📚 课程目录第4章敏感数据类型全景

第4章敏感数据类型全景：PII、PHI、金融信息、业务秘密的识别要点

做数据分类分级，第一步就是搞清楚：到底哪些数据算敏感？

很多人一上来就扔正则表达式，恨不得把所有字段都扫一遍。但说实话，识别规则的前提是理解业务场景。同一个字段，在不同上下文里，敏感等级可能差很远。

这一章我把敏感数据分成四大类——PII、PHI、金融信息、业务秘密。每类的识别要点、典型字段、合规压力，全给你摆清楚。

核心观点：没有万能规则。识别敏感数据必须结合“字段语义 + 业务上下文 + 法规属地”。

PII 指能直接或间接识别到特定自然人的信息。说白了，姓名、身份证号、手机号、邮箱、住址、生物特征甚至设备指纹，都算。

我记得有一次帮一家电商做数据盘点，发现他们的订单表中存了完整的身份证号，而且居然没加密。我问负责人为什么存，他说“历史原因”……你想想看，一旦泄露，GDPR 罚款能干到全球营业额的 4%。

我的个人习惯：识别 PII 时不要只看字段名。字段名叫“user_remark”但里面存了身份证号的情况，我遇到过不下五次。一定要做内容采样分析。

避坑指南：我曾经在数据湖里发现一个“匿名化”日志表，里面竟然有完整的手机号。原来开发把脱敏逻辑写成了 SELECT LEFT(phone,3) + '****' + RIGHT(phone,4)，但实际存储的是明文。记住：脱敏必须在写入前完成，不能依赖下游处理。

PHI 指与个人健康相关的信息。按 HIPAA 的定义，包括病历、诊断、治疗方案、检验报告、保险号、基因数据等。只要跟医疗服务沾边，就算。

我参与过一个医疗上云的项目，刚开始客户说“我们没有 PHI”。结果我扫了一遍数据库，发现 ETL 中间件里缓存了完整的患者就诊记录。嗯，那之后客户再也不敢说“没有”了。

PHI 常见类别	识别要点	典型字段示例
患者基本信息	姓名 + 医疗记录号	patient_name, mrn
诊断信息	ICD 代码 + 临床描述	diagnosis_code, clinical_notes
检验结果	实验室值 + 参考范围	lab_value, test_result
支付信息	保险计划 + 索赔号	insurance_id, claim_number
基因数据	DNA 序列 / 变异位点	gene_sequence, variant_call

识别 PHI 有个难点：很多字段本身不是 PHI，但只要跟医疗上下文结合，就变成了 PHI。比如一个字段叫“record_date”，在普通系统里只是时间戳；但在医疗系统里，它标识了患者就诊时间，配合其他字段就能定位到个人。

金融信息包括信用卡号、银行账户、交易记录、证券信息、保险单等。PCI DSS 标准要求保护持卡人数据，SOX 法案关注财务报告准确性。

我的经验是：金融信息的识别不能只看卡号格式（比如 16 位数字）。我一个朋友的公司，数据库里存了完整的银行转账记录，业务说“只要不用来支付就不算敏感”。结果被审计找上门，因为任何可用于金融欺诈的信息都受监管。

避坑指南：我曾经在日志文件中发现完整的信用卡号。原因是支付网关的回调日志里打印了 PAN。那之后我们立即加了一条规则：所有对外输出的字段，必须经过脱敏中间件。记住：日志就是敏感数据的重灾区。

业务秘密（商业机密）不太受固定格式限制。可能是源代码、算法模型、客户名单、定价策略、财务报表、专利文档。没有统一的正则表达式，只能靠上下文和文档分类。

我遇到过一次：客户把核心算法跑在云端 K8s 集群上，结果一个实习生不小心把环境变量打印到了 GitHub……代码不敏感，但环境变量里包含了数据库连接串和生产环境的模型权重路径。你想想看，这算不算业务秘密？当然算。

识别业务秘密的关键是文档分类 + 访问权限。如果一个文档被标记为“内部机密”，或者只允许特定部门访问，那大概率是业务秘密。

注意：很多企业把业务秘密存在公有云对象存储上，但权限配置成“公开读”。我见过某公司直接把定价 Excel 放在一个公共链接里，任何人都能下载。所以识别业务秘密时，必须同时检查存储权限。

为了让你一眼看明白，我整理了一个对比表。这个表我会经常在项目交付时拿来跟客户对齐认知。

第4章 敏感数据类型全景：PII、PHI、金融信息、业务秘密的识别要点