📚 课程目录第1章什么是敏感数据识别？为什么需要将识别结果导入DLP系统？

什么是敏感数据识别？为什么需要将识别结果导入DLP系统？

敏感数据识别，说白了就是给企业里的数据“贴标签”。

你想想，一家公司每天产生海量数据——客户姓名、身份证号、银行卡号、医疗记录、源代码……哪些能公开？哪些必须加密？哪些连复制都不行？没人说得清。

我个人的习惯是：把数据想象成家里抽屉里的东西。你总得先知道抽屉里是钱、是合同、还是旧照片，才能决定锁不锁、给谁看。敏感数据识别就是做这个“清点”工作。

  核心定义：敏感数据识别是通过规则、指纹、机器学习等手段，自动发现并标记数据中敏感信息类型（PII、PHI、PCI、知识产权等）的过程。

在做这个教程之前，我接触过不少客户。有一次，某金融客户说他们已经做了数据识别，结果一检查——他们把“身份证号”和“手机号”混在一起当“通用个人信息”处理。你猜后来怎么着？泄露了125万条客户数据，被罚了800万。

所以，识别不是简单地扫一遍，要识别得准、分得细、打得对标签。

简单说，就是一个元数据清单。每条记录都会标明：

我的一点经验：别只看置信度。有些场景下，哪怕置信度只有60%，也值得人工复核。比如，识别结果说某个字段是“信用卡号”，但实际是“客户会员卡号”——导进DLP后，所有包括这个字段的流量都会被拦截，业务直接瘫痪。我曾经就踩过这个坑。

直接原因很简单：DLP系统（数据防泄漏系统）自己不会识别数据。

DLP的核心能力是“执行策略”——监控网络流量、USB拷贝、邮件发送，然后判断是否违规。但判断的依据是什么？就是“这份数据是不是敏感数据”。如果DLP手里没有识别结果，它根本不知道哪些数据需要防。

我见过很多团队的做法：手动在DLP里写一大堆关键词规则。比如正则匹配身份证号、信用卡号。结果呢？

注意：不要依赖DLP内置的“内容检查引擎”做第一轮识别。它只能做简单规则匹配，无法像专用识别引擎那样做上下文分析、模糊匹配、加密检测。我见过有人把DLP的识别开关开到最大，结果系统CPU跑满，每天产生10万条告警——全是假的。

所以，标准的做法是：先用专门的敏感数据识别工具（如DLP数据发现模块、商业数据分类产品）把数据资产的“底牌”摸清楚，然后把这份结果结构化地导入DLP。DLP拿到后，就把它当作“白名单”或“黑名单”——比如：

嗯，这个过程像不像给保安队（DLP）发一张“小偷照片”（敏感数据识别结果）？没有照片，保安只能凭猜。

下面这张SVG图，你看一眼就能明白整个链条：

去年我帮某电商做DLP落地。他们之前已经用第三方工具做了数据识别，结果弄了个Excel表格存着，没导入DLP。DLP里只配了十几条关键词规则。

然后有一天，一个运维工程师把数据库备份文件通过FTP上传到公有云。按理说备份文件里全是客户身份证号+地址，DLP应该拦。但因为备份文件是.sql格式，里面的身份证号被反斜杠转义了（\"1101011990...\")，关键词规则根本匹配不到。文件直接泄露出去，两天后才被发现。

后来我帮他们把识别结果以JSON格式导入DLP，并配置了“凡字段类型为CN_ID_CARD的数据，即使被转义也要匹配”。同一批备份文件再次传输时，DLP直接拦截，触发红色告警。

避坑指南：导入格式尽量标准化。我见过有人导成CSV，列名是大写的“SENSITIVE_TYPE”，DLP却只认小写“sensitive_type”，结果导入失败，还没报错。建议用JSON或YAML，层级清晰，容错率高。

一句话总结：