К 2025 году 35% утечек данных будут связаны с теневыми данными

При поддержке Capital One

Безопасность данных остается одной из наименее развитых областей корпоративной кибербезопасности. Согласно данным IBM, 35% утечек в 2025 году были связаны с неуправляемыми источниками данных или «теневыми данными». Это свидетельствует о системном недостатке базового понимания того, какими данными располагает организация. И дело вовсе не в нехватке инструментов или инвестиций. Проблема в том, что многие компании до сих пор не могут ответить на самые фундаментальные вопросы: какими данными мы владеем? Где они хранятся? Как они перемещаются? И кто за них отвечает?

В условиях все более сложной экосистемы источников данных, облачных платформ, SaaS-приложений, API и моделей ИИ эти вопросы становятся все более сложными. Преодоление разрыва в уровне зрелости кибербезопасности требует культурного сдвига, при котором безопасность перестает восприниматься как нечто второстепенное. Вместо этого защита внедряется на протяжении всего жизненного цикла данных на основе надежной инвентаризации, четкой классификации и масштабируемых механизмов, которые переводят политику безопасности в автоматизированные защитные барьеры.

Видимость как фундамент

Самым устойчивым препятствием на пути к зрелости в сфере безопасности данных является отсутствие базовой видимости. Организации часто концентрируются на объеме хранимых данных, а не на том, из чего эти данные состоят. Содержат ли они персональные данные (PII)? Финансовую информацию? Медицинские данные? Интеллектуальную собственность? Без такого уровня понимания и инвентаризации крайне сложно реализовать эффективную защиту.

Этого можно избежать, если в приоритетном порядке внедрять корпоративные возможности, способные обнаруживать конфиденциальные данные в больших объемах в рамках разнообразной ИТ-инфраструктуры. Обнаружение должно сочетаться с активными действиями: удалением данных там, где они больше не нужны, и обеспечением безопасности там, где они необходимы, путем согласования мер защиты с четко определенной политикой.

Зрелым организациям следует начать с восприятия безопасности данных как проблемы «понимания своей среды». Ведите инвентаризацию, классифицируйте содержимое экосистемы и соотключайте средства защиты с классификацией, а не полагайтесь исключительно на периметральные средства контроля или локальные решения для масштабирования.

Обеспечение безопасности хаотичных данных

Одна из причин, по которой безопасность данных отстает от других областей кибербезопасности, заключается в том, что сами данные по своей природе хаотичны. В отличие от безопасности периметра, которая опирается на явные порты и четкие границы, данные в значительной степени непредсказуемы. Иными словами, одна и та же исходная информация может появляться в совершенно разных форматах: структурированные базы данных, неструктурированные документы, стенограммы чатов или аналитические конвейеры. Каждый из них может иметь слегка отличающееся кодирование или преобразования, которые привносят непредвиденные и часто незаметные изменения в сами данные.

Человеческий фактор усугубляет эту проблему, поскольку различные действия порождают риски, которые средства контроля периметра просто не могут предвидеть. Это может быть что угодно: номер кредитной карты, скопированный в поле комментария свободного формата, электронная таблица, отправленная по почте за пределы целевой аудитории, или набор данных, перепрофилированный для нового рабочего процесса.

Когда защита добавляется в конце рабочего процесса, организации создают «слепые зоны». Они полагаются на последующие проверки для выявления дефектов проектирования, допущенных на ранних этапах. Со временем сложность накапливается, и риск утечки становится вопросом времени, а не вероятности.

Более устойчивая модель предполагает, что конфиденциальные данные появятся в неожиданных местах и форматах, поэтому защита встраивается с момента их сбора. Защита в глубину становится принципом проектирования: сегментация, шифрование в состоянии покоя и при передаче, токенизация и многоуровневый контроль доступа.

Что особенно важно, эти средства защиты сопровождают данные на протяжении всего их жизненного цикла — от сбора до обработки, аналитики и публикации. Вместо модернизации старых средств контроля организации закладывают устойчивость к хаосу в самом проекте. Они принимают вариативность как данность и создают системы, которые остаются безопасными, даже когда данные расходятся с ожиданиями.

Масштабирование управления с помощью автоматизации

Безопасность данных становится операционно устойчивой, когда управление обеспечивается посредством автоматизации с самого начала. В сочетании с четкими требованиями это создает ограниченные контексты: команды понимают, что разрешено, при каких условиях и с какими мерами защиты данные могут использоваться эффективно.

Сегодня это актуально как никогда прежде. Системам искусственного интеллекта часто требуется доступ к огромным объемам данных из разных доменов. Это делает реализацию политик особенно сложной задачей. Для ее эффективного и безопасного решения требуется глубокое понимание, надежные политики управления и автоматизированная защита.

Такие методы безопасности, как синтетические данные и замена токенов, позволяют организациям сохранять аналитический контекст, одновременно усложняя чтение конфиденциальных значений. Шаблоны «политика как код», API и средства автоматизации могут управлять токенизацией, удалением, ограничениями на хранение и динамическим контролем доступа. Благодаря защитным барьерам, встроенным в используемые ими платформы, инженеры могут больше сосредоточиться на внедрении инноваций с использованием данных и безопасном повышении бизнес-показателей.

Системы искусственного интеллекта также должны функционировать в рамках тех же требований к управлению и мониторингу, что и рабочие процессы человека. Права доступа, телеметрия и средства контроля над тем, к чему модели могут получить доступ, а также над информацией, которую они могут публиковать, имеют решающее значение. Управление неизбежно создает определенные трудности. Цель состоит в том, чтобы сделать эти трудности понятными, преодолимыми и все более автоматизированными. Подтверждение цели, регистрация сценария использования и динамическое предоставление доступа в зависимости от роли и необходимости должны быть четкими, повторяемыми процессами.

В масштабах предприятия это требует централизованных возможностей, реализующих политику кибербезопасности в области данных. Сюда входят механизмы обнаружения и классификации, службы токенизации и детокенизации, обеспечение соблюдения сроков хранения, а также механизмы владения и таксономии, которые транслируют ожидания в отношении управления рисками в повседневную работу.

При правильном подходе управление становится инструментом расширения возможностей, а не узким местом. Метаданные и классификация автоматически определяют решения по защите, одновременно ускоряя обнаружение и использование бизнес-данных. Данные защищены на протяжении всего своего жизненного цикла надежными средствами защиты, такими как токенизация, и удаляются в соответствии с требованиями законодательства или внутренней политики. У команд не должно возникать необходимости «вручную касаться данных» для принятия каждого решения по управлению, поскольку политика обеспечивается на уровне проекта.

Создание будущего

Проще говоря, преодоление разрыва в зрелости безопасности данных в меньшей степени связано с внедрением какой-то одной прорывной технологии и в большей — с операционной дисциплиной. Постройте карту. Классифицируйте то, чем вы владеете. Встройте защиту в рабочие процессы, чтобы безопасность можно было масштабировать.

Для бизнес-лидеров, стремящихся к измеримому прогрессу в ближайшие 18–24 месяца, выделяются три приоритета.

Во-первых, создайте надежную инвентаризацию и богатую метаданными карту экосистемы данных. Видимость обязательна. Во-вторых, внедрите классификацию, привязанную к четким и действенным ожиданиям политики. Сделайте очевидным, какой защиты требует каждая категория. И, наконец, инвестируйте в масштабируемые автоматизированные схемы защиты, которые интегрируются непосредственно в процессы разработки и работы с данными.

Когда защита переходит от реактивных навесных средств контроля к проактивным встроенным защитным барьерам, соблюдение требований становится проще, управление — надежнее, а готовность к ИИ — достижимой без ущерба для строгости.

Узнайте больше о том, как Capital One Databolt, решение для корпоративной безопасности данных от Capital One Software, может помочь вашему бизнесу подготовиться к внедрению ИИ за счет обеспечения безопасности конфиденциальных данных в больших масштабах.

Эндрю Ситон (Andrew Seaton) — вице-президент по инжинирингу данных в подразделении Enterprise Data Detection & Protection, Capital One.

Спонсорские статьи — это контент, созданный компанией, которая либо оплачивает публикацию, либо имеет деловые отношения с VentureBeat, и они всегда четко маркируются. Для получения дополнительной информации обращайтесь по адресу sales@venturebeat.com.