📚 课程目录第4章特征数据分级分类

4、特征数据分级分类：敏感数据识别、数据分级标准与标签体系

数据分级分类这件事，说实话，是特征平台安全里最容易被低估的一环。我见过不少团队，一上来就搞权限模型、搞加密，结果连自己手里有哪些敏感数据都说不清楚。你想想看，连敌人在哪都不知道，这仗怎么打？

我个人习惯把分级分类比作「数据安全的基石」。没有它，后面的权限策略、脱敏规则、审计追踪，全都是空中楼阁。今天我们就来聊聊，怎么把这块基石打扎实。

4.1 为什么非做不可？

先讲个我自己的经历。几年前我参与过一个金融风控特征平台的项目，上线第一天就被安全部门叫停了。原因很简单——特征表里混着用户的身份证号、银行卡号，但权限策略只分了「读」和「写」两级。结果一个做运营的同学，不小心把整张表导出到了本地。

嗯，这就是典型的分级缺失问题。没有分级，你就没法回答三个核心问题：

哪些数据需要重点保护？——敏感数据识别
保护到什么程度？——分级标准
怎么标记和管理？——标签体系

说白了，分级分类就是给数据做「安检」。不同级别的数据，走不同的通道，享受不同的待遇。

4.2 敏感数据识别：先找到「金子」和「地雷」

敏感数据识别，是分级分类的第一步。我常用的方法分三种：

4.2.1 基于规则的识别

这是最直接的方式。写正则表达式，匹配常见的敏感数据模式。比如：

# 身份证号（中国大陆 18 位）
^[1-9]\d{5}(18|19|20)\d{2}(0[1-9]|1[0-2])(0[1-9]|[12]\d|3[01])\d{3}[\dXx]$

# 手机号（中国大陆）
^1[3-9]\d{9}$

# 银行卡号（16-19 位数字）
^\d{16,19}$

我在项目中遇到过一个问题：正则匹配的误报率其实不低。比如一段文本里恰好出现了 18 位数字，但它根本不是身份证号。所以后来我加了一层校验——比如身份证号要校验最后一位校验码，手机号要校验号段归属地。

我的建议：规则识别适合做第一道筛子，但别完全依赖它。配合上下文分析，准确率能提升不少。

4.2.2 基于机器学习的识别

当数据量大了以后，纯规则就有点吃力了。这时候可以上 NLP 模型，做命名实体识别（NER）。比如用 BERT 微调一个模型，专门识别特征列名、特征描述里的敏感信息。

我曾经在一个电商特征平台上试过，模型能识别出「用户最近30天消费金额」这种列名里隐含的「消费金额」是敏感信息。虽然模型训练成本高，但长期来看，维护成本比规则低。

4.2.3 基于样本标注的识别

还有一种取巧的办法：让业务方先标注一批样本。比如让产品经理圈出哪些特征列涉及 PII（个人身份信息），然后拿这些标注去训练一个分类器。说白了，就是「人机协作」——人负责定性，机器负责规模化。

4.3 数据分级标准：定好「红黄绿」

识别出敏感数据之后，下一步就是定级。我一般把数据分成四个级别，参考了金融行业的标准，但做了一些简化：

级别	名称	典型数据	访问控制要求
L4	极度敏感	身份证号、银行卡号、密码、生物特征	仅限特定角色 + 动态脱敏 + 全量审计
L3	高度敏感	手机号、邮箱、家庭地址、消费记录	按需申请 + 静态脱敏 + 抽样审计
L2	一般敏感	用户昵称、设备型号、城市信息	默认脱敏 + 可申请原始数据
L1	非敏感	商品ID、类目、时间戳、聚合统计	无需特殊管控

这里要注意一点：分级不是一成不变的。同一个特征，在不同场景下敏感度可能不同。比如「用户年龄」在推荐场景下是 L2，但在信贷场景下可能就是 L3。所以分级标准要支持「场景化覆盖」。

我曾经踩过的坑：一开始把分级写死在代码里，结果业务方要调整级别，得走两周的发布流程。后来我改成配置中心动态下发，级别变更秒级生效。记住，分级标准是活的，别把它做成死的。

4.4 标签体系：给数据打上「身份证」

分级标准定好了，怎么落地到每个特征上？答案就是标签体系。我给每个特征列打上元数据标签，标签里包含分级信息、敏感类型、数据来源等。

一个典型的特征标签结构长这样：

{
  "feature_name": "user_id_card",
  "data_level": "L4",
  "sensitive_type": "PII_ID_CARD",
  "data_source": "user_profile_table",
  "owner_team": "user_team",
  "mask_rule": "保留前6后4",
  "audit_required": true,
  "expire_at": "2025-12-31"
}

标签体系的好处是：权限引擎可以直接读取标签，自动决定是否脱敏、是否审计、是否允许导出。我习惯把标签存储在元数据中心，特征平台启动时加载到内存，查询时走本地缓存，性能基本没损耗。

4.5 整体流程：一张图说清楚

下面这张图，是我在项目中实际用过的分级分类流程。从数据接入到标签落地，一共五个步骤：

流程看起来简单，但每个环节都有细节。比如第②步敏感识别，我建议先跑一轮全量扫描，把历史数据都过一遍。第④步标签生成后，一定要做一轮人工抽检，防止机器误判。

4.6 避坑指南：我踩过的几个坑

最后分享几个实战中容易踩的坑，希望能帮你省点时间：

坑一：分级粒度太粗。 我曾经只分了三档，结果 L3 的数据量占了 80%，等于没分。后来我加了 L2+、L3- 这样的子级，才把粒度控制好。
坑二：标签只打一次。 数据是会变的。今天是非敏感的特征，明天可能因为业务调整变成敏感。所以标签要有版本号和过期时间，定期重新扫描。
坑三：忽略特征组合的敏感性。 单个特征可能不敏感，但几个特征组合起来就能定位到个人。比如「年龄 + 性别 + 邮编」就能大概率确定一个人。这种组合敏感度，我建议在标签里加一个 combination_risk 字段来标记。

核心要点回顾：

敏感数据识别：规则 + 模型 + 样本标注，三种方法配合使用
分级标准：L1-L4 四级，支持场景化覆盖
标签体系：元数据标签驱动权限策略，动态生效
流程闭环：接入 → 识别 → 分级 → 打标 → 联动策略

分级分类这件事，做得好是「润物细无声」，做得不好就是「定时炸弹」。我个人觉得，花 30% 的精力在分级分类上，能省掉后面 70% 的安全运维成本。这笔账，怎么算都划算。