大數(shù)據(jù)時代的技術(shù)與隱私_數(shù)據(jù)分析師

“大數(shù)據(jù)”是當(dāng)今最熱的概念之一，有人把大數(shù)據(jù)形容為未來世界的石油，有人宣稱掌握大數(shù)據(jù)的人可以像上帝一樣俯瞰整個世界，美國政府甚至已經(jīng)把對大數(shù)據(jù)的研究上升為國家戰(zhàn)略。喧嘩的背后，實際上，隨著信息與通訊技術(shù)的發(fā)展，“大數(shù)據(jù)”正進(jìn)入與我們息息相關(guān)的每一個角落。近日，記者參加中國科協(xié)主辦的第36期科學(xué)家與媒體面對面活動，采訪相關(guān)專家，請他們暢談了大數(shù)據(jù)時代的技術(shù)特色與隱私保護(hù)。

大數(shù)據(jù)是什么

故事一：無法完成的任務(wù)

大數(shù)據(jù)是一個時髦的新詞，也是一個古老的現(xiàn)象。因為，對某個時代來說，超出當(dāng)時社會信息處理能力的數(shù)據(jù)，就可以說是大數(shù)據(jù)。

以人類遇到的第一個大數(shù)據(jù)人口普查為例。中國在公元2年就有史書記載的人口普查數(shù)據(jù)（《漢書 地理志》）：全國103個郡國，人口是59594978人。對當(dāng)時的古代中國來說，近六千萬人口的普查無疑就是一個難以處理的大數(shù)據(jù)。美國憲法曾規(guī)定，美國人口普查十年一次。1880年開始，美國人花8年完成了一次人口普查，并預(yù)計1890年做下一次人口普查大概需要13年時間。也就是說，人口普查成為當(dāng)時一項無法完成的任務(wù)。不過，危機常常帶來新的技術(shù)革命。有人發(fā)明了穿孔卡片制表機，使得這個任務(wù)僅用一年時間就可以完成。穿孔卡片制表機就是今天計算機的前身。

“大數(shù)據(jù)不是今天就出現(xiàn)的，你對付不了的就是大數(shù)據(jù)。”工業(yè)和信息化部電信研究院互聯(lián)網(wǎng)中心主任何寶宏說：“今天所說的大數(shù)據(jù)革命也是2008年之后，這5年來信息發(fā)生了翻天覆地的變化。大數(shù)據(jù)讓物質(zhì)世界變得可計算，這是整個人類的目標(biāo)?！?/span>

無法完成的任務(wù)，帶來的是前所未有的技術(shù)突破。如今，移動互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、基因測序等采集數(shù)據(jù)的工具越來越多樣化，使我們對物質(zhì)世界的描述越來越精確，擁有的數(shù)據(jù)量越來越大；云計算等處理數(shù)據(jù)的工具越來越經(jīng)濟(jì)，又使得大數(shù)據(jù)的應(yīng)用走入百姓身邊，對我們的生產(chǎn)和生活方式產(chǎn)生深遠(yuǎn)的影響。

目前大數(shù)據(jù)最成熟的應(yīng)用是互聯(lián)網(wǎng)廣告營銷。近一年中，老百姓在搜索或者瀏覽網(wǎng)頁時會發(fā)現(xiàn)，網(wǎng)上推出的廣告越來越精確。這是因為互聯(lián)網(wǎng)廣告已經(jīng)進(jìn)入到完全自動、實時競價的狀態(tài)，通過對個人上網(wǎng)行為的分析，推導(dǎo)出這個人的性格特征和可能需要，并有針對性地投放廣告。廣告請求、競價邀請、受眾篩選、申請出價、中標(biāo)投放的全過程，僅需120毫秒也就是0.12秒即可完成，而在傳統(tǒng)媒體完成這樣的工作，很可能需要幾個月的時間。

互聯(lián)網(wǎng)金融也是近一年的大熱點，根基就是由于大數(shù)據(jù)技術(shù)的成熟。互聯(lián)網(wǎng)金融在面對中小企業(yè)的貸款業(yè)務(wù)中，擁有獨特的優(yōu)勢。據(jù)一份對中國互聯(lián)網(wǎng)金融的調(diào)查報告顯示，互聯(lián)網(wǎng)金融對小微企業(yè)貸款時，不良貸款率僅為1.02%，單筆放款成本為2.3元；而傳統(tǒng)銀行對小微企業(yè)的貸款不良率為5.5%至6%，單筆成本達(dá)800元至2000元。這種低成本、低壞賬率、全時服務(wù)（機器可以全天候開啟）的金融服務(wù)，使廣大中小企業(yè)變成了互聯(lián)網(wǎng)金融的客戶，可以解決小微企業(yè)貸款難的問題——這其實也是一個過去無法完成的任務(wù)。

大數(shù)據(jù)怎么用

故事二：不懂外語的翻譯

百度公司發(fā)展研究中心副主任率鵬給記者講了一個有趣的故事?！鞍俣确g”這個工具，目前已經(jīng)提供了24種語言的自動翻譯服務(wù)，翻譯質(zhì)量在行業(yè)中領(lǐng)先?！暗@24種語言中有12種語言，整個百度翻譯的團(tuán)隊沒有人能懂。”率鵬說，“大數(shù)據(jù)的技術(shù)使我們完全在不了解、不懂得、不能夠理解這種語言的情況下，僅僅靠技術(shù)本身就開發(fā)出一個非常好的翻譯工具，這在以往的時代是難以想象的。”

不懂外語的外語翻譯，這個聽起來很天方夜譚的故事，其實精準(zhǔn)反映了如今大數(shù)據(jù)技術(shù)的一大特點——不需要知道為什么，只需要知道是什么。

這個技術(shù)特點，是由如今大數(shù)據(jù)本身的特點決定的。中國通信學(xué)會副理事長兼秘書長張新生表示，大數(shù)據(jù)有四大特點：一是海量，大到“以目前的技術(shù)無法管理的數(shù)據(jù)量”；二是多樣，數(shù)據(jù)種類復(fù)雜，非結(jié)構(gòu)數(shù)據(jù)占到所存儲數(shù)據(jù)總量的75%—95%，這些非結(jié)構(gòu)數(shù)據(jù)無法以現(xiàn)在的技術(shù)手段與關(guān)系分析的數(shù)據(jù)庫來處理；三是速度，數(shù)據(jù)產(chǎn)生的頻率和傳送頻率非?？欤枰M(jìn)行實時處理；四是價值密度低，需從大量的低質(zhì)量、低價值的數(shù)據(jù)中獲取知識，猶如大海撈針，獲取數(shù)據(jù)成本很高。

事實上，大數(shù)據(jù)還將越來越大。在過去兩年中，全球產(chǎn)生的信息占到人類整體掌握信息總量的90%，現(xiàn)在每天全球產(chǎn)生的數(shù)據(jù)相當(dāng)于國家圖書館館藏總量的1500倍。而互聯(lián)網(wǎng)數(shù)據(jù)中心IDC預(yù)測，到2020年全世界將有300億個物聯(lián)網(wǎng)終端。中國在這一市場上將占據(jù)至關(guān)重要地位，屆時中國普通家庭將擁有40個到50個智能設(shè)備或傳感器，每年創(chuàng)造出20TB的數(shù)據(jù)。而中國國家圖書館藏書是2631萬冊，信息量相當(dāng)于41TB。也就是說，屆時一個普通中國家庭每年產(chǎn)生的數(shù)據(jù)，就相當(dāng)于半個國家圖書館。

我們?nèi)绾尾拍懿槐淮髷?shù)據(jù)所淹沒？

“大數(shù)據(jù)的核心重點在于深度挖掘，通過挖掘產(chǎn)生新的應(yīng)用?！睆埿律硎荆髷?shù)據(jù)的處理技術(shù)是一個工具，它有幾個新特色：不再是小樣本、隨機樣本，而要全體數(shù)據(jù)；接收數(shù)據(jù)有混雜性，不再追求精確性；關(guān)注事物之間的相關(guān)性，可以只知道是什么，不知道為什么；對所獲數(shù)據(jù)可多次、反復(fù)利用，并可擴(kuò)展，具有互用性，也就是未來可能知道為什么。

大數(shù)據(jù)產(chǎn)業(yè)也在變得越來越大。大數(shù)據(jù)的采集和傳感、物聯(lián)網(wǎng)領(lǐng)域有很大關(guān)聯(lián)性；大數(shù)據(jù)的處理，又和云計算等產(chǎn)業(yè)相關(guān)；大數(shù)據(jù)的應(yīng)用和醫(yī)療、金融等各個行業(yè)相關(guān)。未來將有越來越多企業(yè)發(fā)展成大數(shù)據(jù)企業(yè)。

“大數(shù)據(jù)應(yīng)該是我們的戰(zhàn)略性新興產(chǎn)業(yè)中新一代信息技術(shù)重要的產(chǎn)業(yè)部分，和互聯(lián)網(wǎng)產(chǎn)業(yè)、物聯(lián)網(wǎng)產(chǎn)業(yè)、電信產(chǎn)業(yè)都有很大關(guān)聯(lián)性?！敝袊?lián)通網(wǎng)絡(luò)技術(shù)研究院首席專家唐雄燕表示：“大數(shù)據(jù)本身和很多產(chǎn)業(yè)相關(guān)，現(xiàn)在可能已經(jīng)有幾千億元的產(chǎn)業(yè)規(guī)模，將來會無處不在。大數(shù)據(jù)的從業(yè)者，未來也將不止是高科技人員，也會有很多藍(lán)領(lǐng)。大數(shù)據(jù)是一個材料，和石油、礦藏一樣，需要有采集數(shù)據(jù)的人員，需要有探礦的人員，各種各樣的人都需要?！?/span>

大數(shù)據(jù)怎么管

故事三：應(yīng)該保護(hù)的隱私

我國大數(shù)據(jù)應(yīng)用面臨著數(shù)據(jù)資源難以開放共享、數(shù)據(jù)安全和隱私急需保護(hù)、大數(shù)據(jù)技術(shù)創(chuàng)新人才不足等諸多挑戰(zhàn)，其中個人隱私如何保護(hù)，是大眾最為關(guān)注的問題。

事實上，真正好用的大數(shù)據(jù)技術(shù)，應(yīng)該是用加工實現(xiàn)增值，用分析來指導(dǎo)決策，而非販賣用戶個性化隱私這種原始數(shù)據(jù)信息本身的低層次濫用。

中興通訊首席架構(gòu)師、業(yè)務(wù)總工程師羅圣美表示：“使用這些數(shù)據(jù)的企業(yè)，其實有兩大類，一類是互聯(lián)網(wǎng)企業(yè)，第二類是電信企業(yè)。企業(yè)有安全保護(hù)措施，有技術(shù)解決方案，做只針對群體，而不針對個體的信息挖掘，這是應(yīng)遵循的基本原則?！?/span>

率鵬認(rèn)為，在隱私保護(hù)問題上，大數(shù)據(jù)技術(shù)要重點強調(diào)符號化和用戶特征這兩個概念?！胺柣?，是當(dāng)我們?nèi)プR別一個用戶時，用和他真實信息不相關(guān)的符號標(biāo)記這個用戶。符號通過算法來保證，是單向的識別，使我們能識別出兩次登錄的是同一個用戶，卻無法通過此符號反推出該用戶在真實生活中的姓名、電話和住址，這就基本享受了大數(shù)據(jù)帶來的優(yōu)勢，同時又規(guī)避了信息安全的風(fēng)險。用戶特征，是在大數(shù)據(jù)時代，企業(yè)感興趣的往往是這個用戶的特征，而不是家庭地址、電話號碼真正敏感的信息。比如說，我希望知道你是一個20歲到30歲年齡段，生育過子女，有高等教育學(xué)歷的女性，這些都是你的特征，但是我并不想知道你姓甚名誰，今年多大，有幾個小孩。如果在數(shù)據(jù)使用過程中嚴(yán)格遵循符號化和用戶特征原則，我們就能規(guī)避掉不良風(fēng)險。”

除了技術(shù)以外，政策和立法才是大數(shù)據(jù)時代個人隱私保障的重要憑借。2012年12月28日，《全國人民代表大會常務(wù)委員會關(guān)于加強網(wǎng)絡(luò)信息保護(hù)的決定》審議通過。2013年，工信部根據(jù)全國人大的決定，出臺了關(guān)于互聯(lián)網(wǎng)和電信網(wǎng)個人信息保護(hù)的條例，提出了數(shù)據(jù)保護(hù)的一系列要求。

數(shù)據(jù)需要保護(hù)，數(shù)據(jù)也需要交易。大數(shù)據(jù)的保護(hù)與交易需要遵循什么樣的標(biāo)準(zhǔn)，是當(dāng)前政策制定者面臨的挑戰(zhàn)。

張新生說：“有價值的數(shù)據(jù)是非常重要的資源，但前提是要建立交易規(guī)則。我國的幾大互聯(lián)網(wǎng)運營企業(yè)都在做大數(shù)據(jù)分析，并且都想把數(shù)據(jù)作為可交易的產(chǎn)品，這需要我們盡快建立數(shù)據(jù)交易有關(guān)的法律法規(guī)。”

何寶宏認(rèn)為，目前的大數(shù)據(jù)分為兩類。一類是公共數(shù)據(jù)，比如政府所掌握的數(shù)據(jù)，或者公益企業(yè)的數(shù)據(jù)，公共數(shù)據(jù)面臨的是開放和共享的問題。一類是商業(yè)數(shù)據(jù)，商業(yè)性數(shù)據(jù)需交易，因為這是資產(chǎn)，交易產(chǎn)生新的價值?！皹?biāo)準(zhǔn)和政策的制定是不斷摸索的過程，需要隨著市場去探索，我們已經(jīng)深度地介入到關(guān)于目前國內(nèi)數(shù)據(jù)交易的活動中，去探討這方面的政策、標(biāo)準(zhǔn)制定?！?/span>

對于用戶來說，提高信息安全意識、注意個人隱私保護(hù)也十分重要。不過，鑒于大數(shù)據(jù)時代個人隱私保護(hù)的困難程度，已有專家提出了“遺忘”的必要性。牛津大學(xué)教授、大數(shù)據(jù)領(lǐng)域權(quán)威專家維克托就在他的著作《刪除》中表示，對于人類而言，遺忘一直是常態(tài)，而記憶才是例外。然而，由于數(shù)字技術(shù)與全球網(wǎng)絡(luò)的發(fā)展，這種平衡已經(jīng)被打破了。大量數(shù)字化的私人信息不僅可能在今天被濫用，在幾年甚至幾十年后仍然可能被濫用。

羅圣美說：“在大數(shù)據(jù)時代，建議國家相關(guān)部門在制定產(chǎn)業(yè)政策時，需要重點考慮涉及個人隱私的信息，采取刪除、鎖定，或者安全加密等多種級別的保密措施，避免個人隱私被檢索、發(fā)現(xiàn)、濫用和擴(kuò)散。