Datos digitales

Debido a su naturaleza, los datos en reposo son una preocupación creciente para las empresas, las agencias gubernamentales y otras instituciones. ^{[ 11 ]} Los dispositivos móviles suelen estar sujetos a protocolos de seguridad específicos para proteger los datos en reposo del acceso no autorizado cuando se pierden o son robados ^{[ 13 ]} y existe un reconocimiento creciente de que los sistemas de gestión de bases de datos y los servidores de archivos también deben considerarse en riesgo; ^{[ 14 ]} cuanto más tiempo permanezcan los datos sin usar en el almacenamiento, mayor será la probabilidad de que personas no autorizadas fuera de la red puedan recuperarlos.

El cifrado de datos , que impide la visibilidad de los datos en caso de acceso no autorizado o robo, se utiliza comúnmente para proteger los datos en tránsito y se promueve cada vez más para proteger los datos en reposo. ^{[ 15 ]} El cifrado de datos en reposo solo debe incluir métodos de cifrado robustos como AES o RSA . Los datos cifrados deben permanecer cifrados incluso cuando fallen los controles de acceso, como nombres de usuario y contraseñas. Se recomienda aumentar el cifrado en múltiples niveles. La criptografía puede implementarse en la base de datos que contiene los datos y en el almacenamiento físico donde se almacenan las bases de datos. Las claves de cifrado de datos deben actualizarse periódicamente. Las claves de cifrado deben almacenarse por separado de los datos. El cifrado también permite la destrucción criptográfica al final del ciclo de vida de los datos o del hardware. La auditoría periódica de datos confidenciales debe formar parte de la política y realizarse según un calendario establecido. Por último, solo se debe almacenar la cantidad mínima posible de datos confidenciales. ^{[ 16 ]}

La tokenización es un método no matemático para proteger los datos en reposo que reemplaza los datos confidenciales con sustitutos no confidenciales, denominados tokens, que carecen de significado o valor extrínseco o explotable. Este proceso no altera el tipo ni la longitud de los datos, lo que permite su procesamiento en sistemas heredados, como bases de datos que pueden ser sensibles a la longitud y el tipo de datos. Los tokens requieren muchos menos recursos computacionales para su procesamiento y menos espacio de almacenamiento en bases de datos que los datos cifrados tradicionalmente. Esto se logra manteniendo ciertos datos total o parcialmente visibles para su procesamiento y análisis, mientras que la información confidencial permanece oculta. Los menores requisitos de procesamiento y almacenamiento hacen de la tokenización un método ideal para proteger los datos en reposo en sistemas que gestionan grandes volúmenes de datos.

Otro método para prevenir el acceso no deseado a los datos en reposo es el uso de la federación de datos ^{[ 17 ]} especialmente cuando los datos se distribuyen globalmente (por ejemplo, en archivos extraterritoriales). Un ejemplo de esto sería una organización europea que almacena sus datos archivados fuera de sus instalaciones en los EE. UU. Según los términos de la Ley USA PATRIOT ^{[ 18 ]} , las autoridades estadounidenses pueden exigir acceso a todos los datos almacenados físicamente dentro de sus fronteras, incluso si incluyen información personal de ciudadanos europeos sin conexiones con los EE. UU. El cifrado de datos por sí solo no puede utilizarse para prevenir esto, ya que las autoridades tienen derecho a exigir la información descifrada. Una política de federación de datos que retenga la información personal de los ciudadanos sin conexiones extranjeras dentro de su país de origen (separada de la información que no es personal o que es relevante para las autoridades extraterritoriales) es una opción para abordar esta preocupación. Sin embargo, se puede acceder a los datos almacenados en países extranjeros mediante la legislación de la Ley CLOUD .

Debido a su naturaleza, los datos en uso son motivo de creciente preocupación para empresas, agencias gubernamentales y otras instituciones. Estos datos, o datos en memoria, pueden contener información confidencial, como certificados digitales, claves de cifrado, propiedad intelectual (algoritmos de software, datos de diseño) e información personal identificable . La vulneración de los datos en uso permite el acceso a datos cifrados, tanto en reposo como en tránsito. Por ejemplo, alguien con acceso a la memoria RAM puede analizarla para localizar la clave de cifrado de los datos en reposo. Una vez obtenida dicha clave, puede descifrar los datos cifrados en reposo. Las amenazas a los datos en uso pueden presentarse en forma de ataques de arranque en frío , dispositivos de hardware maliciosos, rootkits y bootkits.

El cifrado, que impide la visibilidad de los datos en caso de acceso no autorizado o robo, se utiliza comúnmente para proteger los datos en tránsito y los datos en reposo, y se reconoce cada vez más como un método óptimo para proteger los datos en uso. Se han realizado múltiples proyectos para cifrar la memoria. Los sistemas Microsoft Xbox están diseñados para proporcionar cifrado de memoria, y la empresa PrivateCore cuenta actualmente con un producto de software comercial, vCage, que proporciona atestación junto con cifrado completo de la memoria para servidores x86. ^{[ 22 ]} Se han publicado varios artículos que destacan la disponibilidad de procesadores comerciales x86 y ARM con seguridad mejorada. ^{[ 19 ] [ 23 ]} En ese trabajo, se utiliza un procesador ARM Cortex-A8 como sustrato sobre el que se construye una solución de cifrado de memoria completa. Los segmentos de proceso (por ejemplo, pila, código o montón) se pueden cifrar individualmente o en composición. Este trabajo marca la primera implementación de cifrado de memoria completa en un procesador comercial móvil de propósito general. El sistema proporciona protección de confidencialidad e integridad tanto para el código como para los datos, que se cifran en todo el espacio fuera del límite de la CPU.

Para sistemas x86, AMD cuenta con una función de cifrado de memoria segura (SME) introducida en 2017 con Epyc . ^{[ 24 ]} Intel ha prometido ofrecer su función de cifrado de memoria total (TME) en una próxima CPU. ^{[ 25 ] [ 26 ]}

Los parches del núcleo del sistema operativo, como TRESOR y Loop-Amnesia, modifican el sistema operativo para que los registros de la CPU se utilicen para almacenar claves de cifrado, evitando así su almacenamiento en la memoria RAM. Si bien este enfoque no es de propósito general y no protege todos los datos en uso, sí protege contra ataques de arranque en frío. Las claves de cifrado se almacenan en la CPU en lugar de en la RAM, protegiendo así las claves de cifrado en reposo contra ataques que podrían comprometerlas.

Los enclaves permiten proteger un “enclave” mediante cifrado en la RAM, de modo que los datos del enclave se cifran mientras están en la RAM, pero están disponibles como texto plano dentro de la CPU y la caché de la CPU. Intel Corporation introdujo el concepto de “enclaves” como parte de sus Software Guard Extensions . Intel reveló una arquitectura que combina software y hardware de CPU en documentos técnicos publicados en 2013. ^{[ 27 ]}

Varias herramientas criptográficas, como la computación multipartita segura y el cifrado homomórfico , permiten el procesamiento privado de datos en sistemas no confiables. Los datos en uso pueden ser manipulados mientras están cifrados, sin que el sistema que los procesa se entere.

La memoria de acceso aleatorio (RAM) almacena datos a los que la CPU tiene acceso directo. Una CPU solo puede manipular datos dentro de sus registros o memoria del procesador. Esto contrasta con el almacenamiento de datos, donde la CPU debe dirigir la transferencia de datos entre el dispositivo de almacenamiento (disco, cinta...) y la memoria. La RAM es una matriz de ubicaciones lineales contiguas que un procesador puede leer o escribir proporcionando una dirección para la operación de lectura o escritura. El procesador puede operar en cualquier ubicación de la memoria en cualquier momento y en cualquier orden. En la RAM, el elemento de datos más pequeño es el bit binario . Las capacidades y limitaciones del acceso a la RAM son específicas del procesador. En general, la memoria principal está organizada como una matriz de ubicaciones que comienza en la dirección 0 ( hexadecimal 0). Cada ubicación puede almacenar generalmente 8 o 32 bits, dependiendo de la arquitectura del ordenador .

Las claves de datos no tienen por qué ser una dirección de hardware directa en la memoria. Se pueden almacenar códigos de clave indirectos , abstractos y lógicos asociados a valores para formar una estructura de datos . Las estructuras de datos tienen desplazamientos (o enlaces o rutas) predeterminados desde el inicio de la estructura, donde se almacenan los valores de datos. Por lo tanto, la clave de datos consta de la clave de la estructura más el desplazamiento (o los enlaces o rutas) dentro de la misma. Cuando se repite dicha estructura, almacenando variaciones de los valores de datos y las claves de datos dentro de la misma estructura repetitiva, el resultado puede considerarse similar a una tabla , en la que cada elemento de la estructura repetitiva se considera una columna y cada repetición de la estructura se considera una fila de la tabla. En esta organización de datos, la clave de datos suele ser un valor en una (o una combinación de los valores de varias) de las columnas.

La representación tabular de estructuras de datos repetitivas es solo una de las muchas posibilidades. Estas estructuras pueden organizarse jerárquicamente , de modo que los nodos se vinculen entre sí en una cascada de relaciones padre-hijo. Los valores y, potencialmente, estructuras de datos más complejas se vinculan a los nodos. De este modo, la jerarquía nodal proporciona la clave para acceder a las estructuras de datos asociadas a los nodos. Esta representación puede considerarse como un árbol invertido . Los sistemas de archivos de los sistemas operativos modernos son un ejemplo común, al igual que XML .

Los datos presentan ciertas características inherentes al ordenarse por una clave . Todos los valores de los subconjuntos de la clave aparecen juntos. Al recorrer secuencialmente grupos de datos con la misma clave, o cuando cambia un subconjunto de la clave, esto se conoce en el ámbito del procesamiento de datos como un salto de línea o un control de salto . Esto facilita especialmente la agregación de valores de datos en subconjuntos de una clave.

Hasta la llegada de la memoria no volátil masiva como la memoria flash , el almacenamiento persistente de datos se lograba tradicionalmente escribiendo los datos en dispositivos de bloques externos como cintas magnéticas y discos duros . Estos dispositivos suelen buscar una ubicación en el medio magnético y luego leen o escriben bloques de datos de un tamaño predeterminado. En este caso, la ubicación de búsqueda en el medio es la clave de datos y los bloques son los valores de los datos. Los primeros sistemas de archivos de datos de disco sin procesar o sistemas operativos de disco reservaban bloques contiguos en el disco duro para los archivos de datos . En esos sistemas, los archivos podían llenarse, quedándose sin espacio de datos antes de que se hubieran escrito todos los datos en ellos. Por lo tanto, se reservaba mucho espacio de datos sin usar de forma improductiva para garantizar suficiente espacio libre para cada archivo. Los sistemas de archivos posteriores introdujeron las particiones . Reservaban bloques de espacio de datos en disco para las particiones y utilizaban los bloques asignados de forma más económica, asignando dinámicamente bloques de una partición a un archivo según fuera necesario. Para lograr esto, el sistema de archivos tenía que llevar un registro de qué bloques eran utilizados o no utilizados por los archivos de datos en un catálogo o tabla de asignación de archivos. Si bien esto permitió un mejor aprovechamiento del espacio de datos en disco, provocó la fragmentación de los archivos y una sobrecarga de rendimiento debido al tiempo adicional de búsqueda necesario para leer los datos. Los sistemas de archivos modernos reorganizan dinámicamente los archivos fragmentados para optimizar los tiempos de acceso. Los avances posteriores en los sistemas de archivos dieron lugar a la virtualización de las unidades de disco, donde una unidad lógica se puede definir como particiones de varias unidades físicas.

Recuperar un pequeño subconjunto de datos de un conjunto mucho mayor puede implicar una búsqueda ineficiente a través de los datos de forma secuencial. Los índices son una forma de copiar claves y direcciones de ubicación de estructuras de datos en archivos, tablas y conjuntos de datos, y luego organizarlas usando estructuras de árbol invertido para reducir el tiempo necesario para recuperar un subconjunto de los datos originales. Para hacer esto, la clave del subconjunto de datos que se va a recuperar debe conocerse antes de que comience la recuperación. Los índices más populares son el árbol B y los métodos de indexación de clave hash dinámica . La indexación supone una sobrecarga para archivar y recuperar datos. Hay otras formas de organizar los índices, por ejemplo, ordenar las claves y usar un algoritmo de búsqueda binaria .

La programación orientada a objetos utiliza dos conceptos básicos para comprender los datos y el software:

1. La estructura de rango taxonómico de las clases , que es un ejemplo de una estructura de datos jerárquica; y
2. en tiempo de ejecución, la creación de referencias a estructuras de datos en memoria de objetos que han sido instanciados desde una biblioteca de clases .

Solo después de la instanciación existe un objeto de una clase específica. Una vez que se borra la referencia a un objeto, este deja de existir. Las ubicaciones de memoria donde se almacenaban los datos del objeto se consideran basura y se reclasifican como memoria no utilizada disponible para su reutilización.

La llegada de las bases de datos introdujo una capa adicional de abstracción para el almacenamiento persistente de datos. Las bases de datos utilizan metadatos y un protocolo de lenguaje de consulta estructurado entre los sistemas cliente y servidor , que se comunican a través de una red informática , empleando un sistema de registro de confirmación en dos fases para garantizar la integridad de las transacciones al guardar los datos.

Las tecnologías modernas de persistencia de datos escalables y de alto rendimiento, como Apache Hadoop , se basan en el procesamiento de datos distribuido masivamente paralelo en múltiples computadoras estándar conectadas a una red de alto ancho de banda. En estos sistemas, los datos se distribuyen entre varias computadoras, por lo que cada computadora del sistema debe estar representada en la clave de los datos, ya sea directa o indirectamente. Esto permite diferenciar dos conjuntos de datos idénticos, cada uno procesado simultáneamente en una computadora diferente.