4. 敏感信息类型与分类分级

在邮件与协作平台的 DLP 治理中，“识别什么”决定了后续“怎么处置”。识别技术选错，要么误报泛滥导致业务停摆，要么漏报严重形同虚设。本节围绕四类主流识别技术——正则表达式、关键词、文档指纹、机器学习分类器——说明它们各自擅长识别什么、在邮件与协作平台中适合部署在哪个环节，以及配置时必须注意的关键参数与调优要点。

一、四类识别技术的本质差异

正则表达式（Regex）基于字符模式匹配，适合识别结构化、格式固定的敏感数据，例如身份证号、银行卡号、手机号、统一社会信用代码。它的优势是精确、可解释、性能高；劣势是无法理解语义，遇到换行、空格、全角半角混排或分隔符变化时容易漏匹配。

关键词（Keyword）是最轻量的识别方式，通过命中预置词表触发策略，例如“机密”“薪酬”“并购”“源代码”“客户名单”。它适合快速覆盖语义明确但格式不固定的内容，但单独使用时误报率最高，通常需要配合阈值、上下文词或排除词使用。

文档指纹（Document Fingerprinting）通过对已知敏感文档提取特征哈希，识别内容高度相似或部分复制的文档。它特别适合保护已定密的制度文件、设计图纸、合同模板、财务报表，即使文件被改名、转格式、截取片段，仍可能被命中。其核心是“以已知敏感样本为基准”，因此样本库的维护质量直接决定效果。

机器学习分类器（ML Classifier）通过训练模型理解文本语义，适合识别无法用固定规则描述的敏感内容，例如商业计划、内部战略讨论、未公开的财务预测。它能处理同义表达、上下文推断和多语言场景，但需要标注语料、持续训练，且可解释性弱于正则。

二、在邮件与协作平台中的部署位置差异

邮件与协作平台的检测点不同，识别技术的选择也应随之调整。邮件场景通常有三个可插入点：发送前客户端/网关预检、邮件传输代理（MTA）旁路或串联检测、邮件归档后的异步扫描。发送前预检适合部署正则和关键词，因为要求低延迟；MTA 环节可承载正则加文档指纹；归档扫描则适合跑机器学习分类器，因为可以容忍分钟级延迟。

协作平台（如企业网盘、在线文档、即时通讯）的检测点包括：上传/创建时同步检测、分享/外链时检测、后台周期性全量扫描。上传时同步检测对性能敏感，建议正则加关键词组合；分享外链时是高风险动作，应叠加文档指纹；后台全量扫描可运行 ML 分类器，对历史内容做语义级复查。

三、配置要点与参数调优

正则表达式的配置核心是“精确但不脆弱”。以中国大陆身份证号为例，不能只写 \d{18}，而应加入校验位验证和出生日期合法性判断。同时要处理全角数字、空格分隔（如 1101 0119 9001 0112 34）和换行截断。建议为每条正则设置独立的置信度分值，例如基础格式命中给 0.6，校验位通过给 0.9，再与策略阈值比较。

关键词的配置关键是“分组加权 + 排除词”。不要把所有词平铺在一个列表里，而应按敏感等级分组：高敏词（如“并购协议”“未公开财报”）命中 1 个即触发；中敏词（如“薪酬”“客户名单”）需命中 2 个以上；低敏词（如“内部”）仅作为辅助信号。同时必须配置排除词，例如“公开发布的薪酬制度”中的“薪酬”不应触发告警。

文档指纹的配置要点是样本库治理。建议按业务线建立多个指纹库，每个库独立设置相似度阈值。对于制度文件，阈值可设为 70%～80%；对于源代码，由于变量名和注释可能被修改，阈值可降至 50%～60%，但需配合最小匹配片段长度（如不少于 200 字符）来抑制误报。指纹库应每季度更新，新增已定密文件，移除已解密或过期文件。

机器学习分类器的配置难点在于阈值平衡。分类器输出的是概率值，需要根据业务容忍度设定触发阈值。若误报代价高（如阻断高管邮件），阈值应设为 0.9 以上，宁可漏报；若漏报代价高（如防止核心技术外泄），阈值可降至 0.7，并配合人工复核队列。训练语料应覆盖正负样本，负样本要包含“看似敏感但实际公开”的内容，例如已发布的新闻稿、公开财报。

四、分类分级与识别技术的映射

识别技术最终要服务于分类分级。建议将数据分为四级：公开、内部、秘密、机密。公开级无需检测；内部级以关键词和轻量正则为主，动作以告警和日志为主；秘密级需正则加文档指纹，动作可设为审批后放行；机密级应叠加 ML 分类器，动作设为阻断或强制审批，并通知安全团队。

配置完成后，必须用真实样本做回归测试。建议准备一组“已知敏感”和“已知非敏感”的测试邮件与文件，分别统计各识别技术的命中率和误报率。若某条正则的误报率超过 5%，应优先调整边界条件或增加校验逻辑；若 ML 分类器的召回率低于 80%，应补充训练语料或调整阈值。识别技术没有“一劳永逸”，只有持续调优才能让 DLP 策略既安全又不扰民。