敏感数据定义与分类

聊到敏感数据识别，第一步得搞清楚：到底什么算敏感？我见过不少团队一上来就扔模型，结果连标注标准都没对齐，找回来的数据一堆假阳性。说白了，你不是在识别敏感数据，你是在猜。这节课咱们就把地基打扎实。

什么是敏感数据？

敏感数据，就是一旦泄露、滥用或者被未授权访问，会对个人、组织甚至国家安全造成损害的信息。你想想看，金融账户、病历、身份证号，这些东西丢了可不是闹着玩的。

从法律和行业标准来看，敏感数据的定义通常围绕三个维度：识别性（能不能直接或间接找到人）、敏感性（涉及隐私、安全、商业秘密）、合规性（法规要求保护）。

我个人习惯把敏感数据分成三大类：个人身份信息（PII）、财务信息、医疗健康信息。当然还有其他，比如企业机密、生物特征，但这三类是 NLP 模型最常见的战场。

常见分类标准

不同法规、行业有自己的分类方式。它们之间有重叠，也有差异。做 NLP 敏感数据识别，你得知道自己跟着哪套规则走。

标准/法规	适用范围	主要分类
GDPR（欧盟）	所有处理欧盟居民数据的企业	个人数据、特殊类别数据（种族、政治观点、生物特征、健康等）
CCPA（加州）	在加州经营的企业	个人信息（姓名、邮箱、社保号、地理位置、购买历史等）
PCI-DSS	支付卡行业	持卡人数据（卡号、有效期、CVV、磁条数据）
HIPAA（美国）	医疗保健行业	受保护健康信息（病历、诊断、治疗记录、保险信息）
ISO 27001	通用信息安全	按保密性、完整性、可用性分级（内部、机密、绝密）

你看，每个标准侧重点不一样。GDPR 把“种族和政治观点”算特殊类别，PCI-DSS 则盯着银行卡号。做 NLP 模型时，你得先选好分类体系，然后才能标注——不然模型学出来的东西，边界是糊的。

PII（个人身份信息）

PII 是 NLP 敏感数据里最常见的对手。它分两种：直接标识符（姓名、身份证号、电话号码）和准标识符（邮编、年龄、性别、职业）。单个准标识符可能不敏感，但组合起来就能唯一锁定一个人。我在项目中遇到过：光看邮编和出生日期，就能匹配出 87% 的人口记录。你以为脱了敏？其实没有。

• 直接标识符： 姓名、身份证号、护照号、社保号、手机号、邮箱、生物识别数据（指纹、人脸）。
• 准标识符： 性别、出生日期、邮政编码、民族、职业、学历、收入范围。
• 行为数据： 浏览记录、搜索词、购物清单、位置轨迹。

财务信息

财务数据是另一个重点区域。NLP 模型经常处理银行流水、交易记录、催收文本、合同。里面藏着大量敏感字段。

• 银行卡号（PAN）、有效期限、CVV
• 银行账户号码、路由号码
• 交易金额、货币类型、交易时间
• 贷款合同、信用评分、债务信息
• 对账单、收入证明、纳税记录

这里面有个坑：很多财务文本里会夹带「客服备注」「审批意见」这类自由文本。我曾经碰过一个项目，客户要求识别所有包含金额的句子。结果模型把“您的余额多少元”全标红了，连“我们收了客户50元手续费”这种业务叙事都不放过。泛化过头了。你要定义清楚：只有和具体个人或账户绑定的金额才叫敏感财务数据。

医疗健康信息

医疗 NLP 是敏感数据识别里最难的一块。因为医疗文本里充满了非结构化描述——医生笔记、影像报告、会诊记录，里面的姓名、日期、医院名可能藏在自然语言里，模式变化多。

类型	示例	NLP 挑战
个人标识	患者姓名、亲属姓名、主治医生	拼写变体、缩写、昵称
联系方式	电话、邮箱、地址	与普通文本混写（“请拨打 123-456-7890 预约”）
日期	出生日期、就诊日期、手术日期	多种格式（2024/01/01，Jan 1st, 2024，01-01-2024）
诊断/病历	疾病名称、检查结果、用药记录	同义词、缩写（HTN = 高血压）、自动编码（ICD-10）

我个人习惯，对医疗 NLP 项目，第一步先做 PHI 实体识别（受保护健康信息），而不是直接塞进分类模型。先用规则+词典兜底，再用序列标注模型处理复杂上下文。我在一个远程诊疗项目里试过，纯规则召回率只有 68%，加上 BERT-CRF 后提到 95%。但规则能拦住大部分简单情况，减少模型误判。

其他常见敏感数据

除了上面三大类，还有一些值得关注：

• 身份认证信息： 密码、PIN 码、安全问题答案、。
• 企业机密： 源代码、财务报告、客户名单、战略规划（NLP 处理内部文档时常见）。
• 未成年人数据： COPPA（美国儿童在线隐私保护法）对 13 岁以下信息有额外限制。
• 生物特征： 指纹、虹膜、声纹、人脸特征向量（非图片本身）。

嗯，这里要注意：不同国家和地区对“敏感”的定义差异很大。你把中国个人信息保护法（PIPL）和欧盟 GDPR 对比看，PIPL 把“个人行踪轨迹”也划进去了，而 GDPR 没有单独列出。做全球化产品时，建议按最大合规集合来标注。

知识体系总览

下面这张图把本章的核心脉络串起来了。它从敏感数据分类出发，按照法规和行业标准，展开到 PII、财务、医疗以及其他类型。标注 NLP 模型时，你可以按这个框架定义你的标签体系。

这个分类图你应该经常参考。每次做 NLP 标注前，拿着它核对一遍你的标签集有没有漏掉关键类别。举个真实例子：我给一个国际银行做文本敏感数据识别，一开始只按 PCI-DSS 标，结果漏了一堆 GDPR 的“种族推理”信息——模型把客户投诉里的“来自XX族裔”全漏了，合规一查直接翻车。

总结一下

敏感数据定义不是死标准，它是法规、行业、场景三方博弈的结果。你作为 NLP 工程师，得学会先定义再标注。

• 先把 PII、财务、医疗三大板块搞清。
• 对照你所在业务适用的法规，选择最严格的分类。
• 建一个内部标签体系，把直接标识符和准标识符分开。
• 别忘了“组合推理”攻击——单个字段不敏感，拼起来可就敏感了。