证满足数据隐私安全的基础上，实现数据价值和知识的流动与共享，实现“数据可用不可见”“数据不动模型动”。 “同盾近期也基于知识联邦技术给国内一家电网企业，在数据安全治理应用层面做了较好的提升。
1.6K30编辑于 2021-12-08 - 来自专栏逻辑熊猫带你玩Python
Python | 6大数据类型方法归纳总结（中）
撰文编辑：逻辑熊猫 | 图片：网络与截图 - 正文 - ▼ -01- 概述 | 六中数据类型 Python提供的基本数据类型有六种： · 数字（Number） · 字符串（String） · 元组 6、set.discard()：如果它是一个成员，从集合中移除一个元素。如果元素不是成员，则什么都不做。 7、set.intersection()：将两个集合的交集作为一个新集合返回。
94140发布于 2018-08-30 - 来自专栏逻辑熊猫带你玩Python
Python | 6大数据类型方法归纳总结（下）
撰文编辑：逻辑熊猫 | 图片：网络与截图 如需转载，请后台联系授权 往期内容 Python 自助篇 “6大数据类型方法归纳总结（上）” “6大数据类型方法归纳总结（中）” - 正文 - ▼ -01 - 概述 | 六中数据类型 Python提供的基本数据类型有六种： · 数字（Number） · 字符串（String） · 元组（Tuple） · 集合（Sets） · 列表（List） · 字典（ 6.L.index(value, [start, [stop]]) ：返回value的第一个索引。如果value不存在，就会引发ValueError。可以使用start和stop制定检索的范围。 6.D.pop(key[,default]) ：删除指定的键并返回相应的值。如果没有找到该键，则返回默认值，否则会引发KeyError。
99120编辑于 2023-03-18 - 来自专栏数据库
数据库10 大常见安全问题盘点
网络罪犯开始从入侵在线业务服务器和破坏数据库中大量获利，因此，确保数据库的安全成为越来越重要的命题。 想要建立一个在线业务，最重要的就是建立一个全面的数据库，与此同时，保护你共享在网络中的数据安全也是至关重要的。 尽管意识到数据库安全的重要性，但开发者在开发、集成应用程序或修补漏洞、更新数据库的时候还是会犯一些错误，让黑客们有机可乘。下面就列出了数据库系统 10 大最常见的安全问题： ★ 1. 通过利用在微软 SQL Server 数据库中发现的漏洞进行传播，导致全球范围内的互联网瘫痪。这种蠕虫的成功充分说明了保护数据库安全的重要性。 滥用数据库特性 据专家称，每一个被黑客攻击的数据库都会滥用数据库特性。尽管听起来可能有点复杂，但实际上就是利用这些数据库特征中固有的漏洞。解决这种问题的方法就是删除不必要的工具。 ★ 6.
1.4K80发布于 2018-01-26 - 来自专栏亨利笔记
联邦大模型：打造安全合规的数据生态
大模型是具有数十亿甚至上百亿参数的深度神经网络模型，是“大数据+大算力+强算法”结合的产物，是凝聚了大数据内在精华的“知识库”。 龙卷风中心：数据安全与隐私保护不可忽视 在大模型的龙卷风席卷全球之时，这场风暴的中心也有一些冷静的声音：基于海量数据的大模型更应该在安全合规与伦理等方面保持谨慎。 如果这些信息在训练或应用过程中被泄露，会对用户造成严重的隐私损失和安全风险。 安全漏洞风险 大模型通常需要在云服务器上运行，因此有安全攻击风险。 联邦学习与大模型结合：构建安全合规的数据生态大陆 联邦学习作为一种分布式机器学习新范式，其“数据不动模型动，数据可用不可见”的特点使得各参与方可以在保护各自数据安全与用户隐私的前提下，进行AI协作，打破数据孤岛 联邦学习自身的特性将使得其与大模型的结合能够进一步解决数据安全、隐私保护等问题。
1.3K10编辑于 2023-04-12
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号