大数据的采集。科学技术及互联网的发展，推动着大数据时代的来临，各行各业每天都在产生数量巨大的数据碎片，数据计量单位已从从Byte、KB、MB、GB、TB发展到PB、EB、ZB、YB甚至BB、NB、DB来衡量。大数据时代数据的采集也不再是技术问题，只是面对如此众多的数据，我们怎样才能找到其内在规律。

大数据的特点。数据量大、数据种类多、 要求实时性强、数据所蕴藏的价值大。在各行各业均存在大数据，但是众多的信息和咨询是纷繁复杂的，我们需要搜索、处理、分析、归纳、总结其深层次的规律。

大数据的挖掘和处理。大数据必然无法用人脑来推算、估测，或者用单台的计算机进行处理，必须采用分布式计算架构，依托云计算的分布式处理、分布式数据库、云存储和虚拟化技术，因此，大数据的挖掘和处理必须用到云技术。

大数据的应用。大数据可应用于各行各业，将人们收集到的庞大数据进行分析整理，实现资讯的有效利用。举个本的例子，比如在奶牛***层面寻找与产奶量相关的主效***，我们可以首先对奶牛全***组进行扫描，尽管我们获得了所有表型信息和***信息，但是由于数据量庞大，这就需要采用大数据技术，进行分析比对，挖掘主效***。例子还有很多。

数据准确性

数据质量问题对于BI和数据管理人士来说一定不陌生。很多BI和分析团队努力保证数据的有效性并说服业务使用人员去信任信息资产的准确性和可靠性。作为个性化分析库而得以广泛使用的电子表格或电子报表软件可以对数据中信任缺乏的问题加以弥补：在Excel中存储和操作分析数据的功能为支持自助分析能力创造了环境，但可能不会激发其他用户对结果的自信心。数据仓库与数据集成和数据质量工具一起，能够通过为管理BI和分析数据提供标准化流程来帮助树立信心。但是，由于不断增加的数据容量和更广泛多样的数据类型，特别是当涉及结构化和非结构化数据混合时，就会对一个大数据的实施增加难度系数。建立评估数据质量标准以及对它们进行升级以处理那些更大、更多样数据集，对于大数据实施的成功和分析框架的使用是至关重要的。

问题一、要确定保护的对象（或者资产）是什么？它的直接和间接价值如何？

   问题二、资产面临哪些潜在威胁？导致威胁的问题所在？威胁发生的可能性有多大？

   问题三、资产中存在哪些弱点可能会被威胁所利用？利用的容易程度又如何？

   问题四、一旦威胁事件发生，***会遭受怎样的损失或者面临怎样的影响？

   问题五、***应该采取怎样的安全措施才能将风险带来的损失降低到低程度？

   问题六、每项资产可能面临多种威胁，威胁源（威胁代理）可能不止一个，每种威胁可能利用一个或多个弱点。