漫谈大数据时代的个人信息安全(三)——“点赞之交”

本文涉及的产品
云原生大数据计算服务 MaxCompute,5000CU*H 100GB 3个月
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
简介: 漫谈大数据时代的个人信息安全(三)——“点赞之交”


互联网就像公路,用户使用它,就会留下脚印。

每个人都在无时不刻的产生数据,在消费数据的同时,也在被数据消费。

近日,某高校毕业生在校期间窃取学校内网数据,收集全校学生个人隐私信息的新闻引发了人们对大数据时代个人信息安全问题的再度关注。在大数据时代,推荐算法、AIGC更是对个人信息安全提出了新的挑战。

1. 点赞之交

“点赞之交”指的是社交媒体上的点赞往来,一些人喜欢在微博、朋友圈里给自己喜欢的信息或博文点赞。殊不知这么一个小小的举动,就会导致我们的私人信息被人窥探。

2012年,科辛斯基就证明,平均基于Facebook上的68个“点赞”,就可以预测用户的肤色(准确度95%)、性取向(准确度88%)以及政治倾向(民主党或共和党,准确度85%)。可预测的内容远不止于此,还包括智力、宗教信仰,以及酒精、香烟和毒品使用。甚至可以推断某人的父母是否离婚。

在不断研究和改进后,其模型变得日益完善:

  • 仅仅基于10个点赞,就能比受试者的同事更准确地评价受试者;
  • 70个“点赞”足以比受试者的朋友更了解受试者;
  • 150个点赞可以比受试者的父母更了解受试者;
  • 300个点赞可以让受试者的合作伙伴更了解受试者。

基于更多的点赞,科辛斯基对受试者的了解,甚至超过受试者自己。

科辛斯基等人之后开发了一种非常简单的方法。首先,他们以在线测验的形式向测试对象提供问卷。根据他们的回答,心理学家计算了受试者的个人“大五”人格分数(OCEAN:开放性Openness、尽责性Conscientiousness、外向性Extraversion、随和性Agreeableness,情绪稳定性Neuroticism)。 然后科辛斯基的团队将结果与受试者的其他在线数据进行比较,例如,他们在Facebook上“点赞”、分享或发帖的数据,以及性别、年龄、居住地点等数据,使研究人员能够建立特定网络行为与个性特质之间的关联。

2016年,特朗普和希拉里的总统大选上演了一场“数据大战”,特朗普团队签下了“剑桥分析”(Cambridge Analytica,CA)大数据公司,并聘用该公司首席执行官亚历山大·尼克斯(Alexander Nix)作为竞选活动的数字策略负责人。

剑桥分析公司利用自己开发的“This is Your Digital Life”性格测试工具,通过Facebook发放问卷,获得了5000万用户数据,通过分析用户的年龄、性别、种族、住址、电话号码、电邮信箱、个人喜好、家庭状况、活动范围、朋友圈等个人隐私数据,建立心理模型,挖掘群体偏好,分析用户性格,预测政治立场,同时,每天有针对性的投放4万至5万条内容有差异的广告,评估用户反馈,调整投放内容,左右选民倾向,最终影响了美大选选情,助力特朗普竞选成功。

2. 点赞诈骗

套路一:

犯罪分子冒充商家在微信群或者朋友圈发布“点赞有奖”信息,声称集满一定数量免费赠送高档物品,受害人只需要支付邮费,要求参与者将自己的姓名、电话、住址等个人资料发送至微信后台,以中奖后需要联系本人,邮寄奖品等名义套取参与者信息。

获得信息后,即以“手续费”、“公证费”、“保证金”等形式实施诈骗,或发送残次品并通过快递收取货品费用。等受害人回头追究时,“点赞、集赞”的链接或者公众号全部消失。

套路二:

犯罪分子以“点赞”的名义诱导受害人下载含有木马病毒的APP软件或者点击链接,导致受害人手机中毒,盗取受害人手机通讯录,以实施诈骗,或或直接转走受害人的财产。

3. 个人信息保护小贴士

朋友圈的这些广告不能信!!!

  • 谨慎下载来源未知、以活动名义发送的链接或软件,小心被植入木马程序导致账号丢失。
  • 谨慎辨别正规微信公众平台和赞助商,警惕各类型点赞、投票等活动;
  • 填写个人信息要警惕,不要涉及银行卡号、账号等信息,尽量避免填写详尽的资料。

关键还是要记得天上不会掉馅饼,不贪小便宜,安心过日子。

相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
相关文章
|
1月前
|
存储 安全 大数据
大数据隐私保护:用户数据的安全之道
【10月更文挑战第31天】在大数据时代,数据的价值日益凸显,但用户隐私保护问题也愈发严峻。本文探讨了大数据隐私保护的重要性、面临的挑战及有效解决方案,旨在为企业和社会提供用户数据安全的指导。通过加强透明度、采用加密技术、实施数据最小化原则、加强访问控制、采用隐私保护技术和提升用户意识,共同推动大数据隐私保护的发展。
|
1月前
|
存储 安全 大数据
|
4月前
|
存储 监控 安全
大数据架构设计原则:构建高效、可扩展与安全的数据生态系统
【8月更文挑战第23天】大数据架构设计是一个复杂而系统的工程,需要综合考虑业务需求、技术选型、安全合规等多个方面。遵循上述设计原则,可以帮助企业构建出既高效又安全的大数据生态系统,为业务创新和决策支持提供强有力的支撑。随着技术的不断发展和业务需求的不断变化,持续优化和调整大数据架构也将成为一项持续的工作。
|
4月前
|
安全 关系型数据库 MySQL
揭秘MySQL海量数据迁移终极秘籍:从逻辑备份到物理复制,解锁大数据迁移的高效与安全之道
【8月更文挑战第2天】MySQL数据量很大的数据库迁移最优方案
788 17
|
5月前
|
分布式计算 安全 大数据
HAS插件式Kerberos认证框架:构建安全可靠的大数据生态系统
在教育和科研领域,研究人员需要共享大量数据以促进合作。HAS框架可以提供一个安全的数据共享平台,确保数据的安全性和合规性。
|
5月前
|
SQL 安全 大数据
如何安全的大数据量表在线进行DDL操作
如何安全的大数据量表在线进行DDL操作
74 0
如何安全的大数据量表在线进行DDL操作
|
6月前
|
机器学习/深度学习 自然语言处理 监控
金融行业的大数据风控模型:构建安全高效的信用评估体系
金融机构借助大数据风控提升信贷效率,通过数据收集、清洗、特征工程、模型构建与评估来识别风险。关键技术涉及机器学习、深度学习、NLP和实时处理。以下是一个Python风控模型构建的简例,展示了从数据预处理到模型训练、评估的过程,并提及实时监控预警的重要性。该文旨在阐述大数据风控的核心要素和关键技术,并提供基础的代码实现概念。【6月更文挑战第23天】
1050 8
|
7月前
|
运维 Cloud Native 安全
【专栏】随着信息技术发展,运维正向自动化、智能化转型,云原生运维成为主流,大数据驱动运维决策,而安全运维日益重要
【4月更文挑战第29天】随着信息技术发展,运维正向自动化、智能化转型,云原生运维成为主流,大数据驱动运维决策,而安全运维日益重要。面对技术更新快、人才短缺和复杂性增加的挑战,企业需建立培训体系,加强人才培养,优化运维管理,以适应未来运维需求。随着这些趋势,运维领域将迎来更广阔的发展前景。
213 2
|
7月前
|
人工智能 安全 算法
AI与大数据:智慧城市安全的护航者与变革引擎
AI与大数据:智慧城市安全的护航者与变革引擎
|
7月前
|
安全 算法 大数据
漫谈大数据时代的个人信息安全(四)——“位所欲为”
漫谈大数据时代的个人信息安全(四)——“位所欲为”