2. 合规生产环境的数据资产梳理

在合规生产环境中，数据资产梳理不是一次性的“盘点动作”，而是后续分类分级、敏感数据识别、访问控制、脱敏加密、审计留痕与性能优化的共同底座。若资产边界不清，策略就会落在错误对象上：该保护的字段未识别，不该加密的大宽表被全量加密，最终既增加合规风险，也拖慢查询与写入。本节围绕“数据分类分级方法、敏感数据识别技术、资产地图构建”三条主线，说明如何把资产梳理做成可执行、可复核、可被后续策略消费的工程任务。

一、先定义资产对象与梳理边界

数据资产的最小对象不应只到“库”或“表”，而应细化到数据源 → 库/模式 → 表/集合 → 字段 → 数据行样本。生产环境中常见对象包括：关系型数据库（MySQL、PostgreSQL、Oracle）、大数据存储（Hive、HDFS、对象存储）、消息队列（Kafka）、缓存（Redis）、日志与埋点文件、以及对外接口返回的数据。梳理前先确定边界：是只覆盖核心交易库，还是包含数仓、ODS、DWD、ADS 全链路；是否包含备份、快照、测试脱敏副本。边界不同，后续分级与策略覆盖范围完全不同。

建议为每个资产建立统一标识，例如 src=mysql-order; db=order_prod; table=t_order; column=user_phone。该标识将作为分类分级标签、敏感识别结果、资产地图节点和策略下发对象的共同主键，避免同一字段在不同系统中被重复命名、重复判断。

二、数据分类分级方法：先分类，再定级

分类解决“是什么”，分级解决“有多重要”。分类可按业务域划分，如用户身份、交易支付、物流地址、设备信息、运营统计；分级则依据泄露、篡改、滥用后的影响程度，通常分为公开、内部、敏感、核心四级。实际落地时，建议采用“业务域 + 数据形态 + 影响面”三维判断：业务域决定归属，数据形态决定识别方式（结构化字段、半结构化 JSON、非结构化文本），影响面决定级别高低。

例如，用户手机号属于用户身份域，泄露后可定位到自然人，定为敏感级；身份证号与银行卡号组合后可直接用于盗刷，定为核心级；商品名称与库存数量属于运营统计域，泄露影响有限，定为内部级。分级不是永久标签，当字段用途变化（如日志中的手机号被用于风控画像）时，应触发重新评估。

三、敏感数据识别技术：规则、校验与采样结合

敏感数据识别不能只靠字段名。生产系统中常见 phone、mobile、tel、contact 等多种命名，也存在字段名无关但内容敏感的情况。推荐采用“字段名匹配 + 内容正则 + 校验算法 + 采样统计”四层组合。

第一层字段名匹配：维护同义词词典，如手机号对应 phone、mobile、tel、contact；身份证对应 id_card、identity、cert_no。第二层内容正则：手机号 ^1[3-9]\d{9}$，身份证 ^\d{17}[\dXx]$，银行卡 ^\d{16,19}$。第三层校验算法：身份证校验码、银行卡 Luhn 校验，可显著降低误报。第四层采样统计：对每列抽取 1000 行，统计命中率，命中率超过阈值（如 80%）才判定为敏感字段，避免因单行测试数据误判。

-- 示例：对 t_order 的 user_phone 列做采样命中率统计
SELECT
  COUNT(*) AS total,
  SUM(CASE WHEN user_phone REGEXP '^1[3-9][0-9]{9}$' THEN 1 ELSE 0 END) AS hit,
  SUM(CASE WHEN user_phone REGEXP '^1[3-9][0-9]{9}$' THEN 1 ELSE 0 END) / COUNT(*) AS hit_rate
FROM (
  SELECT user_phone FROM t_order ORDER BY id LIMIT 1000
) t;
-- 判定：hit_rate >= 0.8 且 total >= 100，标记为敏感字段

识别结果应写入敏感数据目录，字段包括：资产标识、字段名、识别规则、命中率、判定级别、识别时间、复核人。对于误报和漏报，需保留人工复核入口，因为生产数据形态复杂，纯自动识别无法覆盖全部场景。

四、资产地图构建：把分散结果连成可查询网络

资产地图不是一张静态图片，而是可查询的元数据网络。其节点包括数据源、库、表、字段、标签、负责人、策略；边包括“包含”“流向”“引用”“复制”“授权”。构建步骤为：采集元数据 → 绑定分类分级标签 → 关联敏感识别结果 → 标注数据流向 → 形成可查询接口。地图应能回答：某核心字段出现在哪些表、哪些下游任务、哪些接口；某张表被哪些策略覆盖；某次策略变更会影响哪些资产。

五、为后续安全与性能策略提供依据

资产梳理的产出必须能被策略消费，否则只是文档。分级结果直接决定加密强度：核心级字段采用强加密与独立密钥，敏感级采用脱敏或令牌化，内部级可仅做访问控制。敏感类型决定审计粒度：手机号、身份证、银行卡的查询与导出应记录操作人、时间、SQL 与返回行数。资产地图中的流向边则用于判断性能影响：若某核心字段被多个下游任务高频引用，全量加密会导致计算开销上升，此时应优先在存储层加密、在计算层使用脱敏视图，或对非必要任务改为读取脱敏副本。

需要强调的是，资产梳理结果应版本化。每次表结构变更、字段新增、下游任务调整，都应触发增量识别与地图更新。只有保持资产地图与生产环境同步，分类分级和敏感识别才不会迅速失效，后续的安全与性能策略才能持续建立在真实、可追踪的数据资产之上。