3. 数据分类分级：标准、识别方法与标签体系
数据分类分级，说白了就是给你的数据资产“上户口”。
我见过太多团队，一上来就搞脱敏工具、上加密算法，结果连自己手里有哪些敏感数据都说不清楚。嗯，这就像你装修房子，却不知道水电管线在哪——迟早要出问题。
这一章，我们就把分类分级这件事掰开揉碎。从合规标准到识别方法，再到标签体系设计，一条线串起来。
3.1 数据分类分级标准：GDPR 与等保 2.0
先聊标准。目前国内最绕不开的两个框架，一个是国际上的 GDPR，一个是国内的等保 2.0。
3.1.1 GDPR 的“敏感数据”定义
GDPR 把个人数据分成了两大类：
- 普通个人数据：姓名、邮箱、IP 地址、设备 ID 等。
- 特殊类别个人数据：种族、政治观点、宗教信仰、基因数据、生物识别数据、健康数据、性生活/性取向。
注意，GDPR 对特殊类别数据的处理有严格限制——原则上禁止处理，除非满足特定条件。我在项目中遇到过一家跨国药企，他们想把临床试验数据从欧洲回流到国内数据湖做分析，结果因为健康数据属于特殊类别，光合规论证就花了三个月。
3.1.2 等保 2.0 的“个人信息安全”要求
等保 2.0 在《个人信息安全规范》（GB/T 35273）里，把个人敏感信息定义为：一旦泄露、非法提供或滥用，可能危害人身和财产安全，极易导致个人名誉、身心健康受到损害或歧视性待遇的个人信息。
举个例子：身份证号、银行卡号、行踪轨迹、住宿信息、健康生理信息、交易记录等，都属于敏感信息。
核心差异点：GDPR 更强调“数据主体权利”，等保 2.0 更强调“安全保护义务”。前者是“你不能乱用我的数据”，后者是“你必须管好我的数据”。
我个人的习惯是，在数据湖项目中同时对标两个标准。如果业务涉及跨境数据流动，以 GDPR 为底线；如果只在国内运营，等保 2.0 就是硬杠杠。
3.2 敏感数据识别方法
标准有了，下一步就是识别。你想想看，数据湖里动辄几百 TB 的数据，人工翻一遍？不现实。
我常用的方法分三步走：
- 规则匹配：正则表达式 + 关键词库。比如身份证号（18 位数字 + 校验位）、手机号（1[3-9] 开头）、银行卡号（16-19 位数字）。
- 机器学习分类：用 NLP 模型对文本内容做语义分类。比如识别“病历”“诊断结果”这类非结构化文本中的敏感信息。
- 样本标注 + 人工复核：对算法识别结果做抽样验证。我曾经踩过一个坑——正则匹配把“123456789012345678”误判为身份证号，实际上那是测试数据。所以人工复核这步不能省。
避坑指南：我曾经在金融客户的数据湖里发现，他们的交易备注字段里藏着大量明文手机号。原因是业务系统把手机号写进了备注，而备注字段根本没进敏感数据扫描范围。所以，扫描范围一定要覆盖所有字段，包括备注、日志、JSON 里的嵌套字段。
下面这张图，是我在项目中常用的敏感数据识别流程：
3.3 数据标签体系设计
识别出敏感数据之后，怎么在数据湖里标记它们？靠标签。
标签体系设计，我总结了一个“三维度模型”：
| 维度 | 标签示例 | 说明 |
|---|---|---|
| 数据级别 | L1（公开）、L2（内部）、L3（敏感）、L4（绝密） | 按数据泄露后的影响程度分级 |
| 数据类别 | PII（个人身份）、PHI（健康）、PCI（支付）、财务 | 按数据类型分类，便于差异化脱敏策略 |
| 合规属性 | GDPR、等保2.0、CCPA、行业监管 | 标记数据适用的合规框架 |
举个例子，一条包含身份证号的用户记录，它的标签可能是：L3 | PII | 等保2.0。这样，脱敏引擎看到这个标签组合，就知道要用“保留前6后4”的规则，并且记录审计日志。
注意：标签体系不是一次设计就完事的。数据湖里的数据是动态的——新业务接入、老数据退役、合规要求更新，都会影响标签。我建议每季度做一次标签审计，清理过期标签，补充新标签。
3.3.1 标签的自动化打标
手动打标？几百张表，每张表几十个字段，打到你怀疑人生。所以必须自动化。
我常用的方案是：
- 元数据驱动：从 Hive Metastore / AWS Glue Catalog 读取字段名和注释，匹配关键词库自动打标。
- 数据采样：对每个字段采样 1000 条数据，用规则 + ML 模型判断敏感类型。
- 血缘传播：如果源表字段打了标签，下游视图、ETL 产出表自动继承标签。
下面是一个简单的标签继承示例：
-- 源表打标
ALTER TABLE source.user_info SET TAGS ('L3', 'PII', '等保2.0');
-- 下游视图自动继承（通过血缘解析）
CREATE VIEW analytics.user_profile AS
SELECT user_id, name, phone, email
FROM source.user_info;
-- 视图字段自动获得 L3 | PII 标签3.4 小结
分类分级是数据湖安全的基础设施。标准给你方向，识别方法给你工具，标签体系给你抓手。这三样东西没搭好，后面的脱敏策略就是空中楼阁。
我个人习惯，在项目启动的第一周就完成分类分级方案设计，第二周开始自动化打标。别拖，越拖数据越多，回头补课的代价越大。