数据安全未来技术趋势有哪些？

你好，关于数据安全未来技术趋势，在《数据安全行业深度报告：数据安全，数字经济的基石》中有提及，具体信息可以查找原报告了解。

1.数据安全的集成化与平台化

数据安全复杂性的增加促使不同的数据安全功能逐渐走向融合。当 前数据安全建设的现状不仅仅在于对数据安全的不重视或投入不 足，更多的情况是即使部分企业对于数据安全投入了足够的预算， 但由于数据安全技术的复杂性，以及向不同的安全厂商采购不同的 安全产品并且由不同的团队来进行管理，导致前期投入的安全预算 并没有收到很好的成效。当前数据安全技术复杂度的增长速度远超 过安全厂商整合和集成各类新兴技术的速度，导致在用户侧对于数 据安全技术的应用难度在持续提升。

在这一趋势下，Gartner 定义了数据安全平台 (DSP) ，DSP 通过将 现有的各个独立的数据安全技术和功能整合在一个统一的平台之 下，为用户提供跨数据类型、存储孤岛和生态系统的数据安全服 务，从而实现更简单、一致的端到端数据安全。DSP 相较于传统数 据安全方案有很多优点，比如高水平的集成能力、简化的部署模 型，统一的策略控制平面，以及对数据、存储、政策和适用法规的 一致可见性。目前 DSP 已经能够整合许多主要的数据安全功能，其 中包括标记化、加密、数据库活动监控 (DAM) 、数据脱敏、数据访 问治理 (DAG)等，包括数据防泄漏 DLP、数据风险分析等关键功能 也正在逐渐融入到 DSP。即使用户数据安全问题很难由一个单一个 解决方案彻底解决，但功能的融合与平台化未来将有效带来行业集 中度的提升。根据 Gartner 预测，到 2024 年，30%的企业将应用 DSP，而在 2019 年这一比例还不到 5%，未来 5 年 DSP 在全球范围 内的渗透率有望迅速提升。

从安全厂商的布局来看，全球主流的数据安全头部厂商已经通过收 购及合作等方式来构建 DSP 能力，可观察到从 2020 年开始相关并 购的数量开始迅速增长。其中：IBM 与 1touch.io 签署了经销商协 议，以在 IBM Security Guardium 产品组合中提供发现和分类功能， Imperva 收购了 jSonar 以扩展其 DSP 的覆盖范围和集成可能性； Informatica 收购了 GreenBay Technologies 获得了数据治理等 AI 能 力；Netwrix 收购了 Stealthbits 为其 DSP 添加了 DAG 和 SQL 保护功 能；PKware 收购了 Dataguise 为其 DSP 获得数据发现和屏蔽功能； Varonis 收购了 Polyrize 以将其数据安全功能扩展到 SaaS 应用程序。 同样在国内市场，一些专注在数据安全领导龙头厂商比如安华金 和、安恒信息已经初步具备构建数据安全平台的能力，数据安全的 平台化也将成为国内数据安全市场的重要趋势。‘’

2.隐私计算成为当前的最大热点

数据安全领域近年来最具产业化应用前景的技术即隐私计算。隐私 计算能够在完成计算任务的基础上，实现对数据计算过程和数据计 算结果的隐私保护，而参与方在整个计算过程中无法得到除计算结 果以外的额外信息。在大数据时代，如何应用海量的数据，实现数 据流动，同时能够保护数据隐私安全、防止敏感信息泄露是当前数 据应用中的重大挑战。对于政府机构而言，数据出于保密性完全不 能对外公布，而银行、运营商、互联网公司收集到的客户数据，也 不能透露给第三者。数据之间不能互通，数据的价值无法体现，而隐私计算就是为了解决数据共享的问题而应运而生。

隐私计算并不是一种单一的技术，而是有多个技术构成的一套技术 体系，关键技术包括多方计算、联邦学习、可证去标识、机密计 算、同态加密等，而不同技术路线能够在很大程度上影响了产品的 使用场景、功能和性能表现。从隐私计算的几个主要技术在实现方 法上有一定差别，比如多方计算是参与方在不泄露各自隐私数据的 情况下，使用数据参与保密计算，共同完成某项计算任务，而联邦 学习的主要原理是客户从中央服务器下载预测模型，使用本地数据 对模型训练，再将模型更新迭代后上传至云端，至始至终数据都留 在本地。不同的技术流派因为实现方式的差距，因此也会受限于不 同的场景的具体要求，在数据量、网络带宽、计算实时性、保密要 求等方面各有其优缺点，比如多方计算适用于数据量适中但保密性 要求较高场景，联邦学习适用于保密要求不高但数据量大的场景， 机密计算适用于复杂及数据量大的通用场景。