数据安全分级分类技术实现：从自动识别到脱敏联动

GB/T 43697-2024《数据安全技术 数据分类分级规则》于 2024 年 10 月正式实施，标志着数据分级分类从行业自律上升为国家标准强制要求。该标准将数据划分为核心数据、重要数据和一般数据三个层级，一般数据又可进一步细分为 4 级、3 级、2 级参考框架。对金融、医疗、能源等高合规行业而言，手动维护分级分类已不现实——企业面对的是数以亿计的数据字段和持续增长的数据源，必须依靠自动化技术来完成分级识别和策略联动。

自动分级的技术架构

一个完整的数据分级分类系统通常由四层组成。

数据资产梳理层：自动扫描和盘点数据资产，形成资产清单。覆盖关系型数据库（MySQL、Oracle）、大数据平台（Hive、HDFS）、消息队列（Kafka）和 BI 报表系统。这是分级的前提——你无法对"看不见"的数据做分级。

敏感数据识别层：核心引擎，决定分级的准确率。通过多种技术手段自动识别数据中的敏感信息，输出每个字段的敏感类型标签（如"身份证号"、"银行卡号"、"疾病诊断"）。

分级判定层：根据识别结果，结合数据规模、数据用途、影响对象等分级要素，按照 GB/T 43697-2024 的规则确定数据级别。

策略联动层：将分级结果与脱敏、加密、访问控制等安全策略联动，实现分级保护的闭环。

敏感数据识别的三大技术路线

路线一：基于规则与正则表达式

最成熟、部署最快的方案。通过预定义的正则模式匹配结构化数据中的敏感字段——例如身份证号的 18 位格式、手机号的 11 位格式、银行卡号的 16-19 位格式。

优势：准确率高（在规则覆盖范围内接近 100%）、执行速度快（毫秒级）、不依赖训练数据。

局限：只能识别格式化的敏感数据，对非结构化数据（如自由文本中的地址信息、医疗报告中的疾病描述）无能为力。维护成本随规则数量增长——金融行业的敏感数据类型可能超过 240 种，每增加一种新类型都需要人工编写和测试规则。

路线二：基于 NLP 与机器学习

利用自然语言处理技术识别非结构化和半结构化数据中的敏感信息。核心思路是将字段名、字段注释、数据样本作为语义输入，通过预训练模型判断数据的业务含义和敏感程度。

关键技术：基于 Transformer 架构的文本分类模型，训练数据来自行业标准文档和标注数据集。例如，输入字段名"患者诊断"和数据样本"高血压 II 级"，模型可以判断该字段属于"疾病诊断"敏感类型。

准确率与效率：成熟的 NLP 方案在结构化数据上的识别准确率可达 95% 以上，人工干预减少约 90%。某实践中，安恒信息的 AiMask 系统通过 NLP 与深度学习结合，支持 24 大类 240 余种脱敏算法，敏感数据自动识别准确率超过 99%。

局限：需要行业标注数据进行微调；对罕见数据类型的泛化能力有限；推理延迟（秒级）高于正则方案。在百亿级数据量下，处理延迟需要特别关注——建议优先选择支持增量计算的方案，避免全量扫描的性能瓶颈。

路线三：大模型辅助识别

2025 年以来，越来越多的厂商开始将大语言模型（LLM）引入敏感数据识别环节。核心优势在于泛化能力——大模型可以处理传统规则和 NLP 模型都难以覆盖的场景：存储过程中的动态 SQL、自定义 Python 脚本中的数据引用、以及跨表拼接后的衍生敏感字段。

全知科技的 Data-Sec LLM 智能体在某金控集团的实践中，通过知识图谱增强的 LLM 精准定位了 12 类"跨境重要数据"（如境外子公司财务数据、外籍客户信息），将合规审计时间从每月 5 天缩短至 1 天。

现实约束：大模型的推理成本较高，在大规模批量识别场景下需要权衡成本与收益。行业趋势是"正则打底 + NLP 主力 + LLM 兜底"的三层协同架构——正则快速过滤格式化数据，NLP 处理结构化表中的语义识别，LLM 攻克复杂场景的长尾问题。

标签体系设计

分级分类的结果需要通过标签体系来承载和管理。一个好的标签体系应满足以下设计原则。

分层结构：一级标签对应数据分类（如"个人信息"、"经营数据"、"技术数据"），二级标签对应敏感类型（如"身份证号"、"银行卡号"、"交易金额"），三级标签为可扩展的业务标签。这种分层结构既满足 GB/T 43697-2024 的合规要求，又支持业务层面的精细管理。

多维度标签：一个字段可以同时拥有多个维度的标签——安全维度（敏感级别）、业务维度（所属业务域）、管理维度（数据负责人、更新频率）。多维标签让分级结果能被不同角色（安全团队、数据团队、业务团队）从各自视角使用。

与元数据绑定：标签信息应存储在元数据管理平台中，与表和字段的元数据记录绑定。这样在资产目录中可以直接查看每个字段的分级标签，搜索时也可以按标签过滤。

脱敏策略联动

分级的最终目的是保护。分级结果与脱敏策略的联动是实现闭环的关键环节。

静态脱敏：将生产数据按照分级规则处理后，生成脱敏副本供开发测试使用。例如，银行核心系统的客户姓名、身份证号在导出到测试环境时，自动替换为保留统计特征的模拟数据。美创科技的方案支持 40 余种数据源和主流数据库，在国家电网、招商证券等机构落地应用。

动态脱敏：在数据访问时实时执行脱敏，而非提前处理。运维人员查询生产数据库时，系统根据其角色和数据分级自动决定哪些字段脱敏、脱敏到什么程度。动态脱敏从传统开发测试环境拓展至生产系统实时场景，核心交易系统需实现毫秒级响应。

策略编排：不同敏感级别对应不同的脱敏策略——例如一般个人信息（2 级）使用部分遮蔽（138****1234），敏感个人信息（4 级）使用哈希替换，核心数据使用不可逆加密。策略的编排需要支持按角色、场景、数据流向动态组合。

行业实践与落地建议

金融行业：跨境数据流动合规是重点场景。某股份制银行通过自动化打标准确率达 95% 的方案，精准定位客户交易数据中的"重要数据字段"（如跨境资金流水），满足银保监会和 GB/T 43697-2024 双重要求。能源行业在 2025 年发布的《能源行业数据安全管理办法（试行）》将非涉密能源数据分为一般、重要、核心三级，要求核心和重要数据处理者每年至少进行一次风险评估。

医疗行业：某省级医保局基于 GB/T 43697-2024 与 WS/T 787 双重标准，对 3.2 亿条医疗数据（电子病历、检查报告、医保结算记录）进行自动分级，识别患者身份证号、疾病诊断等敏感字段，联动脱敏系统实现"生产环境-测试环境"数据安全流转，人工复核量下降 78%。

误报率控制：传统规则引擎的误报率普遍高于 5%，生产环境中会带来大量无效的人工复核。智能平台需要将误报率控制在 0.3%-0.5% 以内。美创科技通过双 AI 模型协同校验，在金融风控场景中实现隐私泄露风险降低 92%。

分步落地：不建议一步到位覆盖全量数据。推荐的路径是：先盘点核心业务系统的数据资产，识别出敏感数据分布；然后针对高优先级数据（如客户信息、交易数据）部署自动分级和脱敏策略；最后逐步扩展到全量数据，并建立持续运营机制——包括定期的分级准确性审计、新数据源上线时的自动分级触发、以及行业标准更新时的规则同步。

数据分级分类不是一个"做完就结束"的项目，而是数据安全治理的基础设施。技术选型时，需要在准确率、覆盖率、性能和成本之间找到平衡点；落地时，需要将分级能力嵌入数据的全生命周期——从采集、存储、加工到共享、销毁，每个环节都有对应的分级策略在保护数据安全。