Классификация данных: все о методах и способах классификации данных

Информационные активы компаний содержат конфиденциальные сведения, которые необходимо защищать от утечки. Многие организации для этой цели внедряют продукты класса DLP (Data Leak Prevention) — системы с функциональностью, ориентированной на предотвращение потери данных. Чтобы решения в полной мере выполняли эту задачу, нужно организовать надлежащее хранение сведений и разграничить к ним доступ, а для этого необходимо предварительно провести классификацию данных. В статье рассказываем, что такое классификация, как она реализуется, какое значение имеет для информационной безопасности.

Классификация данных: что это, почему она необходима

Классификация данных — способ управления информацией, которой располагает компания. Она подразумевает распределение сведений по классам и присвоение им служебных меток, например: «Общедоступно», «Секретно», «Строго конфиденциально». Могут быть и другие категории, предусмотренные законодательными нормами, требованиями отраслевых регуляторов и самой компанией.

Классификация информационных массивов входит в перечень обязательных мер по обеспечению ИБ. Благодаря ей можно обнаружить чувствительные сведения среди неструктурированных массивов, объемы которых растут буквально с каждым днем. Опасность существования таких данных в том, что из-за недостаточного контроля и неорганизованного хранения значительно повышаются риски утечки и их неправомерного использования.

Как классификация позволяет предотвращать потерю данных

Распределение данных по классам повышает эффективность мер, направленных на предотвращение потери корпоративных сведений. Как этот подход позволяет бороться с утечками:

• Помогает управлять информационными активами. Классификация данных позволит выявить чувствительные и критические сведения, которые могут находиться в общих массивах. В результате ответственные лица смогут организовать защищенное хранение и применить политики разграничения доступа, исключающие превышение полномочий в отношении конфиденциальной информации.
• Повышает эффективность использования защитных механизмов. Рассмотрим два примера. Система защиты может ограничить доступ к данным, которые были ошибочно отнесены к категории строго конфиденциальных, хотя таковыми не являются. Это приведет к снижению производительности работы и приостановке некоторых бизнес-процессов. Второй пример — система может пропустить операции, совершенные в отношении конфиденциальных данных, которые были определены как общедоступные. В итоге серьезно возрастают риски утечки. Качественная классификация данных позволит избежать таких ситуаций.
• Позволяет сконцентрировать внимание на критических данных, которые могут регулярно появляться среди неструктурированных информационных массивов. Операции с ними практически никак не контролируются, поскольку они не упорядочены и хранятся в разных местах.

Таким образом, классификация данных позволяет определить степень уязвимости хранимой информации и выстроить надежную систему защиты с использованием эффективных инструментов кибербезопасности.

Примеры классификации данных

Способы классификации данных можно разделить на три группы:

• Распределение на основе их содержимого: текстовая, графическая и справочная информация, аналитические сведения и т. д. Справочная информация может включать в себя данные, которые используются для поиска и навигации (адреса, телефоны, названия организаций и т.д.).
• Классификация данных на основе метаданных. В этом случае важно знать местоположение файлов, кто их создал и когда.
• Классификация на усмотрение ответственных лиц. Можно настроить разные параметры организации данных в зависимости от бизнес-целей. Например, клиентские данные могут быть классифицированы по типу клиента (B2B или B2C), финансовые отчеты — по периодам (еженедельные, ежемесячные, квартальные), а маркетинговые материалы — по кампаниям или целевым аудиториям.

Особый способ классификации — по уровню важности данных, степени их конфиденциальности. Примеры таких классов информации:

• Информация с минимальным уровнем конфиденциальности, которая размещается в открытом доступе. Она помечается как «Общедоступно».
• Данные со средним уровнем конфиденциальности, обозначаемые как «Для внутреннего пользования» или «Конфиденциально». Эти сведения предназначены только для внутреннего использования, и их утечка не нанесет компании или сотрудникам значительного вреда.
• Конфиденциальные данные с высоким уровнем важности. Такие сведения имеют критическое значение для организации и требуют надежной защиты. Утечка или утрата данных из этой категории может привести к серьезным финансовым и репутационным потерям для компании.

Методы классификации данных

Остановимся на пяти методах, которые используются наиболее часто:

• Иерархический метод классификации данных. Информационные активы разделяют на группы по принципу иерархической лестницы.
• «Дерево решений». Разновидность иерархического метода, подразумевающая разбитие данных на более мелкие группы с целью уточнения свойств вышестоящей информации.
• Фасетный метод классификации данных. Разделение информации на разные независимые группы по определенным признакам.
• Классификация градуированных показателей. Распределение информационных массивов по числовым диапазонам.
• Классификация с помощью алгоритмов машинного обучения. Применение передовых технологий для автоматизированного распределения данных по контексту, содержимому документов и другим объективным признакам.

Есть еще один, и это один из самых эффективных методов классификации данных — автоматизированный контентный анализ. Именно он заложен в основу процессов сканирования информационных массивов, осуществляемых DAG-системами (Data Access Governance) — решениями, которые, как и DLP, играют важную роль в обеспечении защиты чувствительных данных.

Синергия систем DLP и DAG для эффективной классификации данных и защиты от утечек

Как мы отмечали, с целью предотвращения утечек многие компании внедряют DLP-решения — комплексные системы, предоставляющие эффективные инструменты для обеспечения информационной безопасности. Наш продукт Solar Dozor включает следующие механизмы защиты:

Классификация данных:

• Cистема позволяет классифицировать данные по различным категориям, таким как конфиденциальные, секретные и общедоступные. Это помогает определить, какие данные требуют особого внимания и защиты.
• Классификация данных позволяет выявить чувствительные и критически важные сведения, которые могут находиться в общих массивах. Это помогает организовать защищенное хранение и применить политики разграничения доступа.

Повышение эффективности защиты данных:

• Solar Dozor обеспечивает контроль коммуникаций сотрудников, блокировку или изменение нежелательных сообщений, выявление и мониторинг групп риска. Это позволяет избежать ошибок в классификации данных и минимизировать риски утечек.
• Система может автоматически блокировать передачу конфиденциальной информации, что предотвращает ее утечку даже при больших потоках трафика.
• Перехват во всех каналах осуществляется с помощью специализированных модулей, которые контролируют коммуникации сотрудников через электронную почту, мессенджеры, веб-трафик, USB-устройства и файловые хранилища. Это обеспечивает всесторонний контроль за движением данных и позволяет своевременно выявлять и предотвращать утечки.
• Dozor Endpoint Agent контролирует действия пользователей на рабочих станциях, перехватывая и анализируя данные, передаваемые в том числе в графическом формате, блокируя определенные действия и доступ к отдельным приложениям и устройствам. Это обеспечивает дополнительный уровень защиты от утечек данных через локальные устройства.
• Использование модуля Dozor File Crawler позволяет сканировать файловые хранилища и выявлять нарушения правил хранения конфиденциальной информации.

DLP-система направлена на работу со структурированной информацией, которая передается по различным каналам коммуникаций. Эти сведения уже классифицированы, распределены по хранилищам и обрабатываются в соответствии с положениями политики безопасности.

За проведение классификации данных могут отвечать другие системы — DAG, предназначенные для работы с неструктурированной и полуструктурированной информацией. Таких информационных массивов достаточно в каждой организации, и часть этих сведений никак не контролируется.

Как работает DAG-система, какие методы классификации данных она использует, расскажем на примере Solar DAG:

• При первичном запуске системы осуществляется полное сканирование информационных массивов на всех подключенных системах хранения.
• Система выявляет критичные для организации данные на всех файловых ресурсах путем применения инструментов контентного анализа.
• На основе результатов контентного анализа информации проводится классификация данных по преднастроенным правилам. Например, задать правила таким образом, чтобы один файл можно было отнести к нескольким категориям.
• При повторных запусках системы проводится инкрементальное сканирование. Оно целесообразно, если в информационной инфраструктуре зафиксированы новые события, например создание или перемещение файлов. Такой подход позволяет получать актуальную информацию о хранящихся данных в режиме реального времени.

Результаты классификации данных отражаются в отчетах, формируемых Solar DAG. На вкладке «Ресурсы» можно найти информацию, какие учетные записи имеют доступ к тем или иным файлам. На вкладке «Учетные записи» указано, с какими ресурсами взаимодействуют конкретные учетные записи.

В узком смысле задача DAG-решения — сфокусировать внимание на чувствительных данных. Благодаря отчетам, сформированным системой, сотрудники службы ИБ будут видеть, какую именно информацию следует защищать, где она хранится, кто с ней работает. И вот тут будут полезны инструменты DLP, отслеживающие перемещение конфиденциальной информации и анализирующие поведение сотрудников, которые с ней взаимодействуют.