نقشه‌ راه تحقيقات براي كنترل دسترسي و حريم خصوصي در داده هاي كلان

Research road map for access control and privacy in Big Data

پديده نوظهور داده‌هاي كلان به سرعت در حال تغيير مدل‌هاي كسب‌وكار و شيوه‌هاي كاري است. سكوهاي داده‌هاي كلان امكان ذخيره‌سازي و تحليل حجم بالايي از داده‌ها با فرمت ناهمگن را از منابع مختلف فراهم مي‌كنند. اين تحليلِ يكپارچه امكان استخراج ويژگي‌ها و همبستگي‌هاي ميان داده‌ها را فراهم مي‌كند كه مي‌توان از آن براي مقاصد گوناگوني استفاده كرد. با اين حال امنيت و حريم خصوصي دو نگراني كليدي در داده هاي كلان هستند. از آنجا كه روش هاي حفاظتي سنتي داده ها براي داده هاي كلان قابل استفاده نيستند، به همان اندازه كه حجم داده ها افزايش مي يابد، ريسك هاي امنيتي نيز شديدتر مي شود. سكوهاي داده‌هاي كلان به طور خاص براي پشتيباني از فرم پيشرفته‌اي از تحليل طراحي شده‌اند كه عملكرد دقيق و الزامات مقياس‌پذيري را برآورده مي‌كند. با اين حال، تاكنون توجه خاصي معطوف حفاظت از داده‌ها نشده است. در واقع، با وجود آنكه داده‌هاي تحليل‌شده اغلب حاوي اطلاعات شخصي و حساس‌ هستند و تهديداتي در ارتباط با حريم خصوصي متوجه آنها است كه پيامد تحليل است، پلتفرم‌هاي داده‌هاي كلان شكل كاملاً ساده‌اي از كنترل دسترسي را ارائه مي‌دهند. در اين پژوهش، درباره مسائل تحقيقاتي مرتبط با ويژگي‌هاي كنترل دسترسي در سكوهاي داده‌هاي كلان بحث مي كنيم و تعدادي از ويژگي‌هاي توصيفي مشترك براي كنترل دسترسي در داده هاي كلان را ارائه مي نماييم. هدف ما تحقيق درباره راه‌حل عمومي كنترل دسترسي در داده هاي كلان است كه بتوان آن را به شكلي كارآمد در تمام سكو‌هاي متعلق به يك كلاس يكسان استفاده كرد. سهم ما از پژوهش ارائه تعدادي از ويژگي هاي مورد نياز كنترل دسترسي در داده هاي كلان است كه به عنوان اهداف تحقيقاتي مطرح مي شوند و يك نقشه راه براي پژوهش در زمينه كنترل دسترسي و حريم خصوصي در داده هاي كلان خواهند بود.

The emerging phenomenon of large-scale data is rapidly changing business models and practices. Large data platforms provide the possibility of storing and analyzing large volumes of heterogeneous data from various sources. This integrated analysis provides the ability to extract features and correlations between data that can be used for a variety of purposes. However, security and privacy are two key concerns in large data. Since traditional data protection methods are not usable for large data, security risks also become even more severe as data volumes grow. Large data platforms are specifically designed to support an analysis progress form that meets precise performance and scalability requirements. However, so far no particular attention has been paid to protecting data. Indeed, even though the analyzed data often contain personal and sensitive information and privacy threats that are the consequence of the analysis, the macro data platforms provide a very simple form of access control. In this research, we discuss the research issues associated with access control features on large data platforms and provide some common descriptive features for access control in large data. Our goal is to investigate a general solution for access control in large data that can be used efficiently on all platforms belonging to the same class. Our contribution to the research presents a number of features required for access control in large-scale data that are presented as research objectives and a road map for research on access control and privacy in macro data.