დიდი მონაცემები და კონფიდენციალურობა: რა არის კონფიდენციალურობის რისკები? | VPNOverview

ბოლო რამდენიმე ათწლეულის განმავლობაში, მსოფლიოში ძალიან ბევრი რამ შეიცვალა, განსაკუთრებით IT- სთან დაკავშირებით. იმ ადამიანთა რიცხვი, რომელთანაც ყოველდღიურად ვუკავშირდებით კომუნიკაციას, ძალიან გაიზარდა, ისევე, როგორც იმ ინფორმაციის რაოდენობა, რომლის საშუალებითაც ჩვენ გვაქვს წვდომა. ამასთან, იგივე ითქმის იმ დიდი რაოდენობით ინფორმაციისთვის, რაც დიდ კომპანიებს აგროვებენ ჩვენს შესახებ. დიდი მონაცემების მსგავსი ტერმინები უფრო ხშირად გამოიყენება, როგორც დრო გადის. რას ნიშნავს ეს ზუსტად? რა არის დიდი მონაცემები? საშიშია? როგორ მოქმედებს ეს ჩვენს პირადობაზე, თუ საერთოდ? ეს არის რამოდენიმე კითხვა, რომელსაც ჩვენ სტატიაში ვასახელებთ.


რა არის დიდი მონაცემები?

ჩამოთვალეთ გამადიდებელი მინატერმინი „დიდი მონაცემები“ აღწერს უზარმაზარ რაოდენობებს (პერსონალურ) მონაცემებს, რომლებიც მუდმივად იკრიბებიან სხვადასხვა მსახიობების მიერ. ამის მაგალითი იქნება ყველა ის ინფორმაცია, რაც გუგლი აგროვებს მომხმარებელთა საძიებო მოთხოვნების შესახებ. დიდი მონაცემების ფენომენია შედარებით ბოლოდროინდელი განვითარება, რომელიც დაიწყო, რადგან (მსხვილმა კომპანიებმა და ორგანიზაციებმა, როგორიცაა Facebook, Google და მთავრობების უმეტესობა), დაიწყეს უფრო მეტი მონაცემების შეგროვება მისი მომხმარებლების, მომხმარებლებისა და მოქალაქეების შესახებ, ვიდრე ადრე. ახალმა ტექნოლოგიებმა, ციფრულმა სამყარომ და ინტერნეტმა ხელი შეუწყო ამ განვითარებას უკიდურესად განვითარებაში.

დიდი მონაცემების შეგროვება ხშირად იმდენად დიდია, რომ შეუძლებელია მათი ანალიზების ჩატარება ტრადიციული მონაცემების ანალიზის გამოყენებით. ამასთან, თუ დიდი მონაცემები აანალიზებს სწორ გზას, საინტერესო ნიმუშების და დასკვნების გამოტანა შეიძლება. მაგალითად, დიდი მონაცემები ხშირად გამოიყენება ფართომასშტაბიანი ბაზრის კვლევისთვის: რომელი პროდუქციის შეძენაა შესაძლებელი? რა სახის რეკლამაა ყველაზე ეფექტური, როდესაც გსურთ მომხმარებლებთან მისვლა და დარწმუნება?

იმისათვის, რომ მონაცემთა ბაზა ჩაითვალოს დიდ მონაცემებად, ის ჩვეულებრივ უნდა აკმაყოფილებდეს შემდეგ სამ კრიტერიუმს, რომელიც ასევე ცნობილია როგორც The 3 ვ:

  • მოცულობა: დიდი მონაცემები არის ყველაფერი, თუ მცირე ნიმუშია. იგი მოიცავს მონაცემთა დიდ შეგროვებას, გრძელი, უწყვეტი დაკვირვების შედეგად.
  • სიჩქარე: ეს უკავშირდება შთამბეჭდავ სიჩქარეს, რომლის დროსაც დიდი მონაცემები გროვდება. უფრო მეტიც, დიდი მონაცემები ხშირად ხელმისაწვდომია რეალურ დროში (როგორც ის იკრიბება).
  • მრავალფეროვნება: დიდი მონაცემთა ბაზა ხშირად შეიცავს მრავალფეროვან ინფორმაციას. მონაცემთა დიდ მონაცემთა ნაკრებში შეიძლება გაერთიანდეს ნებისმიერი ხარვეზების შესავსებად და მონაცემთა სრული მონაცემების სრულყოფის მიზნით.

გარდა ამ 3 და, დიდი მონაცემები აქვს სხვა მახასიათებლები. მაგალითად, დიდი მონაცემები შესანიშნავია მანქანით სწავლისთვის. ეს ნიშნავს, რომ ის შეიძლება ეფექტურად იქნას გამოყენებული კომპიუტერებისა და მანქანების გარკვეული დავალებების ასწავლისთვის. უფრო მეტიც, როგორც უკვე მოკლედ ვისაუბრეთ, დიდი მონაცემების გამოყენება შესაძლებელია ნიმუშების გამოსავლენად. ეს ძირითადად ძალიან ეფექტური გზით ხდება, მონაცემებზე მომუშავე კომპიუტერების საშუალებით. დაბოლოს, დიდი მონაცემები მომხმარებლების ციფრული ანაბეჭდების ანარეკლია. ეს ნიშნავს, რომ ეს არის ადამიანთა ციფრული და ონლაინ აქტივობების შემცველი პროდუქტი და შეიძლება გამოყენებულ იქნას ინდივიდუალური პირადი პროფილების ასაშენებლად.

სხვადასხვა სახის დიდი მონაცემები

დიდი მონაცემების კლასიფიკაციის სხვადასხვა გზა არსებობს. პირველი გზა, რომელსაც ყველაზე ხშირად იყენებენ, განასხვავებს დიდ მონაცემებს იმ მონაცემების საფუძველზე, რომლებიც შეგროვებულია. ამ ტიპის კლასიფიკაციისთვის გამოყენებული სამი შესაძლო კატეგორიაა: სტრუქტურირებული დიდი მონაცემები, არაკონსტრუქცირებული დიდი მონაცემები და ნახევრად სტრუქტურირებული დიდი მონაცემები.

  1. სტრუქტურირებულია: როდესაც დიდი მონაცემები არის სტრუქტურირებული, მისი შენახვა და წარმოდგენა შესაძლებელია ორგანიზებულად და ლოგიკურად, რაც მონაცემებს უფრო მისაწვდომ და ადვილად გასაგებად გახდის. ამის მაგალითი იქნება კომპანიის მიერ შექმნილი მომხმარებლის მისამართების სია. ამ სიაში, სავარაუდოდ, იპოვნებენ მომხმარებლების სახელებს, მისამართებს და შესაძლოა სხვა დეტალებს, როგორებიცაა ტელეფონის ნომრები, ყველა სტრუქტურა აშკარად, მაგალითად, სქემაში ან ცხრილში..
  2. არაკონსტრუქციული: ინფორმირებული დიდი მონაცემები საერთოდ არ არის ორგანიზებული. მას არ აქვს ლოგიკური პრეზენტაცია, რაც აზრი გაუჩნდება საშუალო ადამიანისთვის. არაკონსტრუქციულ დიდ მონაცემებს არ აქვთ სტრუქტურა, მაგალითად, ცხრილი, რომელიც გულისხმობს გარკვეული თანმიმდევრულობას მონაცემების სხვადასხვა ელემენტებს შორის. ამრიგად, ამ ტიპის მონაცემების ნავიგაცია და გაგება საკმაოდ რთულია. ბევრი მონაცემთა ბაზა თავდაპირველად იწყება, როგორც არაკონსტრუქცირებული დიდი მონაცემები.
  3. ნახევრად სტრუქტურირებული: ნახევრად სტრუქტურირებულ დიდ მონაცემებს, როგორც თქვენ ალბათ მიხვდით, აქვს როგორც სტრუქტურირებული, ისე არაკონსტრუქცირებული დიდი მონაცემების მახასიათებლები. ამ ტიპის მონაცემების ხასიათი და წარმოდგენა არ არის მთლიანად თვითნებური. ის არ არის საკმარისად სტრუქტურირებული და ორგანიზებული, რომ გამოყენებული იქნას მნიშვნელოვანი ანალიზისთვის. ამის მაგალითად იქნება ვებ გვერდი, რომელიც შეიცავს მეტა მონაცემების სპეციფიკურ ტეგებს (დამატებითი ინფორმაცია, რომელიც ტექსტში პირდაპირ არ ჩანს), მაგალითად, რადგან ის შეიცავს გარკვეულ საკვანძო სიტყვებს. ეს ტეგები ეფექტურად აჩვენებს ინფორმაციის სპეციფიკურ რაოდენობას, მაგალითად გვერდის ავტორს ან იმ მომენტში, როდესაც იგი განთავსდება ინტერნეტით. ტექსტი თავისთავად არ არის სტრუქტურირებული, მაგრამ საკვანძო სიტყვები და სხვა ის მეტა მონაცემები, რომლებიც დახმარებას უწევს, გარკვეულწილად შესაფერისი საფუძველი გახდება ანალიზისთვის..

კლასიფიკაცია დიდი მონაცემების წყაროზე დაყრდნობით

სხვა ტიპის დიდი მონაცემების ერთმანეთისაგან განასხვავების კიდევ ერთი საერთო გზაა მონაცემთა წყაროების დათვალიერება. ვინ ან რა გამოიმუშავა ინფორმაცია? წინა განყოფილების მსგავსად, ამ კლასიფიკაციის მეთოდი ასევე შედგება 3 განსხვავებული კატეგორიისგან.

  1. ხალხი: ეს კატეგორია ეხება ხალხის მიერ წარმოქმნილ დიდ მონაცემებს. ამის მაგალითებია წიგნები, სურათები, ვიდეო, აგრეთვე ინფორმაცია და (პერსონალური) მონაცემები ვებსაიტებზე და სოციალურ მედიაში, მაგალითად, Facebook, Twitter, Instagram და ა.შ..
  2. პროცესის რეგისტრაცია: ამ კატეგორიაში შედის უფრო დიდი ტრადიციული ტიპის დიდი მონაცემები, რომლებიც აგროვებს და ანალიზდება (დიდი) კომპანიების მიერ ბიზნესის გარკვეულ პროცესების გასაუმჯობესებლად..
  3. მანქანებიდიდი მონაცემების ამ ტიპის შედეგია მზარდი სენსორების რიცხვიდან, რომლებიც მოთავსებულია მანქანებში. ამის მაგალითად იქნებოდა სითბოს სენსორი, რომელიც ხშირად კომპიუტერულ პროცესორებშია ჩასმული. მანქანების მიერ წარმოქმნილი მონაცემები ხშირად შეიძლება იყოს ძალიან რთული, მაგრამ მინიმუმ ამ ტიპის დიდი მონაცემები ზოგადად კარგად არის სტრუქტურირებული და სრულყოფილი.

რისთვის შეიძლება დიდი მონაცემების გამოყენება?

ფეისბუქის ლოგოაქამდე განხილული ყველაფერი, შესაძლოა, გარკვეულწილად აბსტრაქტული ჩანდეს. მოდით, ცოტა უფრო კონკრეტული გავითვალისწინოთ და განვიხილოთ დიდი მონაცემების რეალურ ცხოვრებაში გამოყენების პროგრამები. ყოველივე ამის შემდეგ, არსებობს მრავალი, მრავალი გზა, რომლითაც კომპანიები და ორგანიზაციები იყენებენ დიდ მონაცემებს. ერთ – ერთი პირველი რაც მახსენდება, არის უზარმაზარი რაოდენობით მონაცემების კომპანიები, რომლებიც ჩვენს შესახებ იკრიბებიან. ფეისბუქი აგროვებს მონაცემებს ყველა მისი მომხმარებლის შესახებ და აანალიზებს მას, რომ გადაწყვიტოს რას აჩვენებს თქვენს ვადებზე. რა თქმა უნდა, ეს კეთდება იმისთვის, რომ თქვენს პირად სურვილებსა და ინტერესებს მივაპყროთ. ფეისბუქი იმედოვნებს, რომ ეს მოგცემთ თქვენს ვებსაიტზე უფრო გრძელი პერიოდის განმავლობაში. თავის მხრივ, Amazon აგროვებს ინფორმაციას თავის კლიენტებთან და მათ მიერ შეძენილ პროდუქტებთან დაკავშირებით. ამ გზით, Amazon- ს შეუძლია რეკომენდაცია გაუწიოს იმ პროდუქტებს, რომლებიც ფიქრობენ, რომ გაინტერესებს და ამ გზით გაზრდის მათ შემოსავალს.

ამასთან, დიდი მონაცემები გამოიყენება აგრეთვე ზემოთ აღწერილი კომერციული სტრატეგიებისგან სრულიად განსხვავებული გზით. მაგალითად, საზოგადოებრივ სატრანსპორტო კომპანიებს შეუძლიათ შეაგროვონ მონაცემები იმის შესახებ, თუ რამდენად დაკავებულია გარკვეული მარშრუტები. ამის შემდეგ მათ შეეძლოთ ამ მონაცემების გაანალიზება, რომ გადაწყვიტონ, მაგალითად, რომელი მარშრუტები საჭიროებს დამატებით ავტობუსს ან მატარებელს. დიდი მონაცემების ეფექტური გამოყენების კიდევ ერთი ცნობილი შემთხვევა ეხება საერთაშორისო მიწოდების გიგანტს UPS. UPS იყენებს სპეციალურ პროგრამულ უზრუნველყოფას, რომელიც შეიქმნა მონაცემთა დიდი ანალიზის შემდეგ. ეს პროგრამა UPS– ის დრაივერებს ეხმარება თავიდან აიცილონ მარცხენა მხრივ, რომელიც უფრო ძვირია, უფრო ფუჭი და უფრო სახიფათოა, ვიდრე მარჯვენა მონაცვლეობით. სავარაუდოდ, ამ სისტემამ უკვე გადაარჩინა UPS მილიონობით გალონი საწვავი, დიდი მონაცემების წყალობით.

დიდი მონაცემების შეგროვების კიდევ ერთი საინტერესო მაგალითია დნმ – ის ტესტები და ვებსაიტები, როგორიცაა MyHeritage DNA. ამ ვებსაიტზე ნათქვამია, რომ ეს დაგეხმარებათ დაგეხმაროთ „აღმოაჩინოთ თქვენი ეთნიკური წარმომავლობა და იპოვოთ ახალი ნათესავები“ დნმ – ს მარტივი ტესტით. ვთქვათ, რომ ეს პროცესი მოიცავს უამრავ მონაცემთა შეგროვებას და ჯვარედინიშნებს, რაც მას კიდევ დიდ მთავარ მოთამაშედ აქცევს დიდი მონაცემების შეგროვებასა და გამოყენებაში. “ტრადიციული”, ფიზიკური დნმ – ის ტესტები ასევე მოიცავს დიდი მონაცემების დიდ რაოდენობას, რადგან კომპანიები, რომლებიც ამ ტესტებს ატარებენ, მიიღებენ უკიდურესად დიდ მონაცემებს ბევრ, ბევრ ადამიანზე. რა თქმა უნდა, მნიშვნელოვანია იცოდეთ შესაძლო რისკების შესახებ, რაც ამ მონაცემების შეგროვების დიდ პროცესებში მოდის. ამ რისკების შესახებ ხაზგასმული იქნება ამ სტატიის შემდეგ ნაწილში.

დიდი მონაცემები საშიშია?

როგორც ზემოთაა ნაჩვენები, დიდი მონაცემები მრავალ შემთხვევაში შეიძლება წარმოუდგენლად სასარგებლო იყოს. ეს გვაწვდის უამრავ ინფორმაციას, რომლის გამოყენებაც შეგვიძლია, პროცესების გასააქტიურებლად და კომპანიებისთვის უფრო ეფექტური და მომგებიანი. ამასთან, ეს არ ნიშნავს დიდი მონაცემების შეგროვებას და გამოყენებას სრულიად რისკის გარეშე. არსებობს ხუთი მნიშვნელოვანი რისკი, რაც დიდ მონაცემებთან გვაქვს დაკავშირებული. აქვე ხუთივე განვიხილავთ.

ჰაკერები და ქურდები

ყველაფერთან ერთად, რასაც ვაკეთებთ ინტერნეტით, არსებობს თანდაყოლილი რისკი, რომ ჩვენი პირადი მონაცემები და ინფორმაცია ჩვენს ინტერნეტ – საქმიანობაზე შეიძლება მოიპარონ. ყველა ინტერნეტ მომხმარებელმა უნდა იცოდეს ამის შესახებ. ბოლო რამდენიმე წლის განმავლობაში მონაცემთა გაჟონვის და ქურდობის რიცხვი მკვეთრად გაიზარდა. სიახლეებში ხშირად არის მოთხრობები კრიმინალების შესახებ, რომლებიც ყიდიან მონაცემების ნაკრებებს, რომლებიც შეიცავს პაროლებს და სხვა ინფორმაციას ისეთ ადგილებში, როგორიცაა ბნელი ქსელი. ხშირად, ამ მონაცემთა ნაკრები იპარება ოფიციალური ვებსაიტებიდან, კომპანიებიდან და ორგანიზაციებიდან. რაც უფრო დიდია ეს მონაცემების ნაკრები, მით უფრო საინტერესო ხდება ქურდებისთვის მათი მოპოვების ცდა. თუ ისინი ამ მონაცემთა ნაკრებებს დაეხმარებიან, მათ შესაძლოა მრავალი პრობლემა შეუქმნან. ძნელი სათქმელია, ამან შეიძლება მნიშვნელოვნად დააზიანოს თქვენი კონფიდენციალურობა.

კონფიდენციალურობა

უფრო და უფრო ფართოდ ხდება პერსონალური მონაცემების შეგროვების პრაქტიკა. ამასთან, კონფიდენციალურობის არსებული რეგულაციები ვერ შეინარჩუნებს ტექნოლოგიის სწრაფ განვითარებას, რაც შესაძლებელს ხდის ამ პრაქტიკას. ეს ადგილს ტოვებს ნაცრისფერ ადგილებს და გაურკვევლობებს, რომელთა მოგვარება შეუძლებელია კანონის გათვალისწინებით. კონფიდენციალურობის მნიშვნელოვანი პრობლემები მოიცავს: რა სახის მონაცემების შეგროვებაა ნებადართული? ვისზე? ვის უნდა ჰქონდეს წვდომა ამ მონაცემებზე?

დიდი რაოდენობით მონაცემების შეგროვებისას დიდია იმის შანსი, რომ მგრძნობიარე პერსონალური ინფორმაცია ამ მონაცემთა ბაზაში შედის. ეს პრობლემურია, მაშინაც კი, როდესაც ჰაკერები და ქურდები არ თამაშობენ. ყოველივე ამის შემდეგ, კონფიდენციალურობის შესახებ მონაცემების ბოროტად გამოყენება შეიძლება ვინმეს ჰქონდეს ავად. ეს მოიცავს (მავნე) კომპანიებსა და ორგანიზაციებს.

ცუდი მონაცემების ანალიზი

ბევრი კომპანია და ორგანიზაცია აგროვებს დიდ მონაცემებს, რადგან მათ შეუძლიათ გამოიყენონ ისინი საინტერესო ანალიზებისთვის. ამან შესაძლოა მათ ახალი ახალი შეხედულებისამებრ მიანიჭოს ის, რასაც ისინი იკვლევენ (მაგალითად, მომხმარებლის ჩვევები). თავის მხრივ, ამ შეხედულებებმა და დასკვნებმა შეიძლება თარგმნოს კომპანიის შიგნით განხორციელებული ცვლილებები, რაც გამოიწვევს უფრო მეტ ზღვარს და მეტ მოგებას. ამასთან, ისევე, როგორც ნებისმიერი სხვა ნორმალურ მონაცემთა ბაზაში, დიდი მონაცემების არასწორ ანალიზს შეიძლება სერიოზული შედეგები მოჰყვეს. ყოველივე ამის შემდეგ, არასწორი ანალიზმა შეიძლება ადვილად გამოიწვიოს არასწორი დასკვნები. ამან შეიძლება გამოიწვიოს არაეფექტური ან თუნდაც კონტრპროდუქტიული ზომები.

“არასწორი” მონაცემების შეგროვება

დიდი მონაცემები სულ უფრო პოპულარული ხდება და ორგანიზაციები უფრო და უფრო მეტ სურვილს შეაგროვებენ ყველა სახის მონაცემს. ეს ნიშნავს, რომ მონაცემთა უზარმაზარი რაოდენობით შეგროვება ხდება, თუ არ არსებობს მათი ანალიზის აშკარა მიზეზი. სხვა სიტყვებით რომ ვთქვათ, ის ქმნის უმი ინფორმაციის უზარმაზარ მონაცემთა ბაზას, რომელიც თავმოყრილია ყველა შემთხვევაში. კომპანიები, სავარაუდოდ, ფიქრობენ, რომ ადვილია ყველა მონაცემის შეგროვება, ასე რომ მათ შესაძლოა გააკეთონ ეს. ვთქვათ, ეს არ არის კარგი ვინმეს კონფიდენციალურობისთვის. ამან შეიძლება გამოიწვიოს შეუსაბამო ან „არასწორი“ მონაცემების შეგროვება და გაანალიზება. თუ ამ ანალიზის შედეგად მიღებული დასკვნები გამოიყენება მენეჯმენტში, ამან შეიძლება გამოიწვიოს წინა პუნქტში აღნიშნული იგივე არაეფექტური ზომები.

ცუდი მონაცემების შეგროვება და შენახვა

დიდი მონაცემების შეგროვება უფრო და უფრო ხშირად იყენებენ კომპანიებს, ორგანიზაციებსა და მთავრობას, რათა მათ შეეძლოთ ზუსტი ინდივიდუალური პროფილების შექმნა ხალხზე. მომხმარებლებს ან მოქალაქეებს ჯერ არ აქვთ ინფორმაცია იმის შესახებ, თუ რომელია მათი პირადი მონაცემები რეგისტრირებული, რომ აღარაფერი ვთქვათ, რატომ და როგორ. ვთქვათ, ეს სერიოზულ გავლენას ახდენს მათ ონლაინ კონფიდენციალურობაზე. ყველაფერი, რასაც ისინი აკეთებენ ინტერნეტით, შეიძლება შენახული და შემდეგ ნახოთ. უფრო მეტიც, დიდი მონაცემების შემგროვებლებმა ადვილად მოახდინეს გავლენა და მანიპულირება ადამიანების გადაწყვეტილების მიღებაზე, შეგროვილი მონაცემების ანალიზით და გამოყენებით.

დიდი მონაცემები და კონფიდენციალურობა

სმარტფონი ყურის სურათითროგორც მოგეხსენებათ, ამ დროისთვის დიდი მონაცემები უამრავ უარყოფითი და საშიშროების წინაშე მოდის. მიუხედავად ამისა, მრავალი კომპანია და ორგანიზაცია კვლავ აგროვებს მონაცემებს უზარმაზარი მასშტაბით, ძირითადად იმის გამო, თუ როგორ შეიძლება ეს დაეხმაროს მათ ზრდასა და წინსვლაში. დიდი მონაცემების შეგროვება უფრო ადვილია, ვიდრე ოდესმე. ამან უდიდესი ზიანი მიაყენა ჩვენს კონფიდენციალურობას. ჩვენ უკვე მოკლედ ვისაუბრეთ მავნე მხარეების მიერ პირადი მონაცემების შესაძლო საფრთხეებზე, ცუდი მონაცემების შეგროვებაში. ვინაიდან ჩვენი კონფიდენციალურობა ასე მჭიდროდაა დაკავშირებული პერსონალური მონაცემების მასობრივ შეგროვებასთან, ჩვენ გვინდა გამოვიყენოთ ეს განყოფილება, რათა განვიხილოთ კონფიდენციალურობის სხვადასხვა პრობლემები, რომლებიც დიდ მონაცემებთან გვაქვს.

მონაცემთა ფართომასშტაბიანი შეგროვება

უამრავი კომპანია, მათ შორის Google, Facebook და Twitter, დიდად არის დამოკიდებული რეკლამებზე, რომ შეინარჩუნონ საკუთარი თავი და მიიღონ მოგება. იმისათვის, რომ ეს რეკლამენტები მაქსიმალურად ეფექტური იყოს, ეს კომპანიები ქმნიან დეტალურ პროფილებს თავიანთ მომხმარებლებზე, განსაკუთრებით, მათ სურვილებსა და ინტერესებს ითვალისწინებენ. ეს დიდი მონაცემების ფორმაა. ასევე, მთავრობები და საიდუმლო სამსახურები ასევე დამოკიდებულია დიდ მონაცემებზე. ისინი ამ უზარმაზარ რაოდენობას იყენებენ იმისთვის, რომ თვალყური ადევნონ და გამოიძიონ ადამიანები, რომლებიც მათ საეჭვოდ მიიჩნევენ. რა თქმა უნდა, ეს იმას ნიშნავს, რომ უამრავი დიდი მონაცემია, რომ კიბერ დამნაშავეებმა ხელი მოიკიდონ და შესაძლოა, მანიპულირება და ბოროტად გამოყენებაც კი მოახდინონ. ამით შეიძლება შეიქმნას ყველა სახის კონფიდენციალურობა და პირადობასთან დაკავშირებული პრობლემები. რაც იბადება, პირადობის ქურდობაა.

და მაინც, შესაძლებლობები, რაც კოლექციას მონაცემთა ბაზებში მოყვება, გაცილებით ფართოა. ამ დღეებში, ტექნოლოგია ისეთი მოწინავე და „ჭკვიანური“ გახდა, რომ მას მონაცემთა ნაკრების გაერთიანება შეუძლია. ეს შეიძლება გაკეთდეს ისეთი ჭკვიანური და ჭკვიანური გზით, რომ დიდმა კორპორაციებმა და ორგანიზაციებმა, ალბათ, იმაზე მეტი იცოდნენ თქვენს შესახებ, ვიდრე შენ! ვინ ხართ, სად ცხოვრობთ, რა არის თქვენი ჰობი, ვინ არის თქვენი მეგობრები: არცერთი ეს ინფორმაცია აღარ იქნება პირადი. არ არის ძალიან დამამშვიდებელი აზრი, შეიძლება იფიქროთ. საბედნიეროდ, არსებობს უამრავი გზა, რათა თავი დავიცვათ ფართომასშტაბიანი კონფიდენციალურობის დარღვევისგან, რამაც შეიძლება გამოიწვიოს დიდი მონაცემები.

კანონები კონფიდენციალურობის შესახებ

ქუქი-ფაილები ეკრანზეკონფიდენციალურობის კანონები და რეგულაციები შეიძლება დაგვიცავს ჩვენს კონფიდენციალურობის დარღვევისგან, მაგრამ მხოლოდ გარკვეულწილად. საკითხების უფრო გართულების მისაღწევად, კონფიდენციალურობის შესახებ კანონები ხშირად ძალიან განსხვავდება სხვადასხვა ქვეყნებსა და რეგიონებს შორის. მაგალითად, ევროპაში მოქმედებს შედარებით მკაცრი მომხმარებლების კონფიდენციალურობის კანონი, რომელსაც ეწოდება მონაცემთა დაცვის ზოგადი რეგულირება (GDPR). ეს კანონი ვრცელდება ევროკავშირის ყველა წევრ სახელმწიფოში, თუმცა დეტალები შესაძლოა განსხვავდებოდეს ქვეყნის მიხედვით. ბევრმა საერთაშორისო კომპანიამ გადაწყვიტა, რომ მთელი ბიზნესი ემორჩილოს GDPR- ს. ამის გამო, მაგალითად, Google ახლა მომხმარებლებს საშუალებას აძლევს მოითხოვონ პირადი ინფორმაციის წაშლა. ამასთან, შეერთებულ შტატებში კონფიდენციალურობის შესახებ კანონები განსხვავდება სახელმწიფოდან სახელმწიფოში და არ იცავს მომხმარებლებს, ისევე როგორც ევროკავშირს. სამწუხაროდ, ეს სიმართლეა თუნდაც აშშ-ს კონფიდენციალურობის ყველაზე მკაცრი კანონის შესახებ, კალიფორნიის მომხმარებელთა კონფიდენციალურობის შესახებ.

მოკლედ, არ არსებობს ისეთი ”ძლიერი” გლობალური ”კანონი, რომელიც ვრცელდება მონაცემთა ყველა დიდ შემგროვებელზე და იცავს ყველა მომხმარებელს. ეს ნიშნავს, რომ ჩვენს კონფიდენციალურობას არ დააზარალებს დიდი მონაცემების შემგროვებლები უკანონო, არამედ სრულყოფილად ლეგალური გზითაც, ისეთივე პარადოქსული, როგორც ეს შეიძლება იყოს. საბედნიეროდ, ფართომასშტაბიანი კონფიდენციალურობის დარღვევა, რასაც ექვემდებარება ედვარდ სნოუდენი და ჩელსი მენინგი, გამოიწვევს დიდი ინფორმაციის გაზრდას დიდი მონაცემების რისკის შესახებ. რა თქმა უნდა, ეს მხოლოდ პირველი ნაბიჯია კონფიდენციალურობის შესახებ კანონების გაუმჯობესებაში.

ბევრი ინტერნეტმომხმარებელი არ არის სურვილი დაელოდოს კონფიდენციალურობის შესახებ კანონების გაუმჯობესებას – და მართალია. უფრო მეტიც, მათ სურთ, რომ თავად მიიღონ ზომები, გააკეთონ ყველაფერი რაც შეეძლოთ საკუთარი კონფიდენციალურობის დასაცავად. გსურთ თავიდან აიცილოთ უამრავი დიდი მონაცემთა ნაკრების ნაწილიც? რამდენიმე რჩევა და ხრიკი დაგეხმარებათ გზაზე.

როგორ შევინახოთ თქვენი მონაცემების შენახვა დიდ მონაცემთა ნაკრებში

დიდი მონაცემთა ბაზა სერიოზულად მოქმედებს თქვენს კონფიდენციალურობასა და უსაფრთხოებაზე. ეს მონაცემთა ბაზა შეიძლება შეიცავდეს ყველა სახის (პირად) ინფორმაციას, რომლის გამოყენებაც შეიძლება დიდი კომპანიების ან კიბერდანაშაულების ბოროტად გამოყენების შემთხვევაში. ამიტომ ყოველთვის უნდა დარწმუნდეთ, რომ რაც შეიძლება ნაკლები კვალი დატოვოთ ინტერნეტ – კვალი. შემდეგი რჩევები დაგეხმარებათ ამის მისაღწევად:

  • შეეცადეთ მინიმუმამდე დაიყვანოთ თქვენი პერსონალური ინფორმაციის გამოყენება პაროლების შექმნისას ან საერთოდ ინტერნეტში. მაგალითად: თავიდან აიცილოთ თქვენი სახელი, მისამართი, ტელეფონის ნომერი, დაბადების თარიღი და ა.შ..
  • ყოველთვის გახსოვდეთ შემდეგი: ყველაფერი, რასაც ინტერნეტში აქვეყნებთ, სამუდამოდ იქ იქნებით. ეს შეიძლება ყოველთვის არ იყოს სიმართლე, მაგრამ სიფრთხილის ეს დონე დაგეხმარებათ თქვენი კონფიდენციალურობის დაცვაში. თქვენ ავტომატურად გაუმკლავდებით თქვენს პირად მონაცემებს უფრო მეტ სიფრთხილით, მას შემდეგ რაც გააცნობიერებთ ამ ფაქტს.
  • დარწმუნდით, რომ თქვენი ინტერნეტ კავშირი უსაფრთხო და ანონიმურია, მაგალითად Tor-ბრაუზერის ან VPN გამოყენებით.
  • გამოიყენეთ ერთი ან რამდენიმე სარეკლამო ბლოკატორი თქვენს ბრაუზერში.
  • გამოიყენეთ ბრაუზერის დანამატები, რომლებიც დაბლოკავს ტრეკერებს და cookies- ს.
  • რეგულარულად გაასუფთავეთ თქვენი ქეში და წაშალეთ თქვენი ბრაუზერის ისტორია და ქუქი – ფაილები.
  • გამოდით ვებ – გვერდებიდან, როდესაც მათ აქტიურად არ იყენებთ.

ამ ნაბიჯების გადადგმა კარგი დასაწყისია, როდესაც საქმე თქვენი ონლაინ კონფიდენციალურობის და უსაფრთხოების დაცვა იქნება. გაითვალისწინეთ, რომ დიდი მონაცემები გროვდება სხვადასხვა გზით – არა მხოლოდ ონლაინ რეჟიმში. მოკლედ, სადაც არ უნდა იყოთ და რასაც აკეთებთ, ყოველთვის ფხიზლად უნდა იყოთ და შეეცადოთ თქვენი (პირადი) მონაცემების დაცვა დიდი მონაცემების შემგროვებლებისგან.

Kim Martin Administrator
Sorry! The Author has not filled his profile.
follow me
Like this post? Please share to your friends:
Adblock
detector
map