近年来,由于互联网的普及以及上网人数的增长,人们网络活动产生的数据量也呈现了爆发性地增长。大数据在为各行各业的发展提供帮助和价值的同时,也给信息安全带来了新的挑战。特别是在一些企业和各类机构中,对于大量流入流出的数据,如何确保流量都是安全的,是一个非常重要的问题。而数据溯源技术,就是这样一个追溯数据的来龙去脉的技术,这对于各类组织的数据保护和机密信息流通控制也是非常有帮助的。数据溯源是一个相对较新的研究领域,主要是记录特定数据的传播途径,并在事后做到可追溯的一种服务功能。它作为企业信息安全控制的重要功能,一直以来面临着与高昂的管理成本冲突的尴尬。因此本文提出了一种全新的数据溯源算法,尝试通过主动监听企业内部流量数据的方式,并通过协议还原算法还原出文档内容,归档后根据结果来记录传播路径,从而破除传统的数据溯源技术所具有的瓶颈。为了适应大数据时代,数据量大,吞吐量大的特点,本文还在提出了新的算法之后,将算法迁移至了大数据流计算平台Flink上。依托Flink优秀的分布式特性实现灵活的调度,配置和可扩展性,保证了稳定而可靠的数据溯源实现。流程上,通过在关键节点设置抓包节点,采集流量数据,并将数据通过消息中间件投放到流处理系统中。流处理系统首先负责还原文件,最后将文件交给特征提取模块。特征提取模块对文件分析完成后落地到存储,等待数据溯源请求比对。