在当前的互联网世界里，大数据和云计算已经成为公认的主流技术之一，然而，这两者直接的关系也始终吸引业界关注的目光，云计算为大数据提供了基础设施，大数据需要灵活的计算环境，而后者可以快速、自动地进行扩展以支持海量数据。基础设施云可以精准地提供这些需求。
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。可是灵活性和安全性有的时候是不能兼顾的，所以如何实现安全性和灵活性的平衡是云计算提供商和大数据提供商需要深入思考的。
部署云加密措施被认为是首要步骤，但是它们并不适合所有的解决方案。一些加密解决方案需要本地网关加密，这种方案在云大数据环境下无法很好的工作。此外云计算提供商提供了密钥加密技术，用户在享受基础设施云解决方案提供的优势的同时又可以将密钥保存在自己手中，让密钥处于安全状态下。为了能够让你的大数据环境获得最佳的加密解决方案，建议使用密钥加密。
在大数据当中，结构的每一个组件都应该能够扩展，云安全解决方案也不例外。在选择云安全解决方案时，用户需要确保它们在所有跨地区云部署点中都能够发挥作用。此外，它们在大数据基础设施当中必须要能够高效地扩展。但是由于硬件安全模块不具扩展能力并且无法灵活适应云模式，因此它们不适合大数据使用案例。为了获得必要的扩展性，建议使用专门针对云计算设计的云安全解决方案。
为了让云安全策略尽可能地实现自动化，用户应当选择虚拟工具解决方案，而不是硬件解决方案。用户需要明白可用的API也是云安全解决方案的一部分。虚拟工具加上闲置的API能够在云大数据使用案例中提供所需要的灵活性和自动化。
在涉及大数据安全性时，用户应当根据数据的敏感程度进行分类，然后对它们采取相应的保护措施。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。
以上我们说的是数据安全，其实大数据安全还包括以下几个方面：
规模、实时性和分布式处理：大数据的本质特征(使大数据解决超过以前数据管理系统的数据管理和处理需求，例如，在容量、实时性、分布式架构和并行处理等方面)使得保障这些系统的安全更为困难。大数据集群具有开放性和自我组织性，并可以使用户与多个数据节点同时通信。验证哪些数据节点和哪些客户应当访问信息是很困难的。别忘了，大数据的本质属性意味着新节点自动连接到集群中，共享数据和查询结果，解决客户任务。
嵌入式安全：在涉及大数据的疯狂竞赛中，大部分的开发资源都用于改善大数据的可升级、易用性和分析功能上。只有很少的功能用于增加安全功能。但是，你希望得到嵌入到大数据平台中的安全功能。你希望开发人员在设计和部署阶段能够支持所需要的功能。你希望安全功能就像大数据集群一样可升级、高性能、自组织。问题是，开源系统或多数商业系统一般都不包括安全产品。而且许多安全产品无法嵌入到Hadoop或其它的非关系型数据库中。多数系统提供最少的安全功能，但不足以包括所有的常见威胁。在很大程度上，你需要自己构建安全策略。
应用程序：面向大数据集群的大多数应用都是Web应用。它们利用基于Web的技术和无状态的基于REST的API。虽然全面讨论大数据安全的这个问题超出了本文的范围，但基于Web的应用程序和API给这些大数据集群带来了一种最重大的威胁。在遭受攻击或破坏后，它们可以提供对大数据集群中所存储数据的无限制访问。应用程序安全、用户访问管理及授权控制非常重要，与重点保障大数据集群安全的安全措施一样都不可或缺。
在大数据时代下，云安全应避免走进迷雾森林，如何达到这一目标也是一项难题，从可行性来看，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，这也是避免云安全误入歧途的有效措施。
转载请注明：数据分析 » 大数据时代下 云安全勿走进迷雾森林
