㈠ 大数据和网络安全在今后的发展前景哪个会更好那
应该说，两个都是都是今后发展的重点，再加上人工智能，个人觉得将会是互联网乃至工业的一次革命。
1、大数据方面。大数据范围很广，每个行业都有相应的应用，但是投入也是很大的，例如铁路系统，车辆违章监控系统，ETC系统等都应用了大数据，这些大数据将进行提炼后，用于基础分析、客户引导、智能管理等。对于提高政府职能，降低能耗，开源节流，人工辅助等都有很大很深的应用。总的来说，大数据中所有的数据都是有价值的，但是采集数据有很多的路要走，更多的需要物联网、人工智能的配合。
2、网络安全方面。这个应该是当下整个社会的一个突出问题。网络改变了人们的使用方式，推动了一系列的变革，但问题也是很突出，它是一把双刃剑，有利有弊，但总体利大于弊，正因为网络的不断发展，才推动了大数据的进步。
3、人工智能方面。人工智能应该是一个 今后发展的这个重点及亮点。人工智能主要利用语言、图像识别、传感器等设备集中进行运算，发挥其特定的作用，来执行任务。
㈡ 大数据和网络安全哪个方向更好
随着工业物联网(IIoT)在制造企业的全面铺开，安全专家必须准备好弄懂这些网络应有的样子与操作。同时，所有安全计划都需拥有足够的弹性，要能扛住迎面而来的各种攻击。未来十年将给网络安全带来最大影响的是什么?简单讲，这个问题的答案有两个方向：人工智能(AI)和大数据分析。
鉴于这些技术发展会给未来时光带来重大影响，未来的安全环境，将取决于AI和分析如何融入囊括了网络及物理安全的全面弹性安全计划。
网络安全-工业物联网
至于如何构建该整体安全项目，能够赋予制造商资产清单与网络可见性的网络监视技术是个不错的开始。随着公司企业越来越依赖数字环境，拥有该总体安全观也变得越来越重要了。如果十年内发生的攻击类似乌克兰两次遭遇的大断电，或挪威铝业巨头NorskHydro遭遇的勒索软件攻击，公司企业需准备备用工厂，以便在必要的时候能够手动运营以阻止攻击。
未来5~10年，物联网对工业运营的意义愈加重大，工业系统也将接入可大幅降低设备间通信延迟的5G网络，因而工业系统联网程度增加几乎已成不争的事实。物联网设备安全通常天生不怎么强，所以当物联网设备大规模部署的时候，工业系统便面临相当棘手的设备安全管理挑战了。
网络安全-工业运营
更糟的是，连接性增加意味着能尝试突破系统的黑客也增加了，更高端的黑客或许能够窥探系统，而网络安全问题也随着连接性的增长而愈加恶化。而且，很多工业系统如果以特定方式操纵可能伤及人命，所以连接性增加不仅影响到工业系统管理和保护，也影响公共政策制定。
网络安全-数字转型
工业网络安全遭受的最大影响将是数字转型的非预期结果。数字转型很好，也很有必要，但同时伴随着风险。随着我们引入越来越多的数字终端，数据流随之产生。数据流的飞速增长将超出我们的处理范围，无法现场有效分析全部数据。而且，我们将以这些数据驱动有关过程的决策，甚或驱动过程本身。最终，我们或许会开始通过人工智能/机器学习将这些分析性数据产品馈送回过程。
换句话说，过程产生数据，数据离开过程网络流向云、雾、湖、现场、外部等等地方，被分析、重用再馈送回过程。所有这些都会以我们刚刚才开始考虑的方式，往过程数据及该控制/过程网络外部相关系统，引入新的风险。
㈢ 西南交通大学研究生方向选信息安全还是大数据
西南交通大学历年考研真题
链接:https://pan..com/s/1xSsaaj1vr0gMv9c6MkWjMg
提取码:vy2z
若资源有问题欢迎追问
㈣ 大数据和网络安全有关系吗
肯定是有的呗，在大数据下，数据都是相当于透明化的，而且很有可能被通过各种方法盗用的
㈤ java、web、大数据、网络安全就业环境有好吗至少需要什么学历
大数据主要的三大就业方向：
大数据系统研发类人才；
大数据应用开发类人才；
大数据分析类人才。
大数据十大就业职位：
一、ETL研发
随着数据种类的不断增加，企业对数据整合专业人才的需求越来越旺盛。ETL开发者与不同的数据来源和组织打交道，从不同的源头抽取数据，转换并导入数据仓库以满足企业的需要。
ETL研发，主要负责将分散的、异构数据源中的数据如关系数据、平面数据文件等抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础。
目前，ETL行业相对成熟，相关岗位的工作生命周期比较长，通常由内部员工和外包合同商之间通力完成。ETL人才在大数据时代炙手可热的原因之一是：在企业大数据应用的早期阶段，Hadoop只是穷人的ETL。
二、Hadoop开发
Hadoop的核心是HDFS和MapRece.HDFS提供了海量数据的存储，MapRece提供了对数据的计算。随着数据集规模不断增大，而传统BI的数据处理成本过高，企业对Hadoop及相关的廉价数据处理技术如Hive、HBase、MapRece、Pig等的需求将持续增长。如今具备Hadoop框架经验的技术人员是最抢手的大数据人才。
三、可视化（前端展现）工具开发
海量数据的分析是个大挑战，而新型数据可视化工具如Spotifre，Qlikview和Tableau可以直观高效地展示数据。
可视化开发就是在可视开发工具提供的图形用户界面上，通过操作界面元素，由可视开发工具自动生成应用软件。还可轻松跨越多个资源和层次连接您的所有数据，经过时间考验，完全可扩展的，功能丰富全面的可视化组件库为开发人员提供了功能完整并且简单易用的组件集合，以用来构建极其丰富的用户界面。
过去，数据可视化属于商业智能开发者类别，但是随着Hadoop的崛起，数据可视化已经成了一项独立的专业技能和岗位。
四、信息架构开发
大数据重新激发了主数据管理的热潮。充分开发利用企业数据并支持决策需要非常专业的技能。信息架构师必须了解如何定义和存档关键元素，确保以最有效的方式进行数据管理和利用。信息架构师的关键技能包括主数据管理、业务知识和数据建模等。
五、数据仓库研究
数据仓库是为企业所有级别的决策制定过程提供支持的所有类型数据的战略集合。它是单个数据存储，出于分析性报告和决策支持的目的而创建。为企业提供需要业务智能来指导业务流程改进和监视时间、成本、质量和控制。
数据仓库的专家熟悉Teradata、Neteeza和Exadata等公司的大数据一体机。能够在这些一体机上完成数据集成、管理和性能优化等工作。
六、OLAP开发
随着数据库技术的发展和应用，数据库存储的数据量从20世纪80年代的兆（M）字节及千兆（G）字节过渡到现在的兆兆（T）字节和千兆兆（P）字节，同时，用户的查询需求也越来越复杂，涉及的已不仅是查询或操纵一张关系表中的一条或几条记录，而且要对多张表中千万条记录的数据进行数据分析和信息综合。联机分析处理（OLAP）系统就负责解决此类海量数据处理的问题。
OLAP在线联机分析开发者，负责将数据从关系型或非关系型数据源中抽取出来建立模型，然后创建数据访问的用户界面，提供高性能的预定义查询功能。
七、数据科学研究
这一职位过去也被称为数据架构研究，数据科学家是一个全新的工种，能够将企业的数据和技术转化为企业的商业价值。随着数据学的进展，越来越多的实际工作将会直接针对数据进行，这将使人类认识数据，从而认识自然和行为。因此，数据科学家首先应当具备优秀的沟通技能，能够同时将数据分析结果解释给IT部门和业务部门领导。
总的来说，数据科学家是分析师、艺术家的合体，需要具备多种交叉科学和商业技能。
八、数据预测（数据挖掘）分析
营销部门经常使用预测分析预测用户行为或锁定目标用户。预测分析开发者有些场景看上有有些类似数据科学家，即在企业历史数据的基础上通过假设来测试阈值并预测未来的表现。
九、企业数据管理
企业要提高数据质量必须考虑进行数据管理，并需要为此设立数据管家职位，这一职位的人员需要能够利用各种技术工具汇集企业周围的大量数据，并将数据清洗和规范化，将数据导入数据仓库中，成为一个可用的版本。然后，通过报表和分析技术，数据被切片、切块，并交付给成千上万的人。担当数据管家的人，需要保证市场数据的完整性，准确性，唯一性，真实性和不冗余。
十、数据安全研究
数据安全这一职位，主要负责企业内部大型服务器、存储、数据安全管理工作，并对网络、信息安全项目进行规划、设计和实施。数据安全研究员还需要具有较强的管理经验，具备运维管理方面的知识和能力，对企业传统业务有较深刻的理解，才能确保企业数据安全做到一丝不漏。
㈥ 研究生选择到信息安全方向，有WEB安全，大数据，漏洞挖掘和恶意代码分析这四个方向，那个方向比较好
我们就是做信息安全方面的，叫15PB。如果你想在安全行业长期发展就学恶意代码分析和软件漏洞挖掘，再延伸一点就是逆向方面。web安全就算了吧。大数据的话跟信息安全关系不大。
你学的是信息安全，而且还是研究生，应该走信息安全技术流路线，而不是应用层方面，这样才不辱没你的学历和发展。
㈦ 大数据环境下的网络安全分析
大数据环境下的网络安全分析
“大数据”一词常被误解。事实上，使用频率太高反而使它几乎没有什么意义了。大数据确实存储并处理大量的数据集合，但其特性体现远不止于此。
在着手解决大数据问题时，将其看作是一种观念而不是特定的规模或技术非常有益。就其最简单的表现来说，大数据现象由三个大趋势的交集所推动：包含宝贵信息的大量数据、廉价的计算资源、几乎免费的分析工具。
大数据架构和平台算是新事物，而且还在以一种非凡的速度不断发展着。商业和开源的开发团队几乎每月都在发布其平台的新功能。当今的大数据集群将会与将来我们看到的数据集群有极大不同。适应这种新困难的安全工具也将发生变化。在采用大数据的生命周期中，业界仍处于早期阶段，但公司越早开始应对大数据的安全问题，任务就越容易。如果安全成为大数据集群发展过程中的一种重要需求，集群就不容易被黑客破坏。此外，公司也能够避免把不成熟的安全功能放在关键的生产环境中。
如今，有很多特别重视不同数据类型（例如，地理位置数据）的大数据管理系统。这些系统使用多种不同的查询模式、不同的数据存储模式、不同的任务管理和协调、不同的资源管理工具。虽然大数据常被描述为“反关系型”的，但这个概念还无法抓住大数据的本质。为了避免性能问题，大数据确实抛弃了许多关系型数据库的核心功能，却也没犯什么错误：有些大数据环境提供关系型结构、业务连续性和结构化查询处理。
由于传统的定义无法抓住大数据的本质，我们不妨根据组成大数据环境的关键要素思考一下大数据。这些关键要素使用了许多分布式的数据存储和管理节点。这些要素存储多个数据副本，在多个节点之间将数据变成“碎片”。这意味着在单一节点发生故障时，数据查询将会转向处理资源可用的数据。正是这种能够彼此协作的分布式数据节点集群，可以解决数据管理和数据查询问题，才使得大数据如此不同。
节点的松散联系带来了许多性能优势，但也带来了独特的安全挑战。大数据数据库并不使用集中化的“围墙花园”模式（与“完全开放”的互联网相对而言，它指的是一个控制用户对网页内容或相关服务进行访问的环境），内部的数据库并不隐藏自己而使其它应用程序无法访问。在这儿没有“内部的”概念，而大数据并不依赖数据访问的集中点。大数据将其架构暴露给使用它的应用程序，而客户端在操作过程中与许多不同的节点进行通信。
规模、实时性和分布式处理：大数据的本质特征（使大数据解决超过以前数据管理系统的数据管理和处理需求，例如，在容量、实时性、分布式架构和并行处理等方面）使得保障这些系统的安全更为困难。大数据集群具有开放性和自我组织性，并可以使用户与多个数据节点同时通信。验证哪些数据节点和哪些客户应当访问信息是很困难的。别忘了，大数据的本质属性意味着新节点自动连接到集群中，共享数据和查询结果，解决客户任务。
嵌入式安全：在涉及大数据的疯狂竞赛中，大部分的开发资源都用于改善大数据的可升级、易用性和分析功能上。只有很少的功能用于增加安全功能。但是，你希望得到嵌入到大数据平台中的安全功能。你希望开发人员在设计和部署阶段能够支持所需要的功能。你希望安全功能就像大数据集群一样可升级、高性能、自组织。问题是，开源系统或多数商业系统一般都不包括安全产品。而且许多安全产品无法嵌入到Hadoop或其它的非关系型数据库中。多数系统提供最少的安全功能，但不足以包括所有的常见威胁。在很大程度上，你需要自己构建安全策略。
应用程序：面向大数据集群的大多数应用都是Web应用。它们利用基于Web的技术和无状态的基于REST的API。虽然全面讨论大数据安全的这个问题超出了本文的范围，但基于Web的应用程序和API给这些大数据集群带来了一种最重大的威胁。在遭受攻击或破坏后，它们可以提供对大数据集群中所存储数据的无限制访问。应用程序安全、用户访问管理及授权控制非常重要，与重点保障大数据集群安全的安全措施一样都不可或缺。
数据安全：存储在大数据集群中的数据基本上都保存在文件中。每一个客户端应用都可以维持其自己的包含数据的设计，但这种数据是存储在大量节点上的。存储在集群中的数据易于遭受正常文件容易感染的所有威胁，因而需要对这些文件进行保护，避免遭受非法的查看和复制。
㈧ 大数据有前途，还是网络安全有前途
这是两个非常有前途的职业方向，用比较形象的语言来描述，这两个职业，一个是矛，另一个是盾。就象我们在看一场篮球比赛，一支球队的进攻非常重要，但防守也同样不容忽视。在未来的网络环境下，大数据相当于是一把锋利的矛，而网络安全则是一部坚实的盾。
大数据行业，利用网络资源，通过分析数据，为我们的生活、生产、经营等活动提供更加有效的支撑。对社会各项正向需求产生正向的影响。可以把它理解为是人类解放生产力过程中，能够开疆拓土的进攻型武器。
网络安全，就很明显了，是我们在网络生活中的保护神。网络安全的主要作用就是防守，守住我们的个人信息，个人隐私，保护我们的重要数据与敏感数据。网络安全为大数据提供保驾护航。我们把网络安全理解为人类解放生产力的过程中，那个保护人类自身安全的一部无形的巨盾。
不管是用矛还是用盾，只要学艺精，在科学技术迅猛发展的网络朝代，都是前途无量的行业。