面对多样化的业务服务和日益严重的安全威胁，为了构建全面的安全管控平台，需要集成更多的安全防控系统，这也会产生大量的数据。 如何更好地利用平台数据，提高整体安全管控能力，对数据进行智能分析尤为重要。
智能数据分析是应用大数据技术、机器学习、模式识别等智能算法，根据不同业务场景分析数据，提供更高效的智能管理。
基于大数据、机器学习等技术，实现了资产信息、用户行为、监控数据、设备日志、网络流量等数据的智能分析，实现了异常风险分析、根本原因分析、智能审计、智能运维、智能分析等。
1）异常风险分析，包括：
日志异常检测：基于日志聚类、模式识别、机器学习等技术和算法，检测异常日志和潜在风险。
异常行为分析：建立行为基线，关联用户和资产行为，利用机器学习等算法，发现严重偏离基线的可疑异常行为。
威胁攻击监控：基于网络流量，应用机器学习等人工智能技术和算法，回顾性分析异常网络行为，并将其与威胁情报和行为模型进行匹配，以发现潜在的安全威胁和未知网络攻击。
2）根本原因分析：对于告警或异常事件，结合资产与业务的关系，应用决策树、关联分析等智能算法，定位问题根源，有效缩短故障解决时间。
3）智能审计：针对运维会话和历史审计记录，应用大数据和机器学习算法，通过分析字符命令和用户行为，形成规则库，通过匹配规则库，判断运维操作命令和操作行为是否正常，从而根据最终审计结果对运维会话进行智能审计和更新规则库。
4）智能运维：对于监控系统触发的告警或事件信息，通过压缩策略、智能算法、知识图谱等手段对告警或事件信息进行处理，确定故障根源。与运维知识库相比，一方面可以提供运维建议，缩短问题解决时间。 另一方面，它可以在特定场景触发运维方案，自动恢复故障，将恢复结果反馈给运维人员，事后对故障进行审查和存储知识，形成智能运维闭环。
5）智能化：依托大数据分析和机器学习能力，建立业务场景故障模型，基于历史告警的关联性进行关联分析和深度学习。同时，结合监控系统获取的实时数据，对IT故障进行趋势分析，对未来可能发生的告警进行预警，实现故障智能化。
未来，SICAP将基于大数据，以算法为支撑，以场景为导向，进行深入研究，从而实现智能数据分析在风险评估、智能响应等更多场景中的应用，构建更加智能的开放式安全管理平台。