在云安全技术的研究方面， 主要包含： •云计算安全性： 主要是对于云自身以及所涉及的应用服务内容进行分析， 重点探讨其相应的安全性问题，这里主要涉及如何有效实现安全隔离， 保障互联网用户数据的安全性，如何有效防护恶意网络攻击， 提升云计算平台的系统安全性， 以及用户接入认证以及相应的信息传输审计、安全等方面的工作。 •保障云基础设施的安全性： 主要就是如何利用相应的互联网安全基础设备的相应资源， 有效实现云服务的优化，从而保障 满足预期的安全防护的要求。 •云安全技术服务： 重点集中千如何保障实现互联网终端用户的安全服务要求， 能有效实 现客户端的计算机病毒防治等相关服务工作。从云安全架构的发展情况来看，如果云计 算服务商的安全等级不高， 会造成服务用户需要具备更强的安全能力、承担更多管理职责。

云安全技术要从开放性、安全保 陷、体系结构的角度考虑

• 数据海量： 大数据的数据体掀巨大， 从TB级别跃升到PB级别 ( 1PB=l 024TB) 、EB级别 ( IE B= l024PB) , 甚至达到ZB级别 ( I Z B=I024EB) 。 • 数据类型多样： 大 数据的数据类型繁多， 一般分为结构化数据和非结构化数据。相对千以往便千存储的以文本为主的结构化数据， 非结构化数据越来越多， 包括网络日志、音频、视频、图片、地理位置信息等， 这些多类型的数据对数据的处理能力提出了更高要求。 • 数据价值密度低： 数据价值密度的高低与数据总址的大小成反比。以视频为例， 一部l 小时的视频， 在连续不间断的监控中，有用数据可能仅有一二秒。如何通过强大的机器算法更迅速地完成数据的价值” 提纯” ，成 为目 前大数据背景下亟待解决的难题。 • 数据处理速度快： 为了从海簸的数据中快速挖掘数据价值， 一般要求要对不同类型的数据进行快速的处理， 这是大数据区分千传统数据挖掘的最显着特征。

数据采集技术主要是通过分布式爬取、分布式高速高可靠性数据采集、高速全网数据映 像技术， 从网站上获取数据信息。除了网络中包含的内容之外， 对千网络流呈的采集可以使用 DPI 或 DFI 等带宽管理技术进行处理。 数据整合技术是在数据采集和实体识别的基础上， 实现数据到信息的高质量整合。数据整合技术包括多源多模态信息集成模型、异构数据智能转换模型、异构数据集成的智能模式抽取和模式匹配算法、自动容错映射和转换模型及算法、整合信息的正确性验证方法、整合信息的可用性评估方法等。 数据清洗技术一般根据正确性条件和数据约束规则， 清除不合理和错误的数据， 对重要的信息进行修复，保 证数据的完整性。包括数据正确性语义模型、关联模型和数据约束规则、数据错误模型和错误识别学习框架、针对不同错误类型的自动检测和修复算法、错误检测与修复 结果的评估模型和评估方法等

分布式计算是随着分布式系统的发展而兴起的， 其核心是将任务分解成许多小的部分，分配给多台计算机进行处理， 通过并行工作的机制， 达到节约整体计算时间， 提高计算效率的目的。目前，主 流的分布式计算系统有 Hadoop、Spark 和 Storm。 Hadoop 常用千离线的复杂的大数据处理， Spark 常 用 于离线的快速的大数据处理， 而 Storm 常用千在线的实时的大数据处理。 大数据分析与挖掘技术主要指改进已有数据挖掘和机器学习技术； 开发数据网络挖掘、特异群组挖掘、图挖掘等新型数据挖掘技术； 创新基千对象的数据连接、相似性连接等大数据融合技术；突破用户兴趣分析、网络行为分析、情感语义分析等面向领域的大数据挖掘技术。

大数据管理技术主要集中在大数据存储、大数据协同和安全隐私等方面。 大数据存储技术主要有三个方面。 1）采用 MPP 架构的新型数据库集群， 通过列存储、粗粒度索引等多项大数据处理技术和高效的分布式计算模式， 实现大数据存储； 2）围 绕 Hadoop 衍生出相关的大数据技术， 应对传统关系型数据库较难处理的数据和场景， 通过扩展和封装Hadoop 来实现对大数据存储、分析的支撑； 3） 基千集成的服务器、存储设备、操作系统、数据库 管理系统， 实现具有良好的稳定性、扩展性的大数据一体机。 多数据中心的协同管理技术是大数据研究的另一个重要方向。通过分布式工作流引擎实现 工作流调度、负载均衡，整合多个数据中心的存储和计算资源，从而为构建大数据服务平台提供支撑。

大数据应用和服务技术 主要包含分析应用技术和可视化技术。 大数据分析应用主要是面向业务的分析应用。在分布式海炽数据分析和挖掘的基础上， 大数据分析应用技术以业务需求为驱动， 面向不同类型的业务需求开展专题数据分析， 为用 户提供高可用、高易用的数据分析服务。 可视化通过交互式视觉表现的方式来帮助人们探索和理解复杂的数据。大数据的可视化技 术主要集中在文本可视化技术、网络（图）可视化技术、时空数据可视化技术、多维数据可视 化和交互可视化等。在技术方面， 主要关注原位交互分析 ( In Situ Interactive Analysis ) 、数据表示、不确定性量化和面向领域的可视化工具库。

• 多中心化： 链上数据的验证、核算、存储、维护和传输等过程均依赖分布式系统结构， 运用纯数学方法代替中心化组织机构在多个分布式节点之间构建信任关系，从而建立可信的分布式系统。 • 多方维护 ： 激励机制可确保分布式系统中的所有节点均可参与数据区块的验证过程， 并通过共识机制选择特定节点将新产生的区块加入到区块链中。 • 时序数据： 区 块链运用带有时间戳信息的链式结构来存储数据信息， 为 数据信息添加时间维度的属性，从而 可实现数据信息的可追溯性。 • 智能合约： 区块链技术能够为用户提供灵活可变的脚本代码，以 支持其创建新型的智能合约。 • 不可篡改： 在区块链系统中，因为相邻区块间后序区块可对前序区块进行验证， 若篡改某一区块的数据信息， 则需递归修改该区块及其所有后序区块的数据信息， 然而每一次哈希的重新计算代价是巨大的，且须在有限时间内完成，因此可保障链上数据的不可篡改性。 • 开放共识： 在区块链网络中， 每台物理设备均可作为该网络中的一个节点， 任意节点可自由加入且拥有一份完整的数据库拷贝。 • 安全可信： 数据安全可通过基于非对称加密技术对链上数据进行加密来实，现分布式系统中各节点通过区块链共识算法所形成的算力来抵御外部攻击、保证链上数据不被篡改和伪造， 从而具有较高的保密性、可信性和安全性。