Dane nieustrukturyzowane

Dane nieustrukturyzowane to informacje, które nie mają z góry określonego modelu danych, więc ich znaczenie zawarte jest w samej treści. Tabela klientów ma kolumny opisujące, co oznacza każda wartość. Podpisana umowa, wątek na czacie czy nagrana rozmowa takich etykiet nie mają.

Większość informacji w firmie jest właśnie taka. Ponieważ mogą zawierać dane klientów, cenniki lub dane osobowe, systemy zapobiegania utracie danych (DLP) muszą sprawdzać, co plik zawiera, a nie tylko, gdzie jest przechowywany.

Dane dzielą się na trzy grupy w zależności od tego, ile struktury niosą. Dane nieustrukturyzowane obejmują pliki Word i PDF, treści e-maili, logi czatów, prezentacje, obrazy, skany umów, pliki projektowe oraz nagrania audio i wideo.

Są wszędzie w typowej organizacji. Analizy branżowe konsekwentnie szacują, że 80–90% nowych danych firmowych to dane nieustrukturyzowane, a ich udział rośnie, bo współpraca przenosi się do dokumentów, czatów i mediów.

Komunikacja jest jednym z największych źródeł. Dużo treści przepływa przez usługi wiadomości elektronicznych, gdzie jeden wątek potrafi łączyć pliki, zrzuty ekranu i wklejony tekst.

• Dyski współdzielone i repozytoria dokumentów
• Skrzynki e-mail i historia komunikatorów
• Usługi udostępniania plików w chmurze
• Skany dokumentów dołączone do procesów biznesowych
• Zdjęcia tablic i ekranów

Dane strukturalne można chronić u źródła. Baza danych ma granicę, uprawnienia i dzienniki audytu. Dane nieustrukturyzowane nie mają żadnej z tych cech, a większość przypadkowych ujawnień i kradzieży danych przez pracowników dotyczy właśnie ich przepływu przez codzienne kanały.

Składają się na to cztery cechy: brak schematu i etykiet, swobodne kopiowanie, różnorodność formatów oraz to, że należą do wszystkich i do nikogo, więc centralne katalogi rzadko je obejmują.

Ponieważ dane nieustrukturyzowane nie mogą być kontrolowane w jednym źródle, mechanizmy skupiają się na analizie treści w miejscu, gdzie dane się przemieszczają.

Tekst klasyfikuje się przy użyciu słowników i tezaurusów, na przykład listy zakazanych słów. Skróty hash i cyfrowe odciski wskazują dokładne dokumenty i ich kopie, a OCR wydobywa tekst ze skanów i obrazów, dzięki czemu można je analizować jak każdy inny plik.

Etykiety pozwalają następnie egzekwować reguły w poczcie, na stronach, w komunikatorach i na nośnikach wymiennych.

Konsola trzyma te metody w jednym miejscu. Wbudowane tezaurusy systemowe obejmują 35 zestawów słów kluczowych, na przykład SSN, Credit Card czy Financial, a każdy pokazuje liczbę słów i trafienia wyszukiwania. Rozpoznawanie obrazów decyduje, które kanały i formaty plików są odczytywane jako dokumenty, a OCR obejmuje skany.

Te ustawienia należą do modułu Anexet DLP, który stosuje je do dokumentów, wiadomości i plików w ruchu.

1 / 2

• 
• 

Zacznij od treści, której wyciek zaszkodziłby najbardziej, a potem prześledź kanały, którymi naprawdę się przemieszcza. Reguły napisane od razu dla wszystkich plików zwykle blokują zwykłą pracę i zostają wyłączone.

Najpierw sprawdź, ile danych jest nieustrukturyzowanych, a potem ustal, gdzie trzeba je czytać: w miejscu powstawania, udostępniania i wysyłania na zewnątrz.