怎么让个人信息保护“长出牙齿”?

本文涉及的产品
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
简介:

6月1日《中华人民共和国网络安全法》正式施行。网络安全其实是全方位的概念,既包括国家安全、社会安全,也包括个人信息的安全。这部法律和之前一个公众千呼万唤的《个人信息保护法》其实有交叉性的内容。

中国信息安全研究院副院长左晓栋透露,为落实《网络安全法》中对个人信息保护的原则和要求,国家标准《个人信息安全规范》已经报批,即将出台。同时,个人信息和重要数据出境安全评估办法也已经征求意见,近期就会发布。

面对铺天盖地的所谓“大数据营销”、“数据化驱动”,怎么保护公民正当的信息权利不被滥用、侵犯?怎么保证企业对公民的数据不动歪脑筯?怎么平衡公民权利和企业的数据利益?

据介绍,这次《网络安全法》的相关规定,明确了个人信息保护包括责任原则;目的明确原则;最少够用原则;同意和选择原则;开放透明原则等8个原则。

这让我想到了2012年,工信部直属的中国软件测评联合30多家单位起草过《信息安全技术、公共及商用服务信息系统个人信息保护指南》,当时这部国家“指南”,也明确了个人信息的保护原则包括:目的明确、最少使用、公开告知、个人同意、质量保证、安全保障、诚信履行和责任明确等八项。比如,一些网站让用户填写家庭住址、手机号等很多信息,这就不符合“最少使用”原则。“指南”还规定“用后即删”机制,即,在收集个人信息阶段告知的“使用目的”达到后,应立即删除个人信息。

客观地说,5年来,这份国家“指南”实际还是没有管住IT企业甚至很多不知所谓企业、事业单位攫取、吞噬公民信息的问题。说到底,它是没有“牙齿”的,作为行业推荐规范,就算电信、银行、网站承诺采纳这套国标,也无法评估体制企业是否做到了“最少使用”、“用后即删”。事实上,这两年“大数据”方兴未艾,一些倒卖公民个人信息的违法行为,却堂而皇之地冠上了“大数据”、“数据驱动营销”、“用户画像”的高科技名头。这是浑水摸鱼,也歪曲了“大数据”的本义。

正规的“大数据分析”,必须以保护用户隐私权为基础,在进行“用户画像”等数据使用之前,必须对原始数据进行“脱敏处理”:水印(对局部信息的掩遮)、泛化(对数据进行更概括、更抽象的描述)、加密(应用密码技术对数据进行封装)、失真(采用添加噪声等方法对原始数据进行扰动处置,但要保持原有的数据统计方面的性质不变)、归并等。从信息的程序保障来说,保证数据从采集开始直至输出,任何数据的访问、使用,都必须经过特定的审批流程。

所以“大数据技术”绝对不是卖原始数据。这次的《网络安全法》也将这种“经过处理无法识别特定个人且不能复原的”信息,排除在了个人信息保护的范围之外。

现在的问题是怎么去用事前监督、事后惩罚,来防范企业违规收集、滥用公民信息。那就应该把一些客观性的程序规则、事后处罚明确的规定出来,不能让企业凭心情、按良心来自己执行。

比如,现在很多A pp的做法是“一次同意,频繁收集”,用户只同意了一次,A pp就可以频繁地收集用户的位置信息,明显就超越了征求用户同意时的“使用目的”,这就会异化成为信息勒索,这又回到了之前大家熟悉的那个“分粥者”的比喻,多少信息才是够用?不能由企业单方面说了算。

《网络安全法》明确的个人信息保护8项原则,看起来很美,但是如何让阳光照入现实,如何避免5年前工信部那个“指南”的教训?说到底,还是要让《网络信息安全法》《个人信息安全规范》长出“牙齿”,更多赋权于公民积极维护自身的信息权利,使用举证责任倒置、惩罚性赔偿倒逼企业不敢在个人信息方面做恶。

本文转自d1net(转载)

相关实践学习
基于MaxCompute的热门话题分析
Apsara Clouder大数据专项技能认证配套课程:基于MaxCompute的热门话题分析
相关文章
|
机器学习/深度学习 数据可视化 算法
【视频】支持向量机SVM、支持向量回归SVR和R语言网格搜索超参数优化实例
【视频】支持向量机SVM、支持向量回归SVR和R语言网格搜索超参数优化实例
|
存储 人工智能 Java
把代码贴进去自动找bug,这个debug神器自动修复仅需几秒,还有GPT-3在线解惑
把代码贴进去自动找bug,这个debug神器自动修复仅需几秒,还有GPT-3在线解惑
306 0
|
存储 关系型数据库 MySQL
28个案例问题分析---012---数据库数据类型问题--Mysql数据类型,索引失效
28个案例问题分析---012---数据库数据类型问题--Mysql数据类型,索引失效
200 0
|
8天前
|
存储 关系型数据库 分布式数据库
PostgreSQL 18 发布,快来 PolarDB 尝鲜!
PostgreSQL 18 发布,PolarDB for PostgreSQL 全面兼容。新版本支持异步I/O、UUIDv7、虚拟生成列、逻辑复制增强及OAuth认证,显著提升性能与安全。PolarDB-PG 18 支持存算分离架构,融合海量弹性存储与极致计算性能,搭配丰富插件生态,为企业提供高效、稳定、灵活的云数据库解决方案,助力企业数字化转型如虎添翼!
|
7天前
|
存储 人工智能 Java
AI 超级智能体全栈项目阶段二:Prompt 优化技巧与学术分析 AI 应用开发实现上下文联系多轮对话
本文讲解 Prompt 基本概念与 10 个优化技巧,结合学术分析 AI 应用的需求分析、设计方案,介绍 Spring AI 中 ChatClient 及 Advisors 的使用。
348 130
AI 超级智能体全栈项目阶段二:Prompt 优化技巧与学术分析 AI 应用开发实现上下文联系多轮对话
|
19天前
|
弹性计算 关系型数据库 微服务
基于 Docker 与 Kubernetes(K3s)的微服务:阿里云生产环境扩容实践
在微服务架构中,如何实现“稳定扩容”与“成本可控”是企业面临的核心挑战。本文结合 Python FastAPI 微服务实战,详解如何基于阿里云基础设施,利用 Docker 封装服务、K3s 实现容器编排,构建生产级微服务架构。内容涵盖容器构建、集群部署、自动扩缩容、可观测性等关键环节,适配阿里云资源特性与服务生态,助力企业打造低成本、高可靠、易扩展的微服务解决方案。
1333 8
|
7天前
|
人工智能 Java API
AI 超级智能体全栈项目阶段一:AI大模型概述、选型、项目初始化以及基于阿里云灵积模型 Qwen-Plus实现模型接入四种方式(SDK/HTTP/SpringAI/langchain4j)
本文介绍AI大模型的核心概念、分类及开发者学习路径,重点讲解如何选择与接入大模型。项目基于Spring Boot,使用阿里云灵积模型(Qwen-Plus),对比SDK、HTTP、Spring AI和LangChain4j四种接入方式,助力开发者高效构建AI应用。
336 122
AI 超级智能体全栈项目阶段一:AI大模型概述、选型、项目初始化以及基于阿里云灵积模型 Qwen-Plus实现模型接入四种方式(SDK/HTTP/SpringAI/langchain4j)
|
6天前
|
监控 JavaScript Java
基于大模型技术的反欺诈知识问答系统
随着互联网与金融科技发展,网络欺诈频发,构建高效反欺诈平台成为迫切需求。本文基于Java、Vue.js、Spring Boot与MySQL技术,设计实现集欺诈识别、宣传教育、用户互动于一体的反欺诈系统,提升公众防范意识,助力企业合规与用户权益保护。