数据安全怎么做——数据跨境的思考

智能网联汽车数据安全认识与思考 作者:张勇 摘要 传统汽车行业在数字经济时代快速发展,但数据安全风险也随着而来。本文从数据使用与安全的平衡、数据安全合规要求、基于全生命周期的数据安全技术保障、强化汽车数据安全管理等方面阐述对汽车数据安全的认识与思考。 1 引言 随着新技术赋能,一方面,机械化汽车已经变得更加智能和网络化,智能网联汽车和外界交互也愈加频繁,传输的数据也更加多样化,并已成为信息社会的数据生产和传输重要终端。另一方面,数据安全风险也向智能网联汽车领域蔓延,一旦被非法获取、非法利用将直接威胁国家安全、公共安全、个人 阅读详情

数据安全怎么做——数据跨境的思考

 

前言

本文基于自己对国内外数据跨境安全的学习,并针对中国在美国存在业务的企业,如何满足合规要求,自己的一些学习和思考过程,分享给大家。

 

近两年是数据安全合规的大年,全球相继以数据安全为基础,发布了多项法案或行政法令,这使存在跨国业务的企业,面对业务合规的压力越来越大。

今天的分享也是鉴于自己去年经历了美国合规层面对数据跨境场景中的问题和处置思路,场景主要是中美数据合规、和如何规避数据跨境出现的合规风险。

数据安全怎么做——数据跨境的思考

 

背景

数据安全怎么做——数据跨境的思考

 

1、事件

a、国内方面:

国内对于国外公司的安全审查也是相对严格,2017年6月1日,网络安全法正式实施,相关政策法规也日渐明朗和完善,很多国外的大公司相继在国内建立单独的公司或数据中心,用以管理中国国内的数据,并满足国内的法规要求。典型案例:苹果公司投资10亿美元在贵州省贵安新区建设iCloud数据中心,亚马逊在宁夏中卫建立全球第10个数据中心等,目的都是把国内的数据存储在中国境内,满足我国合规要求,保证我国用户数据隐私及安全性。

b、国际方面:

2019年6月25日,美国参议院外交委员会将华为列为美国和其盟邦的国家安全威胁。

2020年6月30日,印度政府周一(6月29日)晚间以国家安全为由,宣布禁用59项中国应用软件。

2020年09月02日,印度政府再禁118款中国应用程序。

2020年11月26日,印度再禁43款中国应用程序。

2020年8月9日,美国要开展净网行动。

数据安全怎么做——数据跨境的思考

 

2、合规要求

合规层面本次只体现国内和美国的相关合规要求进行对比说明(此处个人不是很专业,只罗列个人认为比较关键的要求)

a、国内

  • 网络安全法

第37条:关键信息基础设施的运营者在中华人民共和国境内运营中收集和产生的个人信息和重要数据应当在境内存储。因业务需要,确需向境外提供的,应当按照国家网信部门会同国务院有关部门制定的办法进行安全评估。

  • 数据安全管理办法(征求意见稿)

在中华人民共和国境内利用网络开展数据收集、存储、传输、处理、使用等活动(以下简称数据活动),以及数据安全的保护和监督管理要求。

第二十八条 网络运营者发布、共享、交易或向境外提供重要数据前,应当评估可能带来的安全风险,并报经行业主管监管部门同意;行业主管监管部门不明确的,应经省级网信部门批准。

  • 数据出境安全评估指南(草案)

数据出境安全评估首先评估数据出境目的;数据出境目的不具有合法性、正当性和必要性,不得出境。在此基础上评估数据出境安全风险,将数据出境及再转移后被泄露、损毁、篡改、滥用等风险有效地降至最低限度。具体流程如图:

数据安全怎么做——数据跨境的思考

 

  • 《数据安全法(草案)》

第二十三条 国家对与履行国际义务和维护国家安全相关的 属于管制物项的数据依法实施出口管制。

  • 《个人信息和重要数据出境安全评估办法(征求意见稿)》

第七条网络运营者应在数据出境前,自行组织对数据出境进行安全评估,并对评估结果负责。

第九条出境数据存在以下情况之一的,网络运营者应报请行业主管或监管部门组织安全评估:

(一)含有或累计含有50万人以上的个人信息;

(二)数据量超过1000GB;

(三)包含核设施、化学生物、国防军工、人口健康等领域数据,大型工程活动、海洋环境以及敏感地理信息数据等;

(四)包含关键信息基础设施的系统漏洞、安全防护等网络安全信息;(五)关键信息基础设施运营者向境外提供个人信息和重要数据;

(六)其他可能影响国家安全和社会公共利益,行业主管或监管部门认为应该评估。

行业主管或监管部门不明确的,由国家网信部门组织评估。

  • 《个人信息出境安全评估办法(征求意见稿)》

第三条 个人信息出境前,网络运营者应当向所在地省级网信部门申报个人信息出境安全评估。

向不同的接收者提供个人信息应当分别申报安全评估,向同一接收者多次或连续提供个人信息无需多次评估。

每2年或者个人信息出境目的、类型和境外保存时间发生变化时应当重新评估。

《个人信息保护法(草案)》

整个第三章全部是对于个人信息跨境传输的要求,关键点如下:

个人信息处理者因业务等需要,确需向中华人民共和国境外提供个人信息的,应当至少具备下列一项条件:

(一)依照本法第四十条的规定通过国家网信部门组织的安全评估;

(二)按照国家网信部门的规定经专业机构进行个人信息保护认证;

(三)与境外接收方订立合同,约定双方的权利和义务,并监督其个人信息处理活动达到本法规定的个人信息保护标准;

(四)法律、行政法规或者国家网信部门规定的其他条件。

关键信息基础设施运营者和处理个人信息达到国家网信部门规定数量的个人信息处理者,应当将在中华人民共和国境内收集和产生的个人信息存储在境内。确需向境外提供的,应当通过国家网信部门组织的安全评估;法律、行政法规和国家网信部门规定可以不进行安全评估的,从其规定。

b、美国

  • CFIUS(美国外资投资委员会)

2018年美国外资安全审查改革首次明确关注TID U.S. business,即Technology(关键技术)、Infrastructure(关键基础设施)和Data(敏感个人数据),具体为具有以下条件的任何美国业务:

(1)生产,设计,测试,制造,制造或开发一项或多项关键技术;

(2)附录A列出了28个关键基础设施类别和功能

(3)直接或间接维护或收集美国公民的敏感个人数据。

关于这三个领域的一系列业务,即使外国人不会获得对美国业务的“控制权”,CFIUS仍有权审查外国人的任何“担保投资”。

CFIUS对落入这三个领域的个人或企业去收购的话,即使是很小的股份,不涉及到控制的也会审查,控制性投资和非控制性投资都会进行审查。比如近几年中国对美投资中有几个因为数据安全被否决的案例:蚂蚁金服在收购MoneyGram未完成的时候已经被CFIUS否决了,还有2020年比较火的要求字节跳动从Tiktok中剥离,其实也是在CFIUS的审查之下,提出的要求。并且,在美公司企业自身是否接受过中国国有产业投资基金的投资,也是他们否决的关键因素之一。

  • CCPA

CCPA是迄今为止美国最高的数据保护标准,旨在强有力地保障个人的个人数据,适用于收集、使用或共享消费者数据的企业,无论这些信息是在线还是离线获得,并使用NIST CIS框架为企业数据安全建设提出要求和指引。详细可参考另一篇文章《数据安全怎么做:合规篇之CCPA》。

  • COPPA

对在线收集13岁以下儿童个人信息的行为。它详细介绍了网站运营商必须包括的隐私政策,何时以及如何获得父母或监护人同意,以及应尽的责任,运营商必须保护儿童的隐私和安全,包括限制向13岁以下的儿童销售。

该规则涵盖的运营商必须:

发布清晰,全面的在线隐私政策,描述其从儿童网上收集的个人信息的信息做法;

在从儿童在线收集儿童个人信息之前,应直接通知父母并获得可验证的父母同意,但有例外情况;

让父母选择同意运营商收集和内部使用孩子的信息,但禁止运营商向第三方披露该信息(除非网站或服务不可或缺的信息披露,在这种情况下,必须明确告知父母);

向父母提供访问其孩子的个人信息的权限,以查看和/或删除该信息;

给父母机会防止进一步使用或在线收集孩子的个人信息;

维护他们从儿童那里收集的信息的机密性,安全性和完整性,包括采取合理步骤仅将这些信息发布给能够维护其机密性和安全性的各方;

保留从儿童网上收集的个人信息的时间仅达到实现收集目的所必需的时间,并采用合理的措施删除该信息,以防止他人未经授权访问或使用该信息;不得以儿童提供比参加该活动合理必要的更多信息为条件来限制儿童参与在线活动。

  • 净网

强调Clean Carrier、Clean Store、Clean Apps、Clean Cloud、Clean Cable、Clean Path。从不同维度,极大地限制了中国企业在美业务的开展,并随时存在业务被关停和应用被下架等风险。

c、总结

其实在看中美对外资安全审查的过程中,对待数据的处理方式还是比较相像的,都是从国家安全层面看数据安全问题,强调“数据主权”完整和独立,这也是企业业务在长期可持续开展的决定性条件。

数据安全怎么做——数据跨境的思考

 

跨境数据

 

以下将通过实际场景举例,跟大家分享自己对数据跨境场景中的想法和思考。

数据安全怎么做——数据跨境的思考

 

1、场景

国内公司,系统部署在国内,主要用户群体都在国内,业务已扩展到美国,存在美国公民PII信息,国内敏感数据不出境,无国内数据跨境风险,如何满足美国合规要求。

数据安全怎么做——数据跨境的思考

 

2、目标

保证业务的前提下,满足美国本地监管和中美数据合规要求,规避数据跨境而产生风险。

数据安全怎么做——数据跨境的思考

 

3、问题&思考

合规:中美关于数据的合规要求是什么?如何落地?哪些是关键指标?

行业:行业最佳实践案例和是什么,与我司的共性是什么?我司与它的差距是什么?

系统:业务系统应该如何部署,如何拆分才能满足中美的数据管理要求?

数据:数据如何存储、使用和管理,才能满足中美的数据管理要求?

数据安全怎么做——数据跨境的思考

 

4、原则

  • 数据最小化获取只获取隐私协议中明确提及的数据。
  • 本地化管控包含人员本地化招聘、系统本地化部署和数据本地化存储,此处是满足合规和监管要求,实现可信的目的。
  • 适当的安全防护环境、人员、系统和数据等都要进行适当的安全防护,如满足ccpa中的nist的cis框架,逐项满足,规避因安全问题引发的合规风险。
  • 出境前安全审查强合规要求。

 

数据安全怎么做——数据跨境的思考

 

5、方案

面对于美国合规,其实解决方案并不复杂,要基于业务,选择对业务影响最小和业务可接受的解决方案。主要方向是:将国内的所有技术和管理措施等在美国相同落实和拉齐,然后依据美国合规及业务特殊性进行定制化改造,如敏感数据发现基于业务和合规要求进行变更,增加境外数据管理规定等等,相同功能的三方安全防护产品,改采购美国本地企业产品等。

以下基于自己亲身经历并完成的落地方案,从四个方向的思路分享,供参考(只罗列个人认为的关键点):

方向一、在美国的业务完全独立(思路类似一企两制)

  • 在美国独立成立公司并招聘本地运维人员,国内总部进行宏观管理
  • 基于美国本地公司提供的云环境或IDC部署系统,与国内网络物理隔离
  • 系统强满足CCPA、COPPA和美国当地监管要求
  • 采购美国本地的企业产品,用以背书

方向二、在美国的系统完全独立

  • 将涉及到美国PII信息的系统或功能模块从整体的系统中剥离,独立形成一套系统
  • 基于美国本地公司提供的云环境部署系统
  • 至少存在一个美国CDN企业专线,完成跨国数据传输
  • 美国合规要求的敏感数据如需进入国内,采取缓存的方式,且定期即时清理
  • 增加业务场景多样化,除了app端,建议存在pc端版本和h5页面版本等,规避app被下架的风险
  • 系统强满足CCPA、COPPA和美国当地监管要求
  • 采购美国本地的企业产品,用以背书

方向三、在美国的数据完全独立

  • 美国本地的敏感数据获取和存储,依托于第三方公司完成,公司只提供能力和平台,接口层获取认证的结果数据即可,不接触敏感信息

方向四、放弃美国合规要求的隐私数据

  • 对美籍用户或员工的合规明确要求的隐私数据进行全面匿名化处理
  • 或清退美籍用户或员工,并删除相关数据

总结:

上述思路不仅适用于中国企业在美业务的开展,亦适合在欧洲(GDPR)、日本等地的业务开展。

数据安全怎么做——数据跨境的思考

 

6、敏感数据

为了便于对敏感信息的了解,我整理了ccpa、gdpr等合规要求中对敏感数据的提及,总结如下,建议企业至少关注以下数据:

序号

敏感信息类别

1

音频、电子、视觉、热量、嗅觉或类似信息

2

银行帐号

3

生物特征信息

4

商业信息(例如,购买的产品或服务,或其他购买或消费历史或趋势)

5

信用卡号

6

借记卡号

7

驾驶执照号码/州ID

8

教育

9

电子网络活动(例如,浏览历史记录,非公开电子邮件,消息或聊天通信)

10

电子邮件地址

11

就业状态

12

就业经历

13

地理位置数据

14

健康保险信息

15

标识符(例如名称或别名)

16

保险单号

17

医疗信息

18

在线标识符(例如IP地址)

19

其他财务信息

20

护照号码

21

身体特征

22

邮寄地址

23

签名

24

社会保险号

25

电话号码

26

交易信息

 

数据安全怎么做——数据跨境的思考

 

7、认证

面对合规,我们需要深刻地解读,并通过技术和管理等手段进行落地,以帮助企业规避合规风险,那如何判断和验证企业切实满足了合规要求呢,这就不提到不同合规要求对应的认证了,面对美国合规要求,可以通过过认证方式,进行合规背书,如Coppa和ISO/IEC 27701等,同时,相关认证对公司也有PR的效果。

推荐阅读:牛掰了!阿里大佬居然把Nmap使用技巧总结的这么好 马云看了都说叼

数据安全怎么做——数据跨境的思考

 

总结

 

随着企业业务的全球化发展,企业面临的各国数据安全合规要求不尽相同,合规的日益趋严让企业压力不断增加,数据安全合规已经不再是企业建设到一定阶段,便可自然满足的事情,而是需要通过制定一系列的企业战略目标和计划,业务随合规而不断调整,方能实现的事情,这对每个企业都是比较大的挑战。但这其实是好事,数据的价值越来越大, 合规的本质是为个人、企业和国家提供保障,并且国家通过合规手段带动企业数据安全建设,会整个数据安全发展更加高效和快速。

《金融数据安全分级指南JR/T 0197-2020》解读与想法 经过四年的实践与探索,金融数据安全分级体系已逐步成熟和完善。然而,面对日益复杂的数据安全环境和不断涌现的新业务模式,我们仍需保持警惕和创新精神。在未来的数据安全治理中,我们应继续深化对数据分类分级的研究和实践,加强数据安全法律法规的完善和执行力度,推动数据安全技术的创新和应用,共同构建更加安全、高效、开放的金融数据生态体系。 阅读详情

相关推荐

【时间之外】5分钟解析数据安全法:数据可以卖钱了

2021年6月10日,《中华人民共和国数据安全法》经全国人大常委会表决通过,并于2021年9月1日起施行。作为一名IT老兵,对于数据安全一直很重视,但是之前都是游击战法,这次有了国家级别的法律,将来的数据安全,应该会走向正规化,现代化。本文就个人理解为大家梳理一下如何实践数据安全法。

目标范式 706

2024企业加速出海,全球化身份与数据跨境如何安全合规治理?

2024,企业加速出海。在历经了数十年的出海成长,中国出海企业已经迈向了从标准化产品到高附加值产品,从品牌出海到建立全球产业链的发展升级之路。然而:1、随着海外收购公司越来越多,海外员工和分子公司员工如何统一管理?2、海外收入占整体收入持续提升,跨境业务与数据频繁交互,如何建立可信统一身份权威源,保障跨境数据安全?3、全球化导致企业安全暴露面持续扩大,传统边界安全架构无法应对新场景下的安全挑战?

LUCKYLILIWA的博客 2300

大数据安全保护思考

大数据安全保护思考 随着大数据时代的来临,企业数据开始激增,各种数据在云端、移动设备、关系型数据库、大数据库平台、pc端、采集器端等多个位置分散。对数据安全来说,挑战也更大了。在大型互联网企业里,传统方法已经很难绘制出一张敏感数据流转图了。因此在新的形势下,一是在工具层面要有新的手段支撑,包括完整的敏感数据视图、高风险场景识别、数据违规/滥用预警、数据安全事件的发现检测和阻止等。二是目前企业也存...

cqacry2798的博客 5993

企业数据出境合规安全解决方案

数据出境”是国家对于企业或个人信息出境的规定,是数据流动的必经之路。中国已经连续8年成为世界第一大货物贸易国,随着数字经济的快速发展,全球数字贸易在世界经济中的比重不断上升。企业数据的跨境流动,必然会对国家安全和社会稳定产生影响。在数字经济时代,我国政府对数据出境有着严格要求,如何做好企业数据出境合规安全管理是关键,而企业合规安全解决方案是保障企业境外数据合法流出和安全合规运行的重要手段。

holonet的博客 595

CCRC-DSO数据安全官认证:从法规到技术的体系化备考与职业跃迁指南

数据安全治理是构建企业安全防线的核心,其原理在于通过体系化的框架,将法规要求、管理流程与技术控制有机结合,形成覆盖数据全生命周期的防护能力。这一体系的技术价值在于,它能将合规压力转化为可落地的安全控制措施,有效管理数据资产、防范泄露与滥用风险。其应用场景广泛,从满足《数据安全法》《个人信息保护法》等合规基线,到支撑金融、医疗、互联网等行业的具体业务安全需求,都离不开系统化的治理实践。本文聚焦于**CCRC-DSO数据安全官认证**这一权威资质,深入剖析其知识体系,涵盖**数据分类分级**、安全风险评估等核心

weixin_30889885的博客 411

电信领域数据安全合规治理思考

然后,对电信企业应做好的围绕管理、技术、运营等方面的数据安全合规治理措施,避免在面向合规监管过程中出现的管理、技术、运营合规不满足、具体措施落实不到位等问题进行了分析,从而对电信企业在数据安全合规治理方面所具备的能力进行了研究;实现与制度流程相配套的包括数据加密、数据备份恢复、数据脱敏、数据溯源、数据防泄露、数据库审计、数据流动监测等类型技术在内的数据安全技术支撑体系。包括收集、存储、使用、提供、转移、共享、发布、转让、删除、销毁、跨境或非跨境传输、流动等保护的行为需符合国际条例和国内安全相关的法律法规。

weixin_70923796的博客 261

镭速-跨国车企数据高速、安全跨境传输解决方案

采用自研的Raysync高速传输引擎,搭配DLP数据安全防护策略,支持但不限于:海量视频文件、图纸文件、音频文件、图像文件、办公文件等文件类型的高速传输,把现有带宽的利用率拉到最大,同时对文件内容中如存在敏感信息的,在传输的过程中系统自动预警并脱敏处理(需要预先定义规则),真正做到安全、高效的文件一站式跨境解决方案!例如,从数据采集最初阶段,就应该注意数据处理的必要性,符合最小化原则,仅处理与所需功能直接关联的数据,在收集、存储、传输、加工等环节都采取必要的安全措施。

镭速的博客 852

全球数据安全:认知、政策与实践

数据时代背景下,一方面数据战略价值凸显,各国围绕数据展开战略竞争;另一方面数据成为安全重灾区,近年来,针对数据的攻击、窃取、劫持、滥用等手段不断推陈出新,给经济、政治、社会等各领域带来巨大风险。需要围绕当前数据安全涉及的核心议题,深入分析数据安全面临的主要挑战以及当前的政策实践,在对未来数据安全发展趋势评估的基础上,就中国如何进一步有效维护数据安全并引领数据规则制定进行思考。内容目录:0 引 言1 正确理解数据安全2 数据安全面临的主要挑战3 维护数据安全的主要实践4 未来数据安全维护主要趋势5 结 语0引

weixin_70923796的博客 239

数据安全与网络安全:跨境合作与规范

1.背景介绍 数据安全和网络安全是当今世界面临的重大挑战之一。随着科技的发展和全球化的进程,数据和信息在各个领域的交流和传输已经成为了生产、生活和国家安全的重要支柱。然而,这也为黑客和恶意行为者提供了更多的机会进行网络攻击和盗取数据。为了保护数据和信息的安全,各国和国际组织已经开始制定相关的法律法规和技术标准,以确保数据和信息的安全。 在跨境合作中,数据安全和网络安全的重要性更是突显。跨境合作...

AI天才研究院 996

版权、软件盗版与数据安全的挑战

本文深入探讨了版权保护的重要性,软件盗版的普遍性及其对全球的影响,以及数据安全和隐私保护在现代技术环境中的关键性。文章还涵盖了数字版权管理(DRM)、跨境数据流动、个人身份信息(PII)的保护,以及如何应对网络犯罪和数据泄露等话题。

weixin_35257663的博客 542

HCLR-Net: 混合对比学习正则化与局部随机扰动用于水下图像增强

独特贡献在于开发了一种处理负样本的新策略,既保留了负样本的统计特性,又防止网络过度剖析这些样本中的特征信息。通过根据每个通道特征的重要性对模型进行加权,我们可以增强富含上下文信息的通道,从而获得更准确、更详细的特征表示。AHA 模块利用垂直方向上的 Avgpool 和水平方向上的 Maxpool 来捕捉远程依赖关系和准确的位置信息,从而有效确定不同方向上的特征退化。对比学习策略通常旨在最小化正样本之间的欧氏距离,使预测图像更接近理想图像,同时最大化负样本与预测图像之间的距离,使它们进一步远离非理想表征。

G-Howe的博客 1457

跨境业务场景下数据安全问题研究

随着经济全球化进程不断发展,数据作为具有重要价值的生产要素,在跨境业务中的流动越来越频繁,如个人在进行跨境购物和跨境汇款等业务场景、央企境内员工出境办公或境外数据中心数据回传等业务场景下,均不可避免涉及到数据跨境的情况。一旦相关数据被泄露,将导致个人信息、企业核心秘密被滥用,为个人、企业乃至国家带来巨大的损失。由此可见,跨境数据的无序流动将带来巨大的安全风险,不仅涉及个人隐私、企业安全,更涉及国家安全,因此跨境数据安全问题研究也引起了各国的高度重视。

qq_41432686的博客 2025

dify1.3.1应用服务与数据服务分离,附件及插件包迁移至minio,实现离线部署,保证插件正常运行

dify1.3.1应用服务与数据服务分离,附件及插件包迁移至minio,实现离线部署,保证插件正常运行

Time_1023的博客 1873

深度 | 企业出海场景下的数据跨境合规思考

结合网宿安全参与申报实务的实践经验,对企事业单位开展数据安全评估申报的重点难点事项,展开逐一梳理

WangsuSecurity的博客 4114

基于SSD2828和STM32的MIPI显示屏驱动系统设计与实现

在硬件层面,需要将STM32、SSD2828和MIPI显示屏连接起来。STM32与SSD2828的连接:通过SPI接口连接STM32和SSD2828,用于配置和控制SSD2828。SSD2828与MIPI显示屏的连接:通过MIPI DSI接口连接SSD2828和MIPI显示屏,用于传输显示数据。

qq_38334677的博客 7143

matlab 基于离散余弦变换DCT的最小二乘相位解缠

最小范数法是寻求在解包裹相位的局部微分与包裹相位微分相一致的条件下, 逼近于真实相位分布的解包裹相位分布。目标是使解包裹相位与包裹相位曲面的差最小

点云侠的博客 285

国家网信办《网络数据安全管理条例(征求意见稿)》为企业带来哪些新思考?

编者按 近日,国家网信办《网络数据安全管理条例(征求意见稿)》发布,对数据存储、数据流通、数据使用等数据合规问题进行约束。《征求意见稿》紧密贴合当下网络数据安全管理热点,在数据分级、数据“出海”、大数据杀熟、身份认证、信息泄露报备等方面给予了详细的指导意见,同时为大型互联网平台和安全厂商提供了新的思考。 本期,产业安全TALK聚焦《网络数据安全管理条例(征求意见稿)》,与大家一同探讨意见稿中提及的首创性规定,以及网络数据安全问题该如何应对? 作者:金珉锡 11月14日,国家互联网信息办公室就

qcloud_security的博客 4680

LFI Scanner 本地文件包含漏洞扫描、文件路径遍历、敏感文件读取(etcpasswd)

✅ **敏感文件读取验证**:内置`/etc/passwd、/windows/system32/drivers/etc/hosts、phpinfo.php`等敏感文件字典,一键验证漏洞可利用性;🔴 **Windows**:`/windows/win.ini`(系统配置)、`/windows/system32/drivers/etc/hosts`;🔴 **Linux**:`/etc/passwd`(用户信息)、`/proc/version`(内核版本)、`/etc/hosts`(域名解析);

寒寒豆豆软件公司的博客 130

构建数据跨境全流程标准

数据要素作为新型生产要素,正成为推动经济高质量发展的新引擎。数据的利用与流动作为数字经济时代的普遍需求,监管端的政策口径与便利程度,很大程度上左右着企业端在数据开发利用上的技术模式与探索路径。在近日举行的三亚·财经国际论坛上,围绕探索数据利用的安全便利模式,与会专家交流中都有一个共识,即筑牢数据安全防线的最终目的,是促进数据有序高效流动。数据流动的安全和便利本身是一个共同体,唯有在合法合规前提下方能实现数据真正有价值的流转。

qq_41432686的博客 2064

跨平台C#上位机开发:.NET MAUI与工业物联网的融合实战

NET MAUI正在重塑工业上位机的开发模式——从“为单一设备定制”转向“全场景覆盖”。其价值不仅在于“代码复用”,更在于打通了工业物联网的“最后一公里”:让边缘设备、云平台、移动终端通过统一的数据模型协同工作。未来,随着.NET MAUI对WebAssembly的支持(计划在.NET 9实现),上位机甚至可直接运行在浏览器中,进一步降低部署门槛。对于工业开发者,掌握跨平台技术意味着能更快响应多样化的现场需求,从“Windows专家”升级为“全栈工业开发者”。

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 1091

QT控件 参考Qt的PIMPL设计模式实现使用QWidget控件绘制3D饼状图表和3D柱状图表,使用QChartView绘制圆柱体图表

工作中之前遇到了绘制3D饼状图表的需求,通过Qt 实现3维饼状图 一文,成功迅速解决问题,现在闲下来了,之前看QtTreePropertyBrowser库的源代码,就想着学习学习Qt的PIMPL模式,于是就参照PIMPL模式实现通过QWidget控件的paintEvent函数重新绘制3D饼状图表和3D柱状图表统计数据的显示效果, 而使用QChartView绘制圆柱体图表完全是取巧了,为了紧急完成工作采用的方法,实际上使用3D柱状图表显示统计数据更加合理。

... 727

多云复杂环境下的数据安全思考

默安科技推出的宵明·云安全态势管理平台,在一个统一的界面中将最佳安全实践应用于混合云、多云,识别并自动修复复杂云环境中的安全问题,保护云基础架构以及云上数据安全,是解决云上配置、数据、行为、身份安全的利器。DSPM使用只读的权限,通过云平台提供的 API 接口,获取云资源配置信息、云行为日志信息,用于检测资源的配置是否存在安全风险、云上行为是否存在风险、是否存在云上数据泄露等问题。,梳理云上账号、资源、角色、组等权限实体对象,绘制数据/资源与权限的对应关系,识别授予过高访问权限带来的风险。

moresec的博客 222

Python爬虫实战:社交媒体热点事件追踪与情感分析可视化

本文探讨了如何利用Python爬虫技术从微博和Twitter等社交媒体平台抓取数据,进行热点事件追踪和情感分析,并通过可视化方式展示舆论情感变化。文章详细介绍了最新的爬虫技术、数据处理方法和可视化实现,提供了完整的代码示例,帮助读者构建自己的社交媒体分析系统。关键词:Python爬虫、社交媒体分析、情感分析、数据可视化、热点追踪爬虫框架:Requests-HTML、aiohttp、Twint(Twitter专用)数据处理文本处理:Jieba(中文分词)、NLTK(英文处理)情感分析。

2201_76125261的博客 1105

《2025浦江数安论坛》聚焦数据安全与审计核心议题

Palo Alto Networks 利用 Precision AI 对抗威胁,通过高质量安全数据集支撑其安全能力,并展示了丰富的 AI 安全实践成果,还强调安全平台化可简化安全建设、降本增效。托管安全运营服务可提供解决方案,通过平台化安全运营架构与服务,结合 AI 大模型赋能,实现安全事件自动化响应,提升安全运营效率。本次浦江数安论坛为行业搭建了一个高端、专业的交流平台,各位演讲专家的深度分享与观点碰撞,为企业应对数据安全和审计领域的复杂挑战提供了宝贵的参考依据。华讯网络安全技术经理王鹤儒。

ISACAChina的博客 712

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

《数据跨境合规白皮书》国研政情谋定论道·经信研究智库

《数据跨境合规白皮书》国研政情谋定论道经济信息研究

赢在商道·中国营销企划 1495

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

人物专访 | 郑冬东:构建以“人”为中心的数据安全防护体系

《信息技术与网络安全》杂志组织“2021年网络安全行业发展回顾与展望”系列采访,邀请多家企业的资深专家对2021年网络安全政策进行解读,对爆发的网络安全大事件进行回顾,对行业发展的脉络进行剖析,并对2022年行业发展的趋势进行展望。本期受访嘉宾:极盾科技产品负责人 郑冬东

jidunkeji的博客 1万+

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

上一篇: 暴力干货!2021最新渗透测试知识点大总结(收藏这篇就够了)
下一篇: 全程干货!清华教授用11部分讲明白Linux运维趋势与分析技巧
AI小模型
博客等级 码龄6年 6863粉丝 487原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

AI小模型

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值