Ｉｎｆｏｒｍａｔｉｏｎ Ｃｏｍｍｕｎｉｃａｔｉｏｎ·信息通信 大数据平台安全威胁与防护技术研究 刘明辉，陈 游，王竹欣 （中国信息通信研究院，北京１００１９１） 摘要：大数据平台安全与其承载数据的安全同生共息，分布式存储和计算等新技术的应用为大数据安全带来新的挑战。首先 分析大数据平台面临的安全威胁，在ＮＩＳＴ大数据平台参考架构的基础上，提出大数据平台安全总体框架，研究目前主流大数据 平台Ｈａｄｏｏｐ的安全机制，分析现有安全机制存在的问题并提出解决建议。 关键词：大数据平台安全；Ｈａｄｏｏｐ安全；Ｋｅｒｂｅｒｏｓ；Ｓｅｎｔｒｙ；Ｒａｎｇｅｒ 中图分类号：ＴＰ３９３．０ｌ 文献标识码：Ａ ＤＯＩ：１０．１９３５８／ｊ．ｉｓｓｎ．２０９６—５１３３．２０１８．０１．０１５ 引用格式：刘明辉，陈滟，王竹欣．大数据平台安全威胁与防护技术研究［Ｊ］．信息技术与网络安全，２０１８，３７（１）：６５—６９． Ｒｅｓｅａｒｃｈ ｏｎ ｓｅｃｕｒｉｔｙ ａｎｄ ｐｒｏｔｅｃｔｉｏｎ ｔｅｃｈｎｏｌｏｇｙ ｏｆ ｂｉｇ ｄａｔａ ｐｌａｔｆｏｒｍ Ｌｉ Ｍｉｎｇｈｕｉ，Ｃｈｅｒｔ Ｔｉａｎ，Ｗａｎｇ Ｚｈｕｘｉｎ （Ｃｈｉｎａ Ａｃａｄｅｍｙ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ，Ｂｅｉｊｉｎｇ １００１９１，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｈｅ ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｎｅｗ ｔｅｃｈｎｏｌｏｇｉｅｓ ｓｕｃｈ ａｓ ｄｉｓｔｒｉｂｕｔｅｄ ｓｔｏｒａｇｅ ａｎｄ ｃｏｍｐｕｔｉｎｇ ｂｒｉｎｇｓ ｎｅｗ ｃｈａｌｌｅｎｇｅｓ ｔｏ ｂｉｇ ｄａｔａ ｓｅｃｕｒｉｔｙ．Ｔｈｉｓ ｐａｐｅｒ ｉｒｓｔｆｌｙ ａｎａｌｙｚｅｓ ｔｈｅ ｓｅｃｕｒｉｔｙ ｔｈｒｅａｔｓ ｔｈａｔ ｂｉｇ ｄａｔａ ｐｌａｔｆｏｒｍｓ ｆａｃｅｓ．Ｂａｓｅｄ ｏｎ ｔｈｅ ｂｉｇ ｄａｔａ ｐｌａｔｆｏｒｍ ｏｆ ＮＩＳＴ ｒｅｆｅｒｅｎｃｅ ａｒｃｈｉｔｅｃｔｕｒｅ，ｔｈｅ ｏｖｅｒａｌｌ ｆｒａｍｅｗｏｒｋ ｏｆ ｂｉｇ ｄａｔａ ｐｌａｔｆｏｒｍ ｓｅｃｕｒｉｔｙ ｉｓ ｐｕｔ ｆｏｒｗａｒｄ．Ｔｈｅ ｓｅｃｕｒｉｔｙ ｍｅｃｈａｎｉｓｍ ｏｆ Ｈａｄｏｏｐ，ｔｈｅ ｍａｉｎｓｔｒｅａｍ ｂｉｇ ｄａｔａ ｐｌａｔｆｏｒｍ，ｉｓ ｓｔｕｄｉｅｄ．Ｔｈｅ ｅｘｉｓｔｉｎｇ ｐｒｏｂｌｅｍｓ ｏｆ ｔｈｅ ｓｅｃｕｒｉｔｙ ｍｅｃｈａｎｉｓｍ ａｒｅ ａｎａｌｙｚｅｄ ａｎｄ ｓｕｇｇｅｓｔｉｏｎｓ ａｒｅ ｐｕｔ ｆｏｒｗａｒｄ． Ｋｅｙ ｗｏｒｄｓ：ｂｉｇ ｄａｔａ ｐｌａｔｆｏｒｍ ｓｅｃｕｒｉｔｙ；Ｈａｄｏｏｐ ｓｅｃｕｒｉｔｙ；Ｋｅｒｂｅｒｏｓ；Ｓｅｎｔｒｙ；Ｒａｎｇｅｒ ０ 引言 台安全的研究方向和研究建议。 １ 大数据平台安全威胁分析 大数据时代来临，数据价值的急剧攀升，促使数据 安全与、经济运行安全、社会公共安全、个人 （１）大数据技术发展引入未知的安全漏洞隐患。 合法权益之间的关联１３趋紧密。同时，大数据面临的 安全威胁日益严重，Ｇｅｍａｈｏ发布的《２０１７数据泄露水 平指数报告》显示，２０１７年上半年１９亿条记录被泄或 被盗，超过了２０１６年全年总量（１４亿），比２０１６年下半 年增加了１６０％多 。数据泄露和隐私问题已经成为 大数据、云计算技术带动信息系统软硬件架构的 全新变革，可能在软件、硬件、协议等多方面引入未知 的漏洞隐患，而现有安全防护技术无法抵御未知漏洞 带来的安全风险，包括现有的安全防护技术和实时监 测技术都相对滞后于大数据技术的发展。 （２）大数据技术缺乏有效的安全机制，安全保障能 力比较薄弱。 现有大数据技术大多基于Ｈａｄｏｏｐ框架进行二次 制约大数据应用发展的关键因素，建立大数据安全保 障体系成为大数据产业健康、稳定发展的重要环节。 当前，以Ｈａｄｏｏｐ为基础的开源生态系统是最流行 的大数据分析框架，国内Ｈａｄｏｏｐ已经广泛应用于金 融、电信、制造、能源以及医疗健康领域。Ｈａｄｏｏｐ平台 由多个组件搭建而成，组件自身安全以及组件之间的 开发，缺乏有效的安全机制，在身份认证、权限控制、安 全审计等方面不健全，即使有些做了改进，其安全保障 能力仍然比较薄弱。 安全共同决定大数据平台安全。传统安全技术能否嵌 （３）大数据技术采用的分布式存储和计算模式导 致安全边界变模糊。 入大数据平台，是否需要研发新的安全技术保障Ｈａ— ｄｏｏｐ组件安全，进而保障大数据平台安全，是值得深入 研究的问题。本文从分析大数据平台的安全威胁人 传统的网络环境下，网络安全边界相对清晰，基 于边界的安全机制可以起到较好的防护效果。而在 手，研究大数据平台的安全需求，并研究Ｈａｄｏｏｐ平台 目前常用的安全机制，分析存在的问题，提出大数据平 大数据环境下，由于大数据技术采用底层复杂、开放 的分布式存储和计算架构，使得大数据应用的安全边 ６５ 《信息技术与网络安全））２０１８年第１期 信息通信·Ｉｎｆｏｒｍａｔｉｏｎ Ｃｏｍｍｕｎｉｃａｔｉｏｎ 界变模糊，传统的安全防护机制在大数据环境下暴露 出不足。 （ＤＤｏＳ）攻击屡见不鲜。 ２大数据平台总体框架 图１是ＮＩＳＴ（Ｎａｔｉｏｎａｌ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｓｔａｎｄａｒｄｓ ａｎｄ （４）大数据技术发展催生出新型攻击手段。 大数据存储、计算、分析等技术的发展，催生出很 多新型高级的网络攻击手段，使得传统的检测、防御技 术暴露出严重不足，无法有效抵御外界的入侵攻击。 针对大数据平台的高级持续性威胁（ＡＰＴ）攻击时有发 Ｔｅｃｈｎｏｌｏｇｙ，美国国家标准与技术研究院）、ＩＳＯ／ＩＥＣ（国 际标准化组织／国际电工委员会）提出的大数据参考架 构ＮＢＤＲＡ（ＮＩＳＴ Ｂｉｇ Ｄａｔａ Ｒｅｆｅｒｅｎｃｅ Ａｒｃｈｉｔｅｃｔｕｒｅ），是独 立于供应商的、且与技术和基础设施无关的概念 模型 。 生。大数据平台遭受的大规模分布式拒绝服务 信息价值 —．．服务使用 图１ Ｎ１ＳＴ大数据参考架构 ＮＢＤＲＡ是围绕代表两大数据价值链的两个轴进 行组织的：信息（水平轴）和信息技术（ＩＴ）（垂直轴）。 备；（５）大数据框架提供者：负责建立和运营大数据平 台相关的基础设施、计算框架。 信息轴上，核心价值通过数据收集、整合、分析和应用 而产生。ＩＴ轴上，通过网络、基础设施、平台、应用工具 大数据平台作为数据存储和处理的载体，一方面 要保障其与大数据应用提供者之间的接口安全，包括 和其他ＩＴ托管服务和运行服务为大数据应用提供支 对接人平台的实体身份进行认证、数据传输过程的机 密性、数据的完整性校验等。另一方面，要满足大数据 基础平台内部的安全需求，包括数据存储安全、处理安 全、安全管理以及基础设施的安全。存储安全是指保 持。五个主要的ＮＢＤＲＡ组件代表了存在于每个大数 据系统的不同技术角色：（１）系统协调者：负责配置和管 理大数据平台与大数据应用的各类安全功能组件及安全 策略，编排大数据服务所需的数据活动和系统服务活动， 证存人数据的机密性和有序访问，防止在存储过程中 的数据泄漏，使用的安全技术包括基于身份或策略的 加密、访问控制、数据隔离等。处理安全是指保证运算 过程中的数据不被越权使用，使用的安全技术包括统 一并将它们整合到可运行的大数据平台中；（２）数据提供 者：负责将机构内外部的各种数据或信息资源通过数据 采集服务引入到大数据平台或大数据应用中；（３）大数 据应用提供者：负责开发和部署大数据应用，提供数据 生命周期管理相关的数据服务，并满足系统协调者定 义的安全和隐私保护需求；（４）数据使用者：使用大数 据平台或应用的末端用户、其他ＩＴ系统或智能感知设 ６６ 认证、细粒度访问控制、加密计算（搜索／过滤／删除／ 同态加密）等。管理安全是指平台组件的安全管理与 审计，其中包括安全基线检查、补丁管理、日志集中与 审计等。基础设施安全是指保障承载大数据平台的物 《信息技术与网络安全｝２０１８年第１期 理设备与虚拟化资源的基础安全，包括物理安全、网络 安全和虚拟化安全。 ３ Ｈａｄｏｏｐ安全机制 目前，大数据平台主要基于Ｈａｄｏｏｐ开源框架进行 二次开发，开源结构如图２所示，其核心功能是分布式 数据存储和数据处理 。由于Ｈａｄｏｏｐ是设计在可信 环境内部署使用，最初并没有考虑安全机制，而随着越 来越多用户加入进来，任何用户都可以访问和删除数 据，存在恶意用户伪装成真正的用户或者服务器入侵 到Ｈａｄｏｏｐ集群上，恶意地提交作业，修改ＪｏｂＴｒａｃｋｅｒ状 态，篡改ＨＤＦＳ上的数据，伪装成ＮａｍｅＮｏｄｅ或者Ｔａｓｋ— Ｔｒａｃｋｅｒ接受任务等风险。 厂］ ［二 薹 二］ Ｉｎｆｏｒｍａｔｉｏｎ Ｃｏｍｍｕｎｉｃａｔｉｏｎ·信息通信 强的安全性，同时保证较高的运行性能，目前还没有哪 种认证方式可以取代Ｋｅｒｂｅｒｏｓ认证。 ３．１，２访问控制 访问控制是关注用户或者应用在访问数据时，对 用户的权限进行定义和实施，从而限定用户是否有对 某种资源的访问能力。目前大数据安全开源技术在访 问控制方面主要有以下几种方式： （１）基于权限的访问控制：是一种基于用户和组的 文件权限管理方式，主要用于ＨＤＦＳ系统。目前已经 比较成熟。 （２）访问控制列表：规定了哪些数据可以访问，哪些 数据不能访问。可用于ＨＤＦＳ、ＭａｐＲｅｄｕｃｅ、ＨＢａｓｅ中。 （３）基于角色的访问控制：基本思想是对不同角色 设置不同的访问权限，当一个角色被指定给某个用户 时，此用户就拥有了该角色的权限，以此达到访问控制 的目的。用于Ｈｉｖｅ中。 （４）基于标签的访问控制：当文件资源被创建时， 由标签管理员为文件授予一组安全标签，相应地，每个 用户被创建时也由标签管理员授予相关的安全标签， 通过安全标签之间的比较，判定用户能否对文件进行 访问。用于ＨＢａｓｅ、Ａｃｃｕｍｕｌｏ中。 在以上几种访问控制方式中，企业主流使用的是 基于权限的访问控制和基于角色的访问控制。前者一 般用于对整个文件进行访问的情况，后者则是针对需 要对文件进行细粒度访问控制的情况，如基于列的访 问控制。基于角色的访问控制在大数据环境下面临新 的挑战。 ３．１．３ 数据加密 大数据环境下需要实现数据在静态存储及传输过 程的加密保护，以及密钥的安全高效管理。对于静态 数据，Ｈａｄｏｏｐ提供两种方式进行保护：一是文件先进行 加密，再存储在Ｈａｄｏｏｐ节点中；二是一旦数据加载到 Ｈａｄｏｏｐ系统中，立即申请对数据块的加密。对于动态 数据，传输进或传输出的数据，Ｈａｄｏｏｐ可以提供认证与 安全层（ＳＡＳＬ）认证进行加密 。 ３．１．４ 审计 安全审计是指对系统中发生的活动进行识别、记 录、存储和分析，明确数据或服务是在何时被何人访 问、怎么被访问的，理解数据的来源和被使用方式等问 题，从而实现数据管理，及时检测并发现可能的入侵攻 击等异常行为。Ｈａｄｏｏｐ生态系统各组件均提供日志和 审计文件记录数据访问过程，且日志审计文件内容不 可更改，为追踪数据流向和发现违规数据操作提供原 ６７ 信息通信·Ｉｎｆｏｒｍａｔｉｏｎ Ｃｏｍｍｕｎｉｃａｔｉｏｎ 始依据。 ３．１．５ 问题分析 （１）Ｈａｄｏｏｐ生态系统的开源安全技术无总体安全 管理视图，认证、权限管理、加密、审计等功能均通过对 相关组件的配置来完成，无有效的配置检查和效果评 价机制。 （２）访问控制机制过于简单。大数据场景下用户角 色众多，用户需求更加多样化，难以精细化和细粒度地控 制每个角色的实际权限，导致无法准确为用户指定其可 以访问的数据范围，实现细粒度访问控制较为困难。 （３）过于依赖Ｋｅｒｂｅｒｏｓ。在整个Ｈａｄｏｏｐ集群中，只 存在一个Ｋｅｒｂｅｒｏｓ服务器，这个服务器负责集群中所 有节点的访问控制。当Ｈａｄｏｏｐ中节点的数量变大时， Ｋｅｒｂｅｒｏｓ负担会加重。若在某一时刻很多节点向服务 器请求访问Ｔｏｋｅｎ，可能会超出服务器的处理能力。此 外，这也是Ｈａｄｏｏｐ中心控制问题的一个表现，若Ｋｅｒ— ｂｅｒｏｓ服务器出现故障，则整个集群都无法运行。 （４）无法应对恶意的网络攻击。Ｈａｄｏｏｐ在设计时 没有对可能遭受的网络安全问题进行考虑，Ｈａｄｏｏｐ中 没有对应的网络安全防护措施，很容易受到诸如ＤＤｏＳ 的攻击，因此Ｈａｄｏｏｐ对网络安全的防护只能借助第三 方的工具。 ３．２ 商业版本Ｈａｄｏｏｐ的安全机制 除了Ｈａｄｏｏｐ开源社区提供大数据平台框架和组 件技术外，部分企业致力于为用户提供第三方大数据 平台商业化解决方案，其中代表企业包括Ｃｌｏｕｄｅｒａ、 Ｈｏｒｔｏｎｗｏｒｋｓ以及华为公司。 ３．２．１ ＣＩｏｕｄｅｒａ ＣＤＨ 由Ｆａｃｅｂｏｏｋ、谷歌和雅虎的前工程师创办的Ｃｌｏｕｄ— ｅｒａ提供了从数据平台身份认证、访问授权管理、数据 加密到安全审计全流程的安全解决方案体系架构。 Ｃｌｏｕｄｅｒａ通过Ｃｌｏｕｄｅｒａ Ｍａｎａｇｅｒ提供向导式操作界面， 方便启用Ｈａｄｏｏｐ的Ｋｅｒｂｅｒｏｓ认证，避免企业用户受到 黑客勒索攻击。Ａｐａｃｈｅ Ｓｅｎｔｒｙ为大数据平台的组件， 为Ｈｉｖｅ、Ｉｍｐａｌａ、Ｓｏｌｒ以及ＨＤＦＳ提供细粒度的基于角 色的权限管理功能，避免数据集中后的非授权访问。 通过Ｃｌｏｕｄｅｒａ Ｎａｖｉｇａｔｏｒ提供大数据平台所有组件的统 一审计功能。Ｎａｖｉｇａｔｏｒ Ｅｎｃｒｙｐｔ保障数据传输过程及静 态存储都是以加密形式存在，具有较高的安全性，避免 黑客截获数据及数据泄露，同时利用Ｎａｖｉｇａｔｏｒ Ｋｅｙ Ｔｒｕｓｔｅｅ服务提供更好的秘钥存储方案，并能提供和企 业现有的ＨＳＭ（Ｈａｒｄｗａｒｅ Ｓｅｃｕｒｉｔｙ Ｍｏｄｕｌｅ）集成的解决 方案。同时，Ｃｌｏｕｄｅｒａ也在不断加强Ｈａｄｏｏｐ生态系统 ６８ 的安全特性，例如利用ＲｅｃｏｒｄＳｅｒｖｉｃｅ为Ｈａｄｏｏｐ平台提 供统一的安全管控。 ３．２．２ Ｈｏｒｔｅｎｗｏｒｋｓ ＨＤＰ Ｈｏｒｔｏｎｗｏｒｋｓ提供五个核心安全功能：集中安全管 理、身份验证和外围安全、授权、审计和数据保护。 ＨＤＰ使用Ａｐａｃｈｅ Ｒａｎｇｅｒ提供集中的安全管理框架，支 持ＨＤＦＳ、Ｈｉｖｅ、ＨＢａｓｅ、Ｓｔｏｒｍ、Ｋｎｏｘ、Ｓｏｌｒ、Ｋａｆｋａ、ＹＡＲＮ 等ＨＤＰ组件的集中安全管理，并实现授权和审计功 能；Ｒａｎｇｅｒ可以将Ａｔｌａｓ基于标签的访问控制策略扩展 到整个系统，使得基于分类的安全工作流程覆盖到 ＨＤＦＳ、Ｋａｆｋａ、ＨＢａｓｅ；可以在Ｈａｄｏｏｐ技术架构的每个层 级，包括Ｓｐａｒｋ和Ｈｉｖｅ，执行细粒度访问控制；支持ＳＳＬ 协议，保护Ｓｐａｒｋ和Ｋａｆｋａ之间数据流安全；Ｋｎｏｘ融合 了身份管理和单点登录功能，可以实现基于Ｋｅｒｂｅｒｏｓ 的身份认证、中心化的接口管理、集中审计控制和服务 级的授权访问；利用Ａｐａｃｈｅ Ｋｎｏｘ Ｇａｔｅｗａｙ实现边界防 护，保证Ｈａｄｏｏｐ集群人口的安全 。 ３．２。３ 华为Ｆｕｓｉｏｎｌｎｓｉｇｈｔ 华为大数据分析平台ＦｕｓｉｏｎＩｎｓｉｇｈｔ基于Ｈａｄｏｏｐ开 源社区软件进行功能增强，提供可运营的安全体系，从 网络安全、主机安全、平台安全和数据安全方面提供全 方位的安全防护 。 在平台安全方面，ＦｕｉｓｏｎＩｎｓｉｇｈｔ可以提供身份认 证、权限控制、日志审计等基于Ｈａｄｏｏｐ架构的增强型 安全功能。 身份认证：ＦｕｓｉｏｎＩｎｓｉｇｈｔ使用ＬＤＡＰ作为账户管理 系统，并通过Ｋｅｒｂｅｒｏｓ对账户信息进行安全认证；统一 了Ｍａｎａｇｅｒ系统用户和组件用户的管理及认证，提供单 点登录。 权限控制：基于用户和角色的认证统一体系，遵从 账户／角色ＲＢＡＣ（基于角色的访问控制）模型，实现通 过角色进行权限管理，对用户进行批量授权管理，降低 集群的管理难度。 审计日志：Ｆｕｓｉｏｎｌｕｓｉｇｈｔ审计日志中记录了用户操 作信息，可以快速定位系统是否遭受恶意的操作和攻 击，并避免审计日志中记录用户敏感信息。 在数据安全方面，ＦｕｉｓｏｎＩｎｓｉｇｈｔ可以从集群容灾、 备份、数据完整性、数据保密性等方面保证数据安全。 此外，华为的另一款大数据产品Ｆｕｓｉｏｎｌｎｓｉｇｈｔ Ｕｎｉ— ｖｅｒｓｅ可以实现全流程的数据隐私保护。 ４ 问题分析与解决建议 Ｈａｄｏｏｐ仍处在快速发展的阶段，安全问题依然 存在。 《信息技术与网络安全）２ｏ１８年第１期 Ｉｎｆｏｒｍａｔｉｏｎ Ｃｏｍｍｕｎｉｃａｔｉｏｎ·信息通信 目前的大数据平台安全机制集中于平台内部的信 息安全，网络安全方面的防护手段较弱。一方面，对网络 边界的防护仍沿用传统的网络安全防护手段，对于大数 带的访问控制机制，在认证、访问、授权等机制存在不 足；另一方面，Ｈａｄｏｏｐ一般不是运行，而是配合使 用生态系统中的其他组件技术，这些技术在安全性上 缺乏统一的安全措施。Ｈａｄｏｏｐ开源社区和商业平台为 Ｈａｄｏｏｐ生态系统增加了集中安全管理、准入控制、多因 据环境下扩展的防御边界而言，使用效果不佳；另一方 面，对大数据平台本身可能的攻击手段关注较少，预防 手段不足，一旦有新的漏洞出现，波及范围将十分巨 素认证、细粒度访问控制、密钥管理、数据脱敏、集中审 计等安全机制，在一定程度上填补了大数据平台的安 全空缺，但安全问题依然存在。应注意信息安全与网 络安全并重，建立事前、事中、事后结合的大数据平台 安全防御体系。 参考文献 ［１］Ｇｅｍａｌｔｏ．Ｂｒｅａｃｈ—Ｌｅｖｅｌ－Ｉｎｄｅｘ—Ｒｅｐｏｒｔ—Ｈ１—２０１７一Ｇｅｍａｈｏ［Ｚ］． ２０１７． 大 。确立有限管理边界，依据保护要求，加强重点保 护，构建一体化的数据安全管理体系，遵循网络防护和 数据自主预防并重的原则，并不是实施了全面的网络 安全护理就能彻底解决大数据的安全问题，数据不丢 失只是传统的边界网络安全的一个必要补充，还需要 对大数据安全管理的盲区进行监控，只有将二者结合 在一起，才是一个全面的一体化安全管理的解决方案。 一般来说，数据安全防护可以分为三个阶段，分别 ［２］ＮＩＳＴ．ＮＩＳＴ Ｂｉｇ Ｄａｔａ Ｉｎｔｅｒｏｐｅｒａｈｉｌｉｔｙ Ｆｒａｍｅｗｏｒｋ：Ｖｏｌｕｍｅ ７［ｚ］． ２０１７． 是事前预警、事中防护和事后追溯。事前预警是指对 系统进行风险评估，对系统进行安全加固，并对可能出 现的风险设置安全预警措施。事中防护是指对运行中 ［３］ＷＨＩＴＥ Ｔ．Ｈａｄｏｏｐ权威指南（第二版）［Ｍ］．周敏涛，五晓 玲，金澈清，等，译．北京：清华大学出版社，２０１１． ［４］陈玺，马修军，吕欣．Ｈａｄｏｏｐ生态体系安全框架综述［Ｊ］． 信息安全研究，２０１６，２（８）：６８４—６９８． ［５］Ｈａｄｏｏｐ系统框架安全机制［ＥＢ／ＯＬ］．（２０１７—０１—１８）ｈｔｔｐ：／／ ＷＷＷ．１ｉｎｕｘｉｄｃ．ｃｏｍ／Ｌｉｎｕｘ／２０１７－０Ｉ／１３９６７５．ｈｔｍ１． 的系统进行动态安全防护，包括数据采集、存储、处理 过程中涉及的身份认证、访问控制、数据加密、网络安 全防护等技术手段。事后追溯是指当发生数据安全事 件时，查找泄漏原因和定位泄漏点，包括安全审计、数 据溯源等技术手段和应急响应方案。目前，平台的安 全技术手段集中于事中的防护，缺乏事前预警和事后 ［６］Ａｐａｃｈｅ Ｒａｎｇｅｒ［ＥＢ／ＯＬ］．ｈｔｔｐｓ：／／ｈｏｒｔｏｎｗｏｒｋｓ．ｃｏｒｎ／ａｐａｃｈｅ／ ｒａｎｇｅｒ／． ［７］华为技术有限公司．华为ＦｕｓｉｏｎＩｎｓｉｇｈｔ ＨＤ ２．６产品一解决方 案概述［Ｚ］．２０１６—０５—１３． 的追溯手段较少。应加强数字水印、数字指纹、数据溯 源等技术的研究和应用，研究数据血缘追踪等新技术 在泄漏溯源方面的应用方案。建立事前预警、事中防 护和事后追溯相结合的整体防护方案。 ５ 结论 ［８］Ｈａｄｏｏｐ安全与隐私保护［Ｍ］．北京：清华大学出版 社，２０１７． （收稿日期：２０１７—１２—０８） 作者简介： 当前，以Ｈａｄｏｏｐ为基础的大数据开源生态系统应 刘明辉（１９７９一），女，博士，高级工程师，主要研究方向：物 联网安全、大数据安全和隐私保护。 用非常广泛，国内Ｈａｄｏｏｐ已经广泛应用于金融、电信、 制造、能源以及医疗健康领域，其安全问题已经引起普 遍重视。Ｈａｄｏｏｐ安全框架存在不小挑战，一方面，由于 Ｈａｄｏｏｐ自身安全机制依赖Ｋｅｒｂｅｒｏｓ、非对称加密的Ｔｏ． ｋｅｎ认证机制、传输加密机制、基于Ｌｉｎｕｘ／Ｕｎｉｘ系统自 陈湄（１９８５一），硕士，主要研究方向：大数据安全、个人信息 保护。 王竹欣（１９９１一），硕士，主要研究方向：网络安全、数据 安全。 （上接第６１页） ［１８］王小山，杨安，石志强，等．工业控制系统信息安全新趋势 ［Ｊ］．信息网络安全，２０１５（１）：６－１１． 作者简介： （收稿日期：２０１７．１１—２０） ［１９］王昱镔，陈思，程楠．工业控制系统信息安全防护研究 ［Ｊ］．信息网络安全，２０１６（９）：３５—３９． 徐超（１９７６一），男，硕士，高级工程师，主要研究方向：信息 安全、工业控制系统。 莫嘉永（１９９１一），通信作者，男，硕士，工程师，主要研究方 向：工业控制系统、信息安全。Ｅ—ｍａｉｌ：ｍｏｊｙ＠ｇｚ．ｇｏｖ．ｅｎ。 ［２０］ＳＴＯＵＦＦＥＲ Ｋ，ＦＡＬＣＥ Ｊ，ＳＣＡＲＦＯＮＥ Ｋ．Ｇｕｉｄｅ ｔｏ Ｉｎｄｕｓｔｒｉａｌ Ｃｏｎｔｒｏｌ Ｓｙｓｔｅｍｓ（ＩＣＳ）Ｓｅｃｕｒｉｔｙ［Ｍ］．Ｎａｔｉｏｎａｌ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｓｔａｎｄａｒｄｓ＆Ｔｅｃｈｎｏｌｏｇｙ．２０１ １． 林俊南（１９８９一），男，本科，工程师，主要研究方向：信息安全。 ６９ 《信息技术与网络安全５５２０１８年第１期
