第4章 常见敏感数据类型详解
你得先搞清楚自己要保护什么。不然安全策略就像没地图的导航——白忙活。我遇到过不少团队，一上来就问“用什么工具做识别”，我反问“你先告诉我你想找什么数据”，结果他们自己都说不全。
其实常见的敏感数据类型就那么几类，但每类里的子型多得吓人。咱们一个一个看。
4.1 个人身份信息
个人身份信息（PII）是最容易被忽略的重灾区。你以为只有“姓名+身份证号”才算？错了。我见过一个项目把用户昵称、设备指纹、IP地址全当普通数据存着，结果法规审计直接亮红灯。
常见的PII子类型：
- 直接标识：姓名、身份证号、护照号、社保号
- 间接标识：手机号、邮箱、家庭地址、出生日期
- 准标识：性别、邮政编码、职业（组合后可定位到个人）
我的经验：判断一条数据算不算PII，别只看单个字段。把几条数据拼起来能锁定一个人，那它就是敏感数据。我记得有一次，一个日志表里只存了“年龄+性别+居住城市”，原本没人当回事，结果拿外部数据库一关联，5%的记录能直接反查出具体人名——吓得连夜改策略。
4.2 财务数据
财务数据不只是银行卡号。你可能想不到，保险保单、交易流水、税务信息统统算。而且财务数据常常和PII混在一起，识别时要格外小心。
| 子类型 | 典型字段 | 识别难点 |
|---|---|---|
| 支付凭证 | 信用卡号、CVV、有效期 | 格式多样，可能被截断存储 |
| 账户信息 | 银行账号、证券账号 | 常与业务ID混淆 |
| 交易记录 | 金额、时间、商家 | 大量非结构化文本中掺杂 |
避坑指南：我曾经在查某电商数据库时发现“订单备注”字段里明文存了信用卡后四位——开发为了方便客户核对写的。但按法规，后四位加上发卡行信息就能被用来做绑卡验证，属于敏感数据。所以别只看字段名，要扫内容。
4.3 医疗健康数据
医疗健康数据在国外叫PHI（受保护健康信息），在国内法规里明确划归“个人敏感信息”。这类数据一旦泄露，后果非常严重——不光是隐私问题，还可能涉及生命健康歧视。
- 诊疗记录：病历、处方、检验报告
- 健康状态：体检指标、既往病史、过敏史
- 基因数据：基因序列、遗传风险（生物特征里也会提）
我参与过一个医疗SaaS平台的识别工作。最难的不是找“诊断结果”，而是那些藏在医生备注里的自由文本，比如“患者自述偶尔头晕”——这种语境化的数据，正则根本抓不到。后来我们加了NLP模型才搞定。
核心要点：医疗数据往往有强约束的格式（如ICD-10编码），但更多情况是自由文本。单纯靠关键词匹配会漏掉70%以上。必须搭配上下文分析。
4.4 生物特征数据
指纹、人脸、虹膜、DNA……这些数据一旦泄露，你没法像改密码一样换掉。所以识别生物特征数据时，优先级要提到最高。
常见的类型：
- 生理特征：指纹、人脸图像、虹膜扫描、掌纹
- 行为特征：声纹、步态、键盘敲击模式
- 遗传特征：DNA、基因片段
我的习惯：部署识别规则时，我会把生物特征数据列为一个独立字典。因为很多系统明明在做人脸识别，却把采集的照片当作普通图片存进CDN——这是大忌。我记得有个客户把用户自拍头像不加任何标记就扔进对象存储，结果被安全团队发现后紧急撤下。
识别这类数据时，图像文件头特征、EXIF信息里的相机型号有时能帮大忙。但最靠谱的还是业务字段名（如“face_template”）。
4.5 位置信息
位置信息越来越被重视——因为它是“时空人”三维关联的关键拼图。坐标点、基站ID、IP归属地、Wi-Fi MAC嗅探，每一个都可能暴露用户行踪。
- 精确位置：GPS坐标、经纬度、海拔
- 模糊位置：LBS基站编号、IP地理编码
- 轨迹数据：运动轨迹、签到记录、住宿订单
说白了，位置数据的识别难点在于“粒度”。一条“北京市海淀区”是不敏感的，但换成“海淀区中关村南大街5号”就可以直接定位个人。我建议你至少定义两个阈值：城市级不处理，街道级必须标记。
我曾经踩过的坑：有次做打车业务的数据扫描，发现订单表里存了“上车点经纬度”，但开发觉得这是业务数据不需要保护。结果我拿经纬度反向查出了一位明星的住址，第二天就上报了。所以位置数据千万别心软。
五类数据都讲完了。你可能会问：这么多类型，先盯哪个？我个人建议，按风险排序：生物特征 > 医疗健康 > 财务数据 > 个人身份信息 > 位置信息。但实际还要看你业务里哪类数据最多——一家地图公司肯定优先管位置信息。
嗯，记住一个原则：不知道是不是敏感数据的，先当敏感数据处理。宁可误报，不可漏报。你想想看，漏一条关键数据，后果可能是法规罚款加品牌翻车，哪个都扛不住。