معرفی و دانلود کتاب امنیت در داده‌های کلان (Big Data)

معرفی کتاب امنیت در داده‌های کلان (Big Data)

کتاب امنیت در داده‌های کلان (Big Data) تألیف شهلا موسوی به معرفی فناوری کلان داده‌ها می‌پردازد و تلاش می‌کند کاربردها، ابزارها و روش‌های تحلیلی این تکنولوژی را آموزش دهد. این راهنمای کاربردی به چالش‌های حوزه‌ی کلان داده‌ها اشاره می‌کند، مفهوم امنیت در آن را توضیح می‌دهد، از داده‌کاوی می‌گوید و نهایتاً نحوه‌ی کنترل و مدیریت کردن این فضا را می‌آموزد.

درباره‌ی کتاب امنیت در داده‌های کلان (Big Data)

با پیشرفت فناوری اینترنت و گسترش آن در تمام دنیا، مفهوم جدیدی شکل گرفت که اصطلاحاً بیگ دیتا یا کلان داده نامیده می‌شد. این مفهوم به حجم عظیمی از داده‌ها ارجاع می‌شود که شرکت‌ها آن‌ها را در طول سال‌ها جمع‌آوری و ذخیره کرده بودند. داده‌های بزرگ برای سازمان‌ها از اهمیت خیلی زیادی برخوردار است و نقشی حیاتی برای آن‌ها دارد. بااین‌وجود همیشه ریسک ربوده شدن، لو رفتن یا از دست رفتنشان هست. کتاب امنیت در داده‌های کلان (Big Data) تألیف شهلا موسوی این فناوری مدرن را معرفی می‌کند و می‌کوشد کاربردهای وسیع آن را توضیح دهد. کتاب از نحوه‌ی شکل‌گیری داده‌های بزرگ می‌گوید، ابزارهای آن را معرفی می‌کند و نشان می‌دهد که چطور می‌توان با تحلیل کردن آن‌ها سیاست‌های بهتری اتخاذ کرد و به موفقیت رسید. در ادامه نیز به بحث چالش‌های این تکنولوژی می‌پردازد و ریسک‌های آن را مرور می‌کند.

در سلسله‌مراتب دانش، داده‌ها در کف هرم قرار می‌گیرند. داده‌ها، همان اطلاعات خام و پردازش‌نشده هستند که بدون جهت‌گیری جمع‌آوری می‌شوند. شرکت‌ها، دولت‌ها و سازمان‌ها همیشه در حال گردآوری داده‌های مشتریان و مراجعه‌کنندگانشان هستند. این موضوع مخصوصاً در دوره‌ی اینترنت اهمیت بیشتری پیدا کرده تا جایی که حالا به‌طور خودکار همه مشغول جمع‌آوری دیتای کاربرانشان هستند. پس‌ازاین مرحله، می‌توان با ابزارهای متنوعی آن‌ها را آنالیز و تحلیل کرد. اطلاعاتی که از این فرآیند استخراج می‌شود می‌تواند بی‌نهایت ارزشمند باشد. این اطلاعات روندها، گرایش‌ها، علایق و سلایق را نشان می‌دهد. برای مثال شرکت‌ها می‌فهمند که مشتریانشان به چه چیزهایی علاقه دارند و آن را دنبال می‌کنند. بعد می‌توانند متناسب با آن، محصولی را پیشنهاد کنند که احتمالاً مشتری می‌پسندد. در مقیاس بزرگ‌تر، شرکت‌هایی مثل گوگل به حجم عظیمی از داده‌های کاربران دسترسی دارند که به آن‌ها کمک می‌کند به کاربران خدمات دقیق‌تر و کاربردی‌تری بدهند.

مشخصاً کلان داده‌ها می‌توانند پول‌ساز باشند. بنابراین همیشه تهدیدی در موردشان وجود دارد. امروزه لایه‌های حفاظتی و امنیتی متعددی برای حفظ این نوع داده طراحی‌شده است. شهلا موسوی در کتاب امنیت در داده‌های کلان (Big Data) به تعدادی از این ابزارها اشاره می‌کند و هر یک را توضیح می‌دهد. شهلا موسوی در کتاب حاضر به موضوع داده‌کاوی نیز می‌پردازد و تکنیک‌ها و تاکتیک‌های این فرآیند را تشریح می‌کند.

کتاب امنیت در داده‌های کلان (Big Data) را انتشارات آذرفر به انتشار رسانده است.

کتاب امنیت در داده‌های کلان (Big Data) برای چه کسانی مناسب است؟

این کتاب به متخصصان داده پیشنهاد می‌شود. همین‌طور دانشجویان رشته‌های آی‌تی هم می‌توانند از آن بهره ببرند.

در بخشی از کتاب امنیت در داده‌های کلان (Big Data) می‌خوانیم

یکی از محدودیت‌های مهم به منظور بهره‌برداری از مزایای داده‌های عظیم و خلق ارزش، کمبود نیروی انسانی مستعد و ماهر خصوصاً در مواردی همچون حوزه آمار و یادگیری ماشین است. همچنین، کمبود مدیران و تحلیل گرانی که با نحوه تولید بینش از داده‌های عظیم در سازمان‌ها آشنا باشند مزیت بر علت است. این انتظار وجود دارد که داده‌های عظیم به یکی از عوامل مهم و کلیدی رقابت بین بخش‌های مختلف تبدیل شود و تقاضا برای مشاغل تحلیلی در حوزه داده‌های عظیم روز به روز بیشتر گردد.

هم اینک در اکثر قریب به اتفاق کشورهای جهان این نیاز با وضعیت موجود نیروی‌های مستعد در این زمینه همخوانی ندارد و تربیت این نوع نیروی انسانی مستعد، کار ساده‌ای نیست و مستلزم سال ها آموزش است. به عنوان نمونه، تربیت تحلیل گرداده‌های عظیم در آمریکا تا سال 2018 به حدود 300 هزار نفر خواهد رسید، در صورتی که تا سال 2018 به چیزی حدود 440 تا 490 هزار نیروی انسانی مستعد در این حوزه نیاز است. با استناد به وضعیت بازار عرضه و تقاضای تحلیل گران داده در آمریکا، شاهد کمبود 140 تا 190 هزار نیروی انسانی مستعد در این حوزه می باشیم. این وضعیت صرفاً در رابطه با آمریکا صدق نمی‌کند و پیش بینی می‌شود که سایر کشورها خصوصاً کشورهای صنعتی نیز وضعیتی مشابه داشته باشند. علاوه بر این، پیش‌بینی شده است که در آمریکا به 1/5 میلیون مدیر و تحلیل گر دیگر تا سال 2018 نیاز باشد که قادر به طرح صحیح سؤالات و استفاده از نتایج تحلیل داده‌های عظیم به‌طور مؤثر باشند.

فهرست مطالب کتاب

پیشگفتار
فصل 1: تکنولوژی داده‌های کلان
مقدمه
کاربردهای مه داده
کاربردهای داده‌های عظیم در صنایع
راهکارهای پایگاه ‌داده در سال 2015
آپاچی هادوپ (Apache Hadoop)
رویکرد
تعریف
ویژگی‌ها
کاربردها
داده کاوی، هوش مصنوعی
چهار V کلان‌داده
تعریف و ویژگی‌های داده‌های بزرگ
چالش‌های داده‌های بزرگ
فناوری‌های داده‌های بزرگ
رابطه بین هادوپ (Hadoop) و داده‌های بزرگ
منابع تولید داده‌های بزرگ
تولید و اکتساب داده‌های بزرگ
ابزارهای کاوش و تحلیل داده‌های بزرگ
روش‌های تحلیل داده‌ها در داده‌های بزرگ
تحلیل داده‌های ساخت یافته
تحلیل داده‌های متن
تحلیل داده‌های وب
تحلیل داده‌های چندرسانه
تحلیل داده‌های شبکه
تحلیل داده‌های موبایل
کاربردهای مهم داده‌های بزرگ
کاربرد داده‌های بزرگ در سازمان‌ها و شرکت‌ها
کاربرد داده‌های بزرگ مبتنی بر اینترنت اشیاء (IoT)
کاربرد داده‌های بزرگ در شبکه‌های اجتماعی آنلاین
امنیت داده‌های بزرگ
V‌های کلان‌داده
رایانش ابری و کلان‌داده
انواع تحلیل‌ها
فصل 2: چالش‌های حوزه‌ی کلان داده
مقدمه
چالش‌های بیشتری در ادبیات موضوع
کاربردهای مه داده
چه صنایعی از بیگ دیتا استفاده می‌کنند؟
برخی از کاربردهای داده‌های عظیم در صنایع
هفت چالش پیاده‌سازی تجزیه و تحلیل کلان داده‌ها (BDA)
ابهام در تجزیه و تحلیل کلان داده‌ها و هوشمندی کسب و کار
تخمین بیش از تجزیه و تحلیل بلوغ سازمان
پیدا نمودن موردهای کاربری درست
استفاده از تجزیه و تحلیل کلان داده‌های چابک
اعتماد به نتایج حاصل از تجزیه و تحلیل
دریافت حق فناوری
پیدا کردن منابع و مهارت‌های مناسب
معادل‌های پیشنهادی برای Big Data
مثال کاربردی
چالش‌های حوزه کلان داده
دسته‌بندی‌ها
فصل 3: امنیت در داده‌های کلان
مقدمه
تعریف و ویژگی‌های داده‌های بزرگ
چالش‌های داده‌های بزرگ
چالش‌های کلان داده
ذخیره‌سازی و تحلیل داده
کشف دانش و پیچیدگی محاسباتی
تنوع داده‌ها
مقیاس‌پذیری و بصری‌سازی داده‌ها
امنیت اطلاعات
رابطه بین هادوپ (Hadoop) و داده‌های بزرگ
منابع تولید داده‌های بزرگ
ده چالش اصلی در امنیت اینترتت اشیاء
موارد امنیتی
امن سازی دیوایس‌های محدود شده
به رسمیت شناختن و مجوز دادن به دیوایس‌ها
مدیریت به روز رسانی دیوایس‌ها
امن سازی ارتباطات
اطمینان از صحت و حریم خصوصی داده‌ها
امن سازی اپلیکیشن‌های وب، ابری و تلفن همراه
اطمینان از موجودیت حداکثری
شناسایی آسیب پذیری‌ها و حوادث
مدیریت آسیب پذیری‌ها
پیش‌بینی و جلوگیری از مسائل امنیتی
نتیجه‌گیری
امنیت
مدیریت دیوایس
تحلیل
تولید و اکتساب داده‌های بزرگ
امنیت داده‌های بزرگ
منابع اصلی و بزرگ ایجاد داده‌ها
داده‌های متعلق به جعبه سیاه
داده‌های متعلق به شبکه‌های اجتماعی
اطلاعات مربوط به بورس اوراق بهادار
اطلاعات تولید شده از سوی شبکه‌های انتقال برق
داده‌های مربوط به حمل ‌و نقل ناوگان درون‌شهری و برون‌شهری
داده‌های مربوط به موتورهای جست‌وجوگر
تنوع و گوناگونی
انتقال سریع و هوشمندانه داده‌ها، معدن طلای عصر جدید
تعامل اینترنت اشیاء و مشتریان
نمونه‌هایی از داده‌های حجیم
ژنومیک و کلان داده در پزشکی
روش‌ها (Methods)
سیستم‌های HPCC) high performance computing cluster)
کشف دانش از داده‌های حجیم (KDD)
مسائل حفظ حریم خصوصی و امنیت
مشخصه‌های یک مدل امنیتی مبتنی بر داده‌های حجیم
چگونگی توسعه یک روش جامع و مطمئن برای داده‌های حجیم
ارزیابی کلی
نتیجه گیری
فصل 4: داده‌کاوی در داده‌های کلان
مقدمه
داده‌کاوی
تعریف مسأله
آماده سازی داده‌ها
جستجوی داده‌ها
مفهوم مدل سازی
جستجو و تأیید مدل ها
پیاده سازی و بروز رسانی مدل‌ها
مفاهیم داده کاوی
عناصر داده کاوی
فنون داده‌کاوی
کاربرد‌های داده کاوی در محیط‌های واقعی
بانکداری
بیمه
خرده فروشی
پزشکی
انباره داده‌ها
انتخاب داده‌ها
تبدیل داده‌ها
کاوش در داده‌ها
کاربردهای داده کاوی
فواید و نقش داده کاوی در فعالیت شرکت‌ها
ویژگی‌های اصلی داده کاوی
مزایای داده کاوی
کاربرد داده کاوی در بازاریابی
ویژگی‌ها
چیستی
مفهوم مدیریت ذخیره سازی و دستیابی اطلاعات
ساختار بانک اطلاعاتی سازمان
محدودیت‌های داده‌کاوی
کاربردهای داده‌کاوی در علوم رایانه
کاربردهای داده‌کاوی در رشته مهندسی صنایع
کاربردهای داده کاوی در کتابخانه‌ها
ابزارهای داده‌کاوی
برنامه‌های کاربردی و نرم‌افزارهای داده کاوی متن - باز رایگان
برنامه‌های کاربردی و نرم‌افزارهای داده کاوی تجاری
چرا داده کاوی نیاز است؟
چه موقع و کجا داده‌کاوی نیاز است؟
کاربرد علم آمار در داده کاوی
کاربرد آمار در داده کاوی
چرا داده کاوی مهم است؟
داده کاوی در عصر حاضر
چه کسانی از داده کاوی استفاده می‌کنند؟
شرکت‌های ارتباطی
بیمه
آموزش
تولیدکنندگان
بانکداری
خرده‌فروشی
داده کاوی چگونه کار می‌کند؟
الگوریتم‌ها و شیوه‌های مختلف داده کاوی
مدل‌سازی توصیفی
مدل‌سازی پیش‌بینانه
داده کاوی ویژگی‌های بالینی بیماران و تشخیص خودکار
داده کاوی در بهداشت و درمان
مهمترین خدمات قابل ارائه با استفاده از روش‌های داده کاوی
ابزارهای تحلیل کلان داده (Big data)
آپاچی هادوپ و نگاشت کاهش
آپاچی هادوپ
آپاچی ماهوت
آپاچی اسپارک
استورم (Storm)
آپاچی دریل (Apache Drill)
دریاد (Dryad)
جابرسافت (Jaspersoft)
اسپلانک (Splunk)
پیشنهادات
رشد روزافزون کلان‌داده
تحلیل بیگ دیتا (big data) در کسب و کار
داده‌های سرچ (search data)
شبکه‌های اجتماعی (social network)
جمع سپاری (Crowdsourcing)
پیگیری تراکنش (Transaction tracking)
بیگ دیتا و تأثیرگذاری بیشتر کمپین‌های دیجیتال مارکتینگ
بینش مشتری (customer insight analyst)
کشف خودکار الگوهای پیش‌تر ناشناخته
داده‌کاوی
ارزیابی الگو
ارائه دانش
مشکلات داده‌کاوی
مسائل کارایی
مسائل منابع داده
مزایا و معایب داده‌کاوی
مزایای داده‌کاوی
معایب داده‌کاوی
تأثیرات مثبت
اثرات منفی
کاربردهای داده‌کاوی
منابع