4、脱敏算法详解（上）：替换、遮蔽与混洗

脱敏算法，说白了就是给敏感数据“换脸”的技术。你想想看，数据湖里存着各种用户信息——姓名、手机号、邮箱、身份证号……这些数据如果直接暴露给开发测试环境，风险太大了。

我个人习惯把脱敏算法分成三大类：替换、遮蔽和混洗。今天咱们先聊这三类。它们各有各的适用场景，也各有各的坑。

4.1 替换算法：给敏感数据“换个名字”

替换算法，就是用预设的假数据，把真实数据替换掉。比如把“张三”换成“李四”，把“zhangsan@example.com”换成“test@test.com”。

我在项目中遇到过，很多团队觉得替换算法最简单，直接上。结果呢？替换后的数据失去了业务关联性，测试用例跑不通。嗯，这里要注意：替换算法不是简单的“找本字典随机替换”。

4.1.1 姓名替换

姓名替换，常见做法是维护一个“假名库”。比如从百家姓里随机取姓，再从常用名字库里随机取名。

// 伪代码示例：姓名替换
function replaceName(realName) {
    // 从假名库中随机选取
    const fakeSurname = ['张', '李', '王', '赵', '刘'][randomIndex];
    const fakeGivenName = ['伟', '芳', '娜', '秀英', '敏'][randomIndex];
    return fakeSurname + fakeGivenName;
}

4.1.2 邮箱替换

邮箱替换，不能只替换@前面的部分。我见过有人只把用户名替换成随机字符串，邮箱域名保持不变。结果呢？攻击者通过域名就能反推用户所属公司。

正确的做法是：用户名和域名都替换。而且，替换后的邮箱要符合邮箱格式规范。

// 伪代码示例：邮箱替换
function replaceEmail(realEmail) {
    const fakeUser = 'user' + randomString(8);
    const fakeDomain = ['test.com', 'example.org', 'demo.net'][randomIndex];
    return fakeUser + '@' + fakeDomain;
}

4.2 遮蔽算法：只让你看到“该看的部分”

遮蔽算法，就是把敏感数据的部分字符用特殊符号（比如*）代替。你想想看，客服系统里，客服只需要看到用户手机号的前三位和后四位，中间四位用*号遮蔽，就足够了。

遮蔽算法的核心是：保留业务所需的最小信息量。

4.2.1 手机号中间四位遮蔽

这是最常见的遮蔽场景。手机号 11 位，前三位是运营商号段，后四位是用户编号。中间四位遮蔽后，既能识别用户，又不会泄露完整号码。

// 伪代码示例：手机号遮蔽
function maskPhone(phone) {
    // 保留前3位和后4位，中间用****代替
    return phone.substring(0, 3) + '****' + phone.substring(7);
}

// 输入：13812345678
// 输出：138****5678

4.2.2 其他常见遮蔽场景

4.3 混洗算法：打乱数据，但保持统计特征

混洗算法，就是把同一列的数据随机打乱顺序。比如，有一列“年龄”数据，混洗后，每个人的年龄还是原来的那些值，只是分配给了不同的人。

混洗算法的好处是：保持了数据的统计分布特征。比如年龄的均值、方差、最大值、最小值，混洗前后完全一致。这对于数据分析场景非常有用。

4.3.1 混洗的实现方式

混洗的核心是“随机置换”。但要注意：不能简单地对整列进行随机排序。为什么呢？因为如果多列数据之间存在关联关系（比如“年龄”和“收入”），单独混洗某一列会破坏这种关联。

// 伪代码示例：单列混洗
function shuffleColumn(dataArray) {
    // Fisher-Yates 洗牌算法
    for (let i = dataArray.length - 1; i > 0; i--) {
        const j = Math.floor(Math.random() * (i + 1));
        [dataArray[i], dataArray[j]] = [dataArray[j], dataArray[i]];
    }
    return dataArray;
}

4.3.2 混洗 vs 替换：怎么选？

4.4 三种算法的选择策略

说了这么多，到底怎么选？我个人的经验是：

• 需要保持数据原始格式和业务含义 → 用替换算法。比如测试环境需要“看起来像真实数据”的姓名和邮箱。
• 只需要部分信息，且要保留识别能力 → 用遮蔽算法。比如客服系统、日志脱敏。
• 需要保持数据统计特征，用于分析 → 用混洗算法。比如数据湖里的分析数据集。

当然，实际项目中往往是组合使用。比如：姓名用替换，手机号用遮蔽，年龄用混洗。嗯，这里没有标准答案，只有最适合你场景的方案。