课程目录 · 全部课程 · 原始 PDF

安全信息管理与数据分析：第 191–200 页

安全信息管理与数据分析 课堂笔记
信息系统安全与保密
• 数据与信息安全保密：未经授权人员不得直接访问数据，需采取安全保密机制，
确保访问者获得授权
• 软件安全： 包括编码、 源代码、 文档 （程序设计说明书、 可行性报告、 设计报告、
总结分析报告等）
• 硬件设备安全：涉及登录授权，未经授权人员不得直接打开运行计算机
• 运行安全：保证系统运行过程中的安全
引起信息系统安全性问题的原因
• 自然现象及电源不正常： 电源不稳定、 突然停电掉电， 导致软硬件损坏、 数据损
坏（如硬盘损坏、文件破坏，尤其在写入时掉电）
• 操作失误：误操作（如将添加误为删除） ，严重时可能导致磁盘格式化
• 病毒侵扰：病毒导致软硬件和数据破坏，需做好杀毒防护，也包括黑客攻击
• 人为破坏：利用授权进入系统，故意删除、覆盖数据（如报复行为）
Study Notes 191 / 207 先看条件，再套公式

安全信息管理与数据分析 课堂笔记
维护措施
• 依据法规制定严密的信息系统安全和保密制度：不涉密人员不授权，接触保密
数据者须获授权，并记录登录账号、时间等日志
• 制定信息系统损害恢复规程：明确系统遭自然或人为破坏时的恢复方案与具体
步骤，具有应急恢复性质
定义
文件删除与恢复原理：计算机删除文件时并未覆盖文件内容，只是断开文件表
头 （目录链） ， 使系统无法找到数据位置。 恢复软件通过扫描磁盘找到对应文件
并恢复。彻底删除则用 0 或 1 覆盖文件保存区域，使其无法恢复，但操作较慢、
费时。
• 配备齐全的安全设备： 稳压电源、 电源保护装置， 保证电压稳定， 避免读写故障
及突然停电
• 设置切实可靠的系统访问控制机制：包括系统功能选用、数据读写权限、用户
身份确认
– 文件管理可分开设置读写权限（如 Windows 中只开放读权限，不允许写、删
除）
系统安全运行要求（续）
• 配合操作系统权限分布，在应用系统中对用户权限进行分配
• 做好数据备份：数据库管理系统一般自带备份功能，主数据库文件打开时对应
有备份文件，主文件出错时可用备份文件覆盖恢复
• 重要数据需异地备份（容灾备份） ，防止机房火灾等导致硬件与数据全部丢失无
法恢复
• 保密数据由专人保管，数据一旦失窃由专人负责，其他人无接触机会
Study Notes 192 / 207 先看条件，再套公式

安全信息管理与数据分析 课堂笔记
系统评价的内涵与目的
• 系统评价是对安全管理信息系统性能进行全面评估、检查、测试、分析和评审
• 将实际运行指标与计划指标比较，确定目标实现程度
• 对系统建成后产生的效果进行全面评估
系统评价的内容
• 检查系统目标、功能及各项指标是否达到设计要求，满足用户要求的程度
• 检查系统质量是否达到要求
• 检查系统各种资源利用程度（人力资源、物质资源、软硬件资源）
• 检查系统使用效果
• 通过评审分析找出系统薄弱环节，提出修改意见，使系统更完善
Study Notes 193 / 207 先看条件，再套公式

安全信息管理与数据分析 课堂笔记
系统评价指标
• 经济指标：系统费用、系统收益、系统后备需求的规模与费用（投入产出方面）
• 性能指标：可靠性、效率、可维护性、有效性、实用性、可扩充性、一致性、保
密性、安全性
• 管理指标：用户对系统操作管理和运行状况的满意度、外部环境对系统的评价、
领导及管理人员对系统的态度
定义
一致性： 指系统可以从一个平台移植到另一个平台 （如从Windows 移植到 Linux
或 macOS） ，在不同系统平台上运行应用。
企业职业安全管理信息系统
• 面向企业应用， 涉及系统目标与设计思想、 可行性、 开发必要性、 现行系统调查
分析、总体规划
• 总体规划将企业分为决策层、管理层、作业层
例
管理层功能：目标管理、教育管理、法规查询、安全检查管理、事故统计分析、
事故预测。决策层功能：提供模型库、文字库等决策支持。作业层功能：基础
数据库、基本操作模块。
• 基于企业公用计算机网络（企业内网）
• 系统分析基于职业安全健康管理体系， 将其要素 （一级要素、 二级要素） 作为开
发依据
企业安全管理信息系统功能模块
• 设计实施包含功能模块： 数据管理、 安全教育管理、 安全目标管理、 安全检查管
理、事故预测、事故统计分析、安全决策、安全法规查询、系统维护
• 事故预测借助综合评价、投资评价等决策功能，作为决策层提供
职业安全卫生管理功能
• 包含： 风险评价与控制、 日常安全项目检查、 职工健康监护、 健康教育、 促进隐
患整改与反馈、事故处理、应急救援、安全技术措施工程
• 组织体系架构涉及监管企业单位管理层级：政府部门、企业主体、企业领导小
Study Notes 194 / 207 先看条件，再套公式

安全信息管理与数据分析 课堂笔记
组、职业健康方针、车间班组等
数据库设计（企业职业安全健康管理体系）
• 数据库分为主库、代码库、库存库
• 主库包含： 职工健康卫生档案库、 法律法规库、 行业标准库、 隐患整改情况数据
库、隐患整改定期设备检查数据库、工伤事故资料库、重要文件库
• 采用各自独立性的层次结构（层次数据库、关系数据库）
市政工程安全管理信息系统
• 针对市政施工单位的管理模式， 包含系统目标、 可行性分析、 调查分析、 总体规
划
• 结构划分： 施工设备管理、 人员管理、 设施管理、 伤亡事故管理、 公众信息服务
管理、决策支持
• 信息资源管理平台作为基础数据库，包含子系统：安全信息服务子系统、办公
自动化子系统、信息处理子系统
政府安全生产管理信息系统
• 为政府服务，包含系统目标、设计思想、可行性分析
• 组织框架从上到下：国家级、省一级、地市级、区县一级、乡镇一级
• 安全生产基础数据库：企业信息库、重大危险源库
• 掌握网络系统、硬件系统、通讯系统和备份系统
注意
政府内网与外网的区别：内网（接入层、门户网站、申报登记、许可受理、数
据采集）仅供政府内部访问；外网可访问外部，用于视频调度、监测预警、应
急救援等。
政府系统支撑平台
• 安全认证平台
• GIS 平台（地理信息系统） ：针对危险源、运输车辆定位、企业地理位置坐标
• 事故模拟：模拟火灾爆炸后果，作为政府指挥决策依据
• 数据采集平台：数据来自企业、下一级单位
• 数据交换：各层级政府间数据交换
政府系统建设目标
• 总体目标：安全生产数据中心、公共信息服务平台、基础设施和安全支撑平台
• 系统包括：重大危险源监督管理信息系统、应急救援指挥系统、安全许可管理
系统、执法管理监管、事故统计分析、协同办公、视频会议系统
• 分期目标（前期） ：全省重大危险源监督管理信息系统、应急救援指挥系统、安
全许可、安全执法等
重大危险源动态监管控管理系统
• 重大危险源数据采集由企业向上级逐级上报
• 事故现场图片采集涉及现场视频监控系统，需上传重大危险源安全保障系统数
据
Study Notes 195 / 207 先看条件，再套公式

安全信息管理与数据分析 课堂笔记
企业安全事故管理信息系统开发过程
• 面向企业应用， 包含模块： 职工安全健康管理、 工伤事故管理、 安全措施计划管
理
数据字典设计
• 数据字典定义系统所需数据，涉及人事部门、车间、科室等管理功能
• 数据载体包括档案登记表、计划书等，需放入数据库完成相关功能
• 虚线框表示功能框，实线表示文件或输出
例
职工伤亡事故登记表数据字典示例：包含单位、姓名、性别、年龄、工种、工
龄等字段，使用代码编号。
数据处理说明
• 职工伤亡事故登记：产生数据库后填报数据表
• 分析报表： 每个统计周期 （每月、 每季度、 每年末） 根据数据库统计输出工伤事
故报表
• 按事故类别、 原因、 工种、 性别等关键字段分类分析， 输出直方图、 饼图等图形
数据库结构设计
• 定义库中字段、字段类型（字符型、数字型、日期型） 、字段宽度、长度、小数
位数、字段含义
• 定义一条记录包含的字段、占用字节数
• 输入输出设计：确定输出样式与输入样式
课程安排说明
• 考试安排在第 14 周（原定 13 周，为多给一周复习调整至 14 周）
• 共 12 个组、35 人，组员自行确定选择哪个系统开发题目并统计
Study Notes 196 / 207 先看条件，再套公式

安全信息管理与数据分析 课堂笔记
11 月 10 日
课程导论与内容框架
• 本课为安全信息管理与数据分析的导论部分，介绍数据分析的基本概念、流程、
工具与进阶应用
• 课程内容分为六部分： 数据分析概览、 数据分析流程、 数据工具与技术基础、 数
据分析进阶技术及应用、学习路径和资源、安全领域数据分析应用
数据分析的定义
定义
数据分析是通过系统化的方法收集、清洗、转换、建模大量数据样本，提取有
效信息并形成结论的过程，是决策支持的关键工具。
• 收集：获取原始数据
• 清洗：筛除缺失、不符合常理的数据，保留符合要求的数据
• 转换：将数据转化为可比较、可分析的形式
• 建模：通过回归（线性、多元、多次）等建立数据模型
• 应用： 如采集现场人员不安全行为数据， 找出常见行为、 易治理行为， 指导决策
与干预
数据分析的价值
• 从数据中挖掘规律
• 预测趋势
• 优化流程
• 降低风险
数据分析的关键特征
• 以数据为基础
• 以问题为导向
• 注重逻辑推理和实证分析
• 兼具定量与定性方法
例
安全领域的风险常为定性描述（高度风险、中度风险） ；若定量化，则通过函数
量化事故影响范围、财产损失、人员伤亡等。
数据分析的发展阶段
• 传统统计阶段： 针对随机样本分析数据特征， 如班级成绩的最高分、 最低分、 中
位数、分布态势，涉及期望值、方差等概念
• 数据库/数据仓库阶段：以数据库形式长期积累大量数据，借助 Tableau 等工具
生成图表，辅助讲述数据故事
• 大数据智能阶段：结合云计算、分布式计算、机器学习、AI 融合与实时分析
例
双 11 期间京东、 淘宝基于大数据智能分析，向用户推送感兴趣的商品，激发消
费预期，提升销售。
Study Notes 197 / 207 先看条件，再套公式

安全信息管理与数据分析 课堂笔记
数据分析的核心能力体系
• 专业知识基础：统计学、数学（线性代数、微积分） 、计算机科学等底层知识
• 工具掌握：Excel、Python（数据处理包） 、R 语言、Tableau、Power BI、SQL 结
构化查询语言、机器学习平台
• 行业理解：熟悉行业业务流程，将业务问题转化为分析问题
• 呈现与协作：通过数据故事化呈现结果，具备跨部门协作与决策建议能力，实
现分析价值落地
例
R 语言为免费公开程序，内含大量数据处理包，常用于数据分析岗位；Tableau
有免费公共版与收费商业版。
数据分析与相关领域的关系
• 解决数据关系：如科研实验中找出各因子权重的主次关系
• 商业智能：分析销售数据，找出商品、 区域、 客户年龄、 性别之间的关联，指导
销售策略
• 数据工程：负责数据基础设施建设与数据管道构建，确保数据质量与可访问性；
数据分析专注于数据价值提取，两者构成数据价值链的上下游关系，缺一不可
例
国家” 东数西算” 工程： 在贵州等西部地区利用低廉电力与溶洞散热条件建设数
据中心，服务东部经济发达地区的应用需求。
数据分析流程：问题定义与目标设定
• 明确业务问题背景和分析目标
• 将业务需求转化为可执行的分析问题
• 制定分析计划与成功衡量指标，确保分析方向与业务价值一致
注意
业务问题目标需遵循 SMART 原则： 具体的 （Specific） 、 可衡量的 （Measurable） 、
可实现的（Achievable） 、相关的（Relevant） 、有时限的（Time-bound） ，避免陷
入” 为分析而分析” 的误区。
数据分析流程：数据收集与预处理
• 从多元渠道获取相关数据（内部数据源、外部数据源）
• 进行数据清洗：筛除不合要求数据、去除重复、补缺纠错
• 进行数据转换：统一量制与标准，增强可比性
• 进行数据集成：构建适合分析的数据集
注意
数据收集和预处理阶段约占项目工作量的 60%，是数据分析中最耗时的环节。
数据分析流程：分析建模与结果解读
• 分析方法包括：描述性分析、诊断性分析、预测性/规范性分析
• 通过统计模型和算法提取数据
• 结合业务背景解读分析结果，形成可落地的决策建议
Study Notes 198 / 207 先看条件，再套公式

安全信息管理与数据分析 课堂笔记
例
典型分析问题：如何提高销售转化比？某项目是否适合在该地区落地？
分析方案设计
• 根据分析目标选择适当分析方法和数据需求
• 制定详细分析计划与时间轴，明确各阶段交付物与质量要求
• 按工程管理概念推进，以里程碑节点明确各阶段目标，确保项目有序推进与资
源合理分配
数据采集：数据来源
• 内部数据源：企业积累的数据库、日志文件、CRM 系统等
• 外部数据源：公开数据集、API 接口、第三方数据服务公司提供的数据集
数据质量评估的五个维度
• 完整性
• 准确性
• 一致性（格式和定义统一）
• 时效性
• 唯一性
数据质量提升方法
• 通过自动化校验规则减少录入错误
• 建立数据质量监控指标体系
• 采用数据清洗工具处理异常值
例
身份证号码校验规则： 前17 位与最后一位满足特定函数关系， 确保编码符合要
求，防止随意输入。
缺失值处理方案
• 剔除：直接删除含缺失值的记录
• 填充：用均值、回归等方法补全
• 插值：在两个上下限之间插入中间值，避免偏差过大
数据清洗的核心技术
• 重复数据识别与删除：数据库二维表中不允许存在重复记录
• 异常值检测与修理
• 缺失值处理：均值填充、回归填充、多重插补
特征工程方法
• 特征选择：去除冗余变量
• 特征变换：归一化、对数转换，将数据转化为符合标准的形式
例
高考标准分转换：将卷面实际分按正态分布转换为标准分，使不同年份、不同
难易程度的试卷成绩具有可比性，且历年分布规律稳定。
Study Notes 199 / 207 先看条件，再套公式

安全信息管理与数据分析 课堂笔记
数据集成与数据规约
• 数据集成：对多元数据通过关联合并、连接操作实现集成
• 数据规约：通过降维技术和抽样方法减少数据量，提高分析效率
探索性分析：单变量分析
• 针对单个变量进行描述，如一门课程的成绩
• 常用指标：均值、中位数、标准差、方差
• 识别数据分布特征（正态分布或偏态） 、中心趋势、离散度，判断数据是否良好
聚合
例
评委打分时去除最高分和最低分，以降低个别评委打分过高或过低的影响，这
也是一种数据处理方法。
双变量与多变量分析
• 通过散点图建立两个变量之间的关联，如车身重量与百公里油耗的关系
• 利用日历图、交叉表探索多变量之间的相互影响
• 例：语文成绩与数学成绩的关联——阅读理解能力强，对数学应用题理解更深，
成绩往往更好
• 变量间关系可概括为正相关/负相关、强相关/弱相关
常用可视化工具
• Python：Matplotlib 等绘图数据包
• R 语言：ggplot2 工具
• 用于对图形做可视化分析
描述性分析
• 运用统计指标描述数据特征与变化趋势： 频数、 比例、 均值、 增长率、 数字可视
化
• 回答” 发生了什么”
• 例：各区域销售占比用饼图表示；每月销售额用折线图或柱状图对比
• 例：安全事故起数、伤亡人数按年绘制柱状图，直观看出随年份的变化趋势
诊断性分析
• 通过对比分析（横向、纵向、标杆对比）下钻到细分维度
• 结合因素分析、主成分分析，区分主要因素与次要因素
• 回答” 为什么会发生”
例
某零售企业销售下滑诊断：通过区域、产品、客户多个维度比较，结合市场环
境对比，发现核心原因是竞争对手促销活动以及自身供应链延迟，而非整体市
场萎缩。
预测性分析
• 采用时间序列模型，基于过去和现在预判未来
• 预测连续变量：用时间序列模型，形成函数关系
• 预测离散结果：用分类算法（逻辑回归、决策树）
• 建立预测置信区间、可信度及模型评估指标
Study Notes 200 / 207 先看条件，再套公式

下一段