干货 | 如何在UI设计中对页面进行信息脱敏

在数字经济大背景下,海量数据在各种信息系统上被存储和处理,其中包含大量有价值的敏感数据。其中产品中的信息脱敏是一项关键工作,它确保了用户的隐私安全。

今天,我们与AdBright 高级UI设计师一起来探讨如何在UI设计页面中做好信息脱敏工作。

UI设计在信息脱敏方面的工作是确保用户界面上的敏感信息得到妥善保护,以满足隐私法规和用户隐私保护的需求。隐私保护在移动端和PC端同样重要,只不过在不同设备上可能有不同的交互处理方式和考虑因素,基于这一点本次讨论内容不做设备区分,将从信息脱敏的类型及处理方式来阐述。

图片

个人身份信息

个人身份信息,包括真实姓名、生日、证件号(如身份证号、护照号、驾驶证号等)等所有与本人身份证明相关的信息,此类信息通常不能直接暴露给他人,常用于做身份验证确认。

常见的处理方式为*号隐藏,例如:

1)身份证号码4204**********8888,部分甚至只展示头尾1位数字,具体可视产品本身情况而定

2)微信转账的真实名称匹配确认:昵称(**天)

图片

身份证示例

图片

微信转账真实姓名确认

图片

通讯信息

通讯信息,包括电话号码、邮箱、社交账号等,其中个人手机号脱敏权重最高,脱敏方式也很常见,我们可能在日常使用美团点外卖、淘宝购物、快递面单等环节经常会遇到类似场景。

展示层通常为*号隐藏,如136****8888或136******88,目前较多场景为保护个人隐私,会配合虚拟号码(号码加密)的模式使用,呼出后对方显示为虚拟号码,无法回拨。

图片

联系美团骑手弹窗

图片

金融和支付信息

金融和支付信息主要包括:

1)账户余额,默认会***隐藏

2)银行账号、信用卡号、支票号码、薪资信息等,此类型信息通常会结合密码等二次验证功能一起设计,比如查看完整的银行卡号需要密码验证就是很常见的使用场景

图片

支付宝账户余额,默认隐藏

图片

查看完整银行卡号需二次验证

图片

登录和安全凭证

登录和安全凭证主要需注意密码的保密处理,常见的处理方式为,所有的密码输入都默认隐藏展示,如手机锁屏密码、平台账号登录密码、支付密码等。

图片

账号登录等密码输入默认隐藏

图片

敏感业务信息

敏感业务信息包括法律文件和合同、商业机密、客户数据、公司数据、员工情况等,这个在To B产品设计的场景中涉及会较多,在设计这类产品时,需特别注意加强数据权限控制,避免权限错漏导致信息泄露的问题。如果设计师对外呈现作品,这部分也是需要重点脱敏的部分,例如合作客户名称及其对应的合作数据等,均需模糊化处理,不能体现真实客户情况。

图片

其他个人信息

其他的个人信息,包括性别、GPS定位、种族、宗教信仰、政治观点、社交和人际关系信息等。这一类型的信息一般不强制做脱敏处理,但是需要给到用户权限可以自由决定是否隐藏或是否开放对应访问权限。例如,比较常见的是现在大部分的社交软件,都会给到用户权限去关闭访问记录、查看关注/粉丝列表等。

图片

图片

小红书个人隐私设置部分内容

综上所述,不论是移动端还是PC端,脱敏都是确保用户数据隐私的重要一环。在做产品设计时,关键是要了解哪些信息对用户和业务流程至关重要,哪些信息可以被隐藏或模糊化,以确保用户隐私得到妥善保护,同时保持系统的功能性和实用性。

另外,随着隐私法规的不断变化和用户对数据隐私的关注增加,UI设计师也需要时刻关注最新的隐私保护标准和对应设计方案,以确保产品界面能妥善处理用户信息。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: Spark Streaming 和 Flink 都是流处理框架,但在一些方面有所不同。 1. 数据处理模型 Spark Streaming 基于批处理模型,将流数据分成一批批进行处理。而 Flink 则是基于流处理模型,可以实时处理数据流。 2. 窗口处理 Spark Streaming 的窗口处理是基于时间的,即将一段时间内的数据作为一个窗口进行处理。而 Flink 的窗口处理可以基于时间和数据量,可以更加灵活地进行窗口处理。 3. 状态管理 Spark Streaming 的状态管理是基于 RDD 的,需要将状态存储在内存。而 Flink 的状态管理是基于内存和磁盘的,可以更加灵活地管理状态。 4. 容错性 Flink 的容错性比 Spark Streaming 更加强大,可以在节点故障时快速恢复,而 Spark Streaming 则需要重新计算整个批次的数据。 总的来说,Flink 在流处理方面更加强大和灵活,而 Spark Streaming 则更适合批处理和数据仓库等场景。 ### 回答2: Spark Streaming 和 Flink 都是流处理框架,它们都支持低延迟的流处理和高吞吐量的批处理。但是,它们在处理数据流的方式和性能上有许多不同之处。下面是它们的详细比较: 1. 处理模型 Spark Streaming 采用离散化流处理模型(DPM),将长周期的数据流划分为离散化的小批量,每个批次的数据被存储在 RDD 进行处理,因此 Spark Streaming 具有较好的容错性和可靠性。而 Flink 采用连续流处理模型(CPM),能够在其流处理过程进行事件时间处理和状态管理,因此 Flink 更适合处理需要精确时间戳和状态管理的应用场景。 2. 数据延迟 Spark Streaming 在处理数据流时会有一定的延迟,主要是由于对数据进行缓存和离散化处理的原因。而 Flink 的数据延迟比 Spark Streaming 更低,因为 Flink 的数据处理和计算过程是实时进行的,不需要缓存和离散化处理。 3. 机器资源和负载均衡 Spark Streaming 采用了 Spark 的机器资源调度和负载均衡机制,它们之间具有相同的容错和资源管理特性。而 Flink 使用 Yarn 和 Mesos 等分布式计算框架进行机器资源调度和负载均衡,因此 Flink 在大规模集群上的性能表现更好。 4. 数据窗口处理 Spark Streaming 提供了滑动、翻转和窗口操作等灵活的数据窗口处理功能,可以使用户更好地控制数据处理的逻辑。而 Flink 也提供了滚动窗口和滑动窗口处理功能,但相对于 Spark Streaming 更加灵活,可以在事件时间和处理时间上进行窗口处理,并且支持增量聚合和全量聚合两种方式。 5. 集成生态系统 Spark Streaming 作为 Apache Spark 的一部分,可以充分利用 Spark 的分布式计算和批处理生态系统,并且支持许多不同类型的数据源,包括Kafka、Flume和HDFS等。而 Flink 提供了完整的流处理生态系统,包括流SQL查询、流机器学习和流图形处理等功能,能够灵活地适应不同的业务场景。 总之,Spark Streaming 和 Flink 都是出色的流处理框架,在不同的场景下都能够发挥出很好的性能。选择哪种框架取决于实际需求和业务场景。 ### 回答3: Spark Streaming和Flink都是流处理引擎,但它们的设计和实现方式有所不同。在下面的对比,我们将比较这两种流处理引擎的主要特点和差异。 1. 处理模型 Spark Streaming采用离散流处理模型,即将数据按时间间隔分割成一批一批数据进行处理。这种方式可以使得Spark Streaming具有高吞吐量和低延迟,但也会导致数据处理的粒度比较粗,难以应对大量实时事件的高吞吐量。 相比之下,Flink采用连续流处理模型,即数据的处理是连续的、实时的。与Spark Streaming不同,Flink的流处理引擎能够应对各种不同的实时场景。Flink的实时流处理能力更强,因此在某些特定的场景下,它的性能可能比Spark Streaming更好。 2. 窗口计算 Spark Streaming内置了许多的窗口计算支持,如滑动窗口、滚动窗口,但支持的窗口计算的灵活性较低,只适合于一些简单的窗口计算。而Flink的窗口计算支持非常灵活,可以支持任意窗口大小或滑动跨度。 3. 数据库支持 在处理大数据时,存储和读取数据是非常重要的。Spark Streaming通常使用HDFS作为其数据存储底层的系统。而Flink支持许多不同的数据存储形式,包括HDFS,以及许多其他开源和商业的数据存储,如Kafka、Cassandra和Elasticsearch等。 4. 处理性能 Spark Streaming的性能比Flink慢一些,尤其是在特定的情况下,例如在处理高吞吐量的数据时,在某些情况下可能受制于分批处理的架构。Flink通过其流处理模型和不同的调度器和优化器来支持更高效的实时数据处理。 5. 生态系统 Spark有着庞大的生态系统,具有成熟的ML库、图处理库、SQL框架等等。而Flink的生态系统相对较小,但它正在不断地发展壮大。 6. 规模性 Spark Streaming适用于规模小且不太复杂的项目。而Flink可扩展性更好,适用于更大、更复杂的项目。Flink也可以处理无限制的数据流。 综上所述,Spark Streaming和Flink都是流处理引擎,它们有各自的优缺点。在选择使用哪一个流处理引擎时,需要根据实际业务场景和需求进行选择。如果你的业务场景较为复杂,需要处理海量数据并且需要比较灵活的窗口计算支持,那么Flink可能是更好的选择;如果你只需要简单的流处理和一些通用的窗口计算,Spark Streaming是更为简单的选择。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值