أهم النقاط
- تساهم الرؤية المستمرة والفورية عبر مخازن البيانات في القضاء على نقاط الضعف الأمنية.
- أعط الأولوية للتصنيف السياقي على مطابقة الأنماط التقليدية.
- ربط عناصر البيانات الوصفية بالمخاطر المتراكمة بدلاً من الاعتماد على التنبيهات القائمة على الحجم.
- إدارة خطوط نقل البيانات والذكاء الاصطناعي لتقليل مساحة الهجوم وفعالية الذكاء الاصطناعي.
يمكن لفريق الأمن لديك سرد مخازن البيانات في بيئتك. ولكن هل يمكنه سردها جميعًا؟ إن الفجوة بين البيانات التي قمت بحصرها - وخاصة البيانات الحساسة - والبيانات الموجودة فعليًا في جميع أنحاء المؤسسة هي بالضبط سبب تقديم غارتنر لفئة أمن البيانات. Data Security Posture Management ( DSPM ) موجود. في الواقع، 34% من المؤسسات تعرف موقع بياناتها، و39% فقط تستطيع تصنيفها، وفقًا لتقرير تهديدات البيانات لعام 2026 الصادر عن شركة Thales Cybersecurity.
ومع استمرار نمو حجم البيانات وتوزيعها، تتسع رقعة الهجمات الإلكترونية المحيطة بها. فزيادة البيانات لا تعني فقط ارتفاع تكاليف التخزين، بل تعني أيضاً ازدياد عدد الجهات الخبيثة التي تستهدفها. ومما يزيد من مخاوف قادة أمن البيانات، قلة الثغرات التي يتم سدها. ويشير تحالف أمن الحوسبة السحابية إلى أن عدد الهويات غير البشرية يفوق عدد المستخدمين البشريين بنسبة 45 إلى 1 في المتوسط.
تتفاقم المشكلة مع تزايد حجم البيانات بشكل يفوق قدرة البيئات التقليدية الخاضعة للحوكمة. لطالما وُجدت البيانات غير المُدارة، مثل الملفات المكررة غير المُدارة، وبيانات الإنتاج في بيئات التطوير، ولقطات قواعد البيانات، أو الملفات القديمة المُحتفظ بها لفترات طويلة في بعض مساحات التخزين السحابية. ولكن في الآونة الأخيرة، أصبحت هذه البيانات أكبر وأكثر تعقيدًا من أي وقت مضى، ويعود ذلك بشكل كبير إلى الذكاء الاصطناعي. فليس الأمر مجرد زيادة في كمية البيانات المُغذّاة إلى أنظمة إدارة دورة حياة البيانات، بل إن أدوات الذكاء الاصطناعي تُنتج محتوى جديدًا بسرعة فائقة.
تتناول هذه المقالة أفضل 5 DSPM أفضل الممارسات التي ينبغي على المؤسسات التركيز عليها للحفاظ على الرؤية المستمرة، وتمكين التصنيف والتصنيف السياقي الدقيق، وإعطاء الأولوية لمعالجة المخاطر عبر بياناتها وأصول الذكاء الاصطناعي الخاصة بها.
أفضل 5 DSPM أفضل الممارسات
1. توسيع نطاق تغطية اكتشاف البيانات عبر بيئات البيانات المتنوعة
ضع في اعتبارك DSPM حلٌّ شاملٌ لا يُقصّر في التغطية. يجب أن يُوفّر الحلّ القويّ اكتشافًا واسعًا للبيانات، لا يقتصر على البيئات التي تثق بها فحسب، بل يشمل أيضًا تلك التي تتجاهلها. يجب أن تمتدّ التغطية لتشمل جميع السحابات العامة، وسحابات البيانات، والسحابات الهجينة (مثل GCP وAWS). Azure بيئات البرمجيات كخدمة (Slack، Jira، Salesforce، Workday)، وأنظمة البيانات المتدفقة، وأدوات الذكاء الاصطناعي (Vertex AI، Amazon (Bedrock أو Mistral)، ومخازن البيانات المحلية. كلما اتسعت الشبكة، تحسنت الرؤية للمؤسسة والمخاطر المرتبطة بها.
من الأمور الضرورية الأخرى التي يجب مراعاتها وتيرة عمليات المسح. لا ينبغي أن يكون اكتشاف البيانات الحساسة مشروعًا لمرة واحدة، بل على العكس، يجب أن يكون عملية مستمرة. يجب رصد أي تغيير في بنية البيانات، مثل إضافة مخزن بيانات جديد يحتوي على بيانات حساسة أو تغيير في الصلاحيات، فور حدوثه. هذا يقلل من احتمالية مرور أي مخاطر محتملة دون ملاحظة.
2. إعطاء الأولوية لتصنيف البيانات المراعي للسياق
تميل محركات التصنيف التي تعتمد بشكل كبير على أنماط أو تعابير نمطية محددة مسبقًا إلى إغراق فرق العمل بنتائج إيجابية خاطئة كثيرة. على سبيل المثال، من المرجح جدًا أن يعامل تعبير نمطي بسيط يكتشف رقم الضمان الاجتماعي المكون من تسعة أرقام (SSN) النمط نفسه في أي معرفات معاملات على أنه حساس، وبالتالي يصنفه على أنه خطر أمني.
حديث DSPM يجب أن تُعطي الحلول الأولوية للتصنيف المدعوم بالذكاء الاصطناعي والمراعي للسياق، والذي يوفر رؤية أفضل للبيانات، مثل تحديد مالكها، والإطار التنظيمي المطبق عليها، وما إذا كانت ذات أهمية فعلية أم زائدة عن الحاجة. ويتجاوز التصنيف المدعوم بالذكاء الاصطناعي مجرد مطابقة الأنماط البسيطة، إذ يستفيد من خوارزميات الذكاء الاصطناعي/التعلم الآلي وآليات قابلة للتخصيص لتوسيع قدرات الكشف.
ينبغي لمحركات التصنيف الحديثة أن تعتمد على تقنيات الضبط بالذكاء الاصطناعي لتحسين دقة التصنيف دون الحاجة إلى إعادة المسح بشكل مستمر. ويستفيد ضبط التصنيف المدعوم بالذكاء الاصطناعي من نتائج التصنيف، مثل النتائج الإيجابية والسلبية الخاطئة، لتحسين الدقة باستمرار.
3. تحديد أولويات المخاطر بناءً على الارتباط، وليس بناءً على عدد التنبيهات
لا تُعدّ درجات المخاطر الفردية ذات أهمية كبيرة، إذ إنها تُؤدي فقط إلى إرهاق فرق المعالجة بكثرة التنبيهات. في الواقع، يُشير تقرير جوجل المعياري لمعلومات التهديدات إلى أن 82% من قادة تكنولوجيا المعلومات والأمن السيبراني يخشون تفويت التهديدات الأمنية المحتملة بسبب الكم الهائل من التنبيهات والبيانات. ويزداد التحدي صعوبةً عندما يتبين أن معظم التنبيهات عبارة عن إنذارات خاطئة. ويُفيد استطلاع SANS لهندسة الكشف بأن ارتفاع معدلات الإنذارات الخاطئة (64%) يُعدّ من بين التحديات التقنية الشائعة التي تواجه أدوات الكشف الخارجية.
من خلال تقييم المخاطر بناءً على مزيج من حساسية البيانات، وضوابط الوصول، ومسارات التعرض، وهويات الأجهزة، والبنية التحتية، وأنظمة الذكاء الاصطناعي، والمتطلبات التنظيمية، DSPM تُنتج الأدوات تنبيهات بشأن المخاطر المركبة، مما يُتيح إشارات أفضل، واستجابة أسرع، وعبء تشغيلي أقل. حديثة DSPM تجمع الحلول بيانات وصفية غنية لإنشاء مخطط معرفي شامل يوفر نطاقًا كاملاً للمخاطر الأكثر أهمية. ونتيجة لذلك، تُعطي فرق الأمن الأولوية للتهديدات الأكثر خطورة التي تتطلب اهتمامًا فوريًا.
4. توسيع نطاق وضع أمن البيانات ليشمل خطوط أنابيب الذكاء الاصطناعي وسير العمل
يجب أن يشمل الوضع الأمني لأي مؤسسة كلاً من البيانات وسير عمل الذكاء الاصطناعي، إذ لا يُعدّ أمن البيانات والذكاء الاصطناعي مشروعين منفصلين. فعندما يُدخل موظف بيانات حساسة إلى أداة ذكاء اصطناعي غير مصرح بها (الذكاء الاصطناعي الخفي)، تفقد المؤسسة السيطرة على بياناتها، وتصبح تحت سيطرة جهة خارجية. وقد أشارت شركة IBM إلى ذلك في تقريرها "تكلفة اختراق البيانات 2026" ، حيث ذكرت أن الذكاء الاصطناعي الخفي أحد العوامل الشائعة التي ظهرت في 43% من الاختراقات الأمنية. كما أشار تقرير آخر إلى أن سبعة من كل عشر مؤسسات تعرضت للاختراق تفتقر إلى سياسة حوكمة لسير عمل الذكاء الاصطناعي.
لا يقتصر التحدي المتمثل في إدارة المخاطر المرتبطة بالذكاء الاصطناعي على تسريب الموظفين، سواء عن قصد أو غير قصد، للبيانات الحساسة إلى أنظمة إدارة التعلم. في الواقع، مع ازدياد استخدام وكلاء الذكاء الاصطناعي، تضاعفت المخاطر بشكل كبير، حيث يصل هؤلاء الوكلاء إلى البيانات بطرق تتجاوز ضوابط الأمان التقليدية. وقد أظهرت أحدث الدراسات الاستقصائية أن اثنتين فقط من كل خمس مؤسسات تطبق سياسات صارمة للتحكم في الوصول إلى البيانات والذكاء الاصطناعي.
حديث DSPM يجب أن توفر الحلول ذكاءً اصطناعياً بالإضافة إلى الذكاء السياقي لتعزيز شبكة معارفها. يوفر جرد شامل لأدوات الذكاء الاصطناعي في المؤسسة، مع ربطها بأنظمة البيانات، وتدفقات البيانات الحساسة، وسياسات الوصول، والإرشادات التنظيمية، رؤى بالغة الأهمية حول تدفقات البيانات إلى أنظمة الذكاء الاصطناعي، أو أي من وكلاء الذكاء الاصطناعي يصل إلى بيانات لا ينبغي لهم الوصول إليها. علاوة على ذلك، من خلال سياسات تصنيف فعّالة، يمكن للمؤسسات الحدّ من وصول أدوات الذكاء الاصطناعي، مثل Copilot وGemini، إلى البيانات الحساسة.
5. فرض تقليل البيانات لإزالة البيانات التي لا تحتاجها
إن حذف البيانات التي لا تحتاجها ليس فقط أرخص وسيلة للتحكم في أمان البيانات، بل هو أيضاً القدرة الأقل استخداماً. DSPM تُشكل البيانات المكررة في بيئات الإنتاج، والبيانات القديمة المخزنة في نسخ احتياطية منتهية الصلاحية، أو البيانات البسيطة المستوردة نتيجةً لعملية دمج قبل عامين، قنبلة موقوتة لا تؤثر فقط على تكلفة التخزين، بل تُعرّض الأنظمة للغرامات وتزيد من احتمالية الاختراق. في الواقع، قد تُقوّض هذه البيانات فعالية أدوات الذكاء الاصطناعي، مما يؤدي إلى نتائج غير دقيقة في الذكاء الاصطناعي العام بسبب البيانات القديمة أو غير ذات الصلة.
DSPM تُعدّ الأدوات مثاليةً للحصول على رؤية شاملة للبيانات الزائدة والقديمة وغير المهمة. وتستطيع الحلول الحديثة مركزة مخزون البيانات عبر البيئات المختلفة بكفاءة، وتحديد البيانات القديمة بناءً على سمات البيانات الوصفية مثل العمر والنشاط، والاستفادة من الذكاء الاصطناعي لاكتشاف البيانات المكررة، وإنشاء سياسات مخصصة لتقليل حجم البيانات.
والنتيجة: تقليل المخاطر، وتقليل تكاليف التخزين، وتحسين وضع الامتثال.
خاتمة
DSPM ليست أداة تجميلية، بل عنصر أساسي في منظومة أمن البيانات الحديثة. من شأن أفضل الممارسات المذكورة أعلاه أن تمنح المؤسسات ميزة تنافسية، وتمكّنها من اكتساب رؤى معمقة حول البيانات الحساسة وشفافية الذكاء الاصطناعي، وتعزيز اكتشاف المخاطر ومعالجتها، والامتثال المستمر للوائح التنظيمية.
اطلب عرضًا تجريبيًا لترى كيف Securiti يحوّل مخاطر البيانات والذكاء الاصطناعي إلى مصدر لميزتك التنافسية مع الشركة الرائدة DSPM حل.
الأسئلة الشائعة (FAQs)
