数据分类分级标准与实践

可视化演示

基本概念

林馆长首先要向团队解释：分类和分级不是一回事。分类，好比把书按照“文学、历史、计算机”等主题放进不同的书架区——它回答的是“这份资料是什么、属于哪个领域”；分级，则是根据资料内容的敏感程度，给每一本书贴上“公开、内部、秘密、机密”的密级标签——它回答的是“这本书谁能看、借阅需要什么手续”。把一万本书往仓库里一扔不叫整理，只有先分类再分级，读者才能快速找到书，馆员才能守住秘密。

在数据治理中，分类是指按数据属性（业务、内容、敏感程度等维度）把数据划分成不同类别；分级则是按数据遭到泄露或破坏后对权益与秩序的影响程度，把数据划分成不同级别。两者是递进关系：分类是分级的前提，分级是分类的深化。一份数据先归属到“客户资料”类别，再进一步判定它是“L3 秘密”还是“L4 机密”。

用集合语言可以严谨地表达这个过程：设原始数据集为 D，经过分类得到 m 个类 C₁ 到 Cₘ，每个类内部再按敏感程度切分为 4 个级别：

$$\displaystyle D=\bigcup_{i=1}^{m} C_{i}, \qquad C_{i}=\bigcup_{j=1}^{4} L_{ij}$$

1. 全集 D：D 代表组织内需要治理的全部数据对象，包括库表、字段、文件和接口消息，它是分类分级工作的出发点和作用域。

$$\displaystyle D=\bigcup_{i=1}^{m} C_{i}$$

2. 类别 C_i：每个 C_i 是按某个分类维度切出的一个数据类别，m 为类别总数，所有类别合在一起恰好覆盖全集 D，不重不漏。

$$\displaystyle C_{i}=\bigcup_{j=1}^{4} L_{ij}$$

3. 密级 L_ij：每个类别内部再切分为 4 个级别，L_{ij} 表示第 i 个类别中的第 j 个密级，分级粒度落到每个类别内部。

林馆长后来在培训手册里写下一句话：分类决定“放在哪个书架”，分级决定“书架要不要上锁”。这份直觉，正是数据分类分级成为数据治理基石的原因——没有分类，分级无从谈起；没有分级，分类只是徒劳的整理；两者合一，后续的访问控制、安全防护和合规审计才有据可依。

分类维度

书架怎么划分？林馆长给馆员们立下三条判断标准：这本书属于哪个部门——是教学教材还是行政档案？书里写的是什么内容——是数学公式还是个人隐私？这本书如果被复印流传出去，会造成多大麻烦？这三个问题，恰好对应数据分类的三种常见维度：业务维度、内容维度和敏感维度。

业务维度是最贴近企业组织的分类视角：按照数据产生的部门或流程，把数据分成财务数据、研发数据、人事数据、运营数据等，方便各业务线各负其责。内容维度看数据本身的性质，例如客户资料、交易流水、系统日志、算法模型，同一业务的数据往往包含多种内容主题。这两个维度回答了“数据是什么”，而敏感维度回答“数据有多危险”——根据泄露、篡改后对权益和秩序的影响程度，对数据的敏感属性进行打分。

现实操作中，敏感程度往往不是非黑即白，而是连续的。业界常用加权评分模型：从内容敏感度、涉及范围、影响后果三个子项打分，再加权合成总敏感度：

$$\displaystyle S = w_{1} \times S_{\text{content}} + w_{2} \times S_{\text{scope}} + w_{3} \times S_{\text{impact}}, \qquad \sum_{k=1}^{3} w_{k} = 1$$

1. 内容分 S_content：数据内容本身含有的敏感信息密度，例如出现身份证号、支付账号的类型与次数越多，该子项分值越高。

$$\displaystyle S_{\text{content}} \in [0,1]$$

2. 范围分 S_scope：数据涉及主体的规模，一份名单涉及 10 人与涉及 1000 万人，范围分完全不同，量级越大分值越高。

$$\displaystyle S_{\text{scope}} \in [0,1]$$

3. 影响分 S_impact：泄露后对个人、企业或国家的后果严重度，可结合法律法规的处罚等级与业务损失评估。

$$\displaystyle S_{\text{impact}} \in [0,1]$$

4. 权重 w_k：三个权重和为 1，体现组织对不同维度的侧重，例如金融行业可能更强调影响分。

$$\displaystyle \sum_{k=1}^{3} w_{k} = 1$$

对林馆长而言，这三个维度就像图书馆的三套索引卡：先按部门归档，再按内容入库，最后按敏感度评估风险。三张卡片一叠，一份数据的“身份档案”就清晰了，也为下一步定级提供了输入。

分级体系

分类完成，接下来是上锁的学问。林馆长把新馆的书架规划成四个阅览等级：L1 一级“公开阅览区”，任何人都能取阅；L2 二级“内部阅览区”，凭馆员证可借；L3 三级“秘密书库”，需要审批登记；L4 四级“机密保险柜”，双重门禁加监控。这样的四级模型，也是国内外数据分级实践中最常见的框架。

四级模型的具体含义是：L1（公开）指可对社会公开的数据，如官网新闻、产品说明；L2（内部）指组织内部可共享的数据，如内部通知、普通经营报表，泄露影响轻微；L3（秘密）指一旦泄露可能损害企业利益或个人权益的数据，如客户明细、核心经营数据；L4（机密）指泄露后果严重、甚至触犯法律的数据，如身份证号、支付信息、核心算法。判定一个对象属于哪一级，可以将前面算出的敏感度评分映射到阈值区间：

$$\displaystyle \text{Level}(S)=\begin{cases}L1, & 0 \leq S \leq 0.25\\L2, & 0.25 < S \leq 0.5\\L3, & 0.5 < S \leq 0.75\\L4, & 0.75 < S \leq 1\end{cases}$$

1. 区间 L1：当评分不超过 0.25 时定为公开级，典型如公告类、宣传类数据。

$$\displaystyle 0 \leq S \leq 0.25 \Rightarrow L1$$

2. 区间 L2：评分大于 0.25 且不超过 0.5 时定为内部级，普通报表与内部通知落在此区间。

$$\displaystyle 0.25 < S \leq 0.5 \Rightarrow L2$$

3. 区间 L3：评分大于 0.5 且不超过 0.75 时定为秘密级，涉及经营细节与部分个人信息。

$$\displaystyle 0.5 < S \leq 0.75 \Rightarrow L3$$

4. 区间 L4：评分大于 0.75 时定为机密级，身份证号、支付信息等高风险数据在此区间。

$$\displaystyle 0.75 < S \leq 1 \Rightarrow L4$$

定级之后还要做标识管理：在数据库字段、文件头部、接口文档里打上级别标签，并登记到元数据台账中，让下游的访问控制和安全策略能直接读取级别。这就像给每本机密书贴上醒目的红色“密”字标签，馆员一看标签就知道该走哪道流程。分级不是贴完就完，标签本身是后续一切安全动作的“指挥棒”。

识别方法

一万件资料，靠人一册一册翻看不现实。林馆长请来了三种助手：第一位是干了三十年的老馆员，只凭书名和编号就能判断书籍归属，靠的是多年总结的“死规则”；第二位是聪明的学徒，给他看成千上万个已标注的例子，他能自己领悟规律；第三位是语言学家，专门读懂上下文里的弦外之音。这三者对应数据分类分级中的规则匹配、机器学习和 NLP 技术。

规则匹配是成本最低、最常用的方法：用正则表达式、关键词字典和特征库，直接识别固定格式的敏感字段——手机号、身份证号、银行卡号、邮箱地址，命中即标记。它的优点是快、准、可解释，缺点是只见树木不见森林，遇到“张三的电话是 138…”这类需要语义理解的长文本就失效。机器学习则通过训练分类模型，让模型根据大量标注样本学习“什么样的文本更像机密”，能够泛化到未见过的格式。常见做法是在特征之上加一个 softmax 分类器，输出各类别概率：

$$\displaystyle P(y=k\mid x)=\frac{\exp(w_{k}^{\top}x+b_{k})}{\sum_{j=1}^{K}\exp(w_{j}^{\top}x+b_{j})}$$

1. 线性得分：w_k 是第 k 类的权重向量，x 是数据的特征向量，b_k 是偏置，二者组合得到第 k 类的原始分数。

$$\displaystyle z_{k}=w_{k}^{\top}x+b_{k}$$

2. 指数放大：对每个原始分数取指数 exp，正分数被放大、负分数被缩小，让类间差距更明显。

$$\displaystyle \exp(z_{k})$$

3. 归一化分母：把所有类的指数求和作为分母，每个类的指数除以分母后落在 0 到 1 区间，且总和为 1。

$$\displaystyle P(y=k\mid x)=\frac{\exp(z_{k})}{\sum_{j=1}^{K}\exp(z_{j})}$$

4. 最大概率决策：比较 K 个概率，取最大值对应的类作为最终分类结果。

$$\displaystyle \hat{y}=\arg\max_{k}\, P(y=k\mid x)$$

NLP 技术则更进一步，利用预训练语言模型理解句子语义：面对“请查收附件中的离职员工名单”这类上下文，模型能识别出“离职员工名单”隐含的敏感性质。三种方法不是互相替代，而是接力配合——规则打底、机器学习扩展覆盖面、NLP 兜底处理复杂语义。老馆员负责一眼认出熟面孔，学徒负责举一反三，语言学家负责看穿话里有话，谁都不能缺。

落地流程

把方法变成日常，靠的是流程。林馆长把整理工程拆成三步：第一步资产盘点，把仓库里所有箱子登记造册，摸清到底有多少书、哪些重复、哪些破损；第二步打标上线，按既定规则给每本书分类、定级、贴标签，录入系统；第三步动态维护，以后每一次新书入库都按同一套流程处理，并且每年对已上架的书复核一遍。

对应到企业，资产盘点是梳理数据源，盘点数据库、表、字段、文件、接口的数量与分布，形成数据资产清单和元数据台账；打标上线是调用识别方法批量分类分级，在数据字典中登记级别标识，并让下游系统读取标签；动态维护则是把分类分级嵌入数据的创建、变更、下线全生命周期，新库新表默认先过识别流程，已有数据定期复核。整个流程是否到位，可以用一个简单指标度量——打标覆盖率：

$$\displaystyle \text{Coverage}=\frac{N_{\text{tagged}}}{N_{\text{total}}}\times 100\%$$

1. 总量 N_total：待治理的数据对象总数，先通过资产盘点确定，作为覆盖率的基准。

$$\displaystyle N_{\text{total}}$$

2. 已打标 N_tagged：已完成分类、分级并写入元数据标签的数据对象数量。

$$\displaystyle N_{\text{tagged}}$$

3. 百分比换算：两者相除再乘 100%，得到 0 到 100 的百分比，越高代表落地越彻底。

$$\displaystyle \frac{N_{\text{tagged}}}{N_{\text{total}}}\times 100\%$$

覆盖率达到 100% 不是终点，而是起点。林馆长给馆里定下规矩：每周抽查复核，每季度全量复查，新捐赠的书当天就得完成整理上架。企业同样需要把分类分级做成持续运营的机制，而不是一次性的项目——数据天天在变，标签必须跟着数据一起“保鲜”。

配套治理

分级本身不能减少风险，真正让级别发挥作用的是分级之后的那把锁。林馆长深知，机密保险柜如果只挂一把普通挂锁，和放在公开书架上没有本质区别。于是她为四个阅览区配置了差异化防护：公开区自由取阅，内部区刷工牌，秘密区登记审批，机密区双人双锁加监控。这套“分级防护”思想落在数据上，就是访问控制、加密脱敏和审计追溯。

访问控制遵循最小权限原则，用户只能访问其履行职责所必需的数据级别，例如客服人员可查 L2 订单信息，只有特定财务专员能看 L3 薪资数据。加密脱敏根据级别决定保护强度：传输加密、存储加密、动态脱敏，L4 数据在测试环境里一律用假名化替代。审计追溯则让每一次访问、复制、导出都有日志留痕，出了问题能倒查责任人。三者的组合逻辑，可以用风险公式来理解：

$$\displaystyle R = L(\text{data}) \times E(\text{exposure})$$

1. 密级 L：数据定级结果，L 越高代表一旦泄露的潜在危害越大，是风险的内因。

$$\displaystyle L(\text{data}) \in \{1,2,3,4\}$$

2. 暴露面 E：数据可被访问的人数、系统出口和数据流转渠道的数量，暴露越大风险越高。

$$\displaystyle E(\text{exposure}) \geq 1$$

3. 风险 R：两者相乘得到风险值，治理策略据此决定安全投入强度，高风险先治理。

$$\displaystyle R = L \times E$$

林馆长把访问控制比作“每一级阅览区都有自己的钥匙标准”，把加密脱敏比作“机密书用暗号誊写，非授权者拿到也读不懂”，把审计比作“每本机密书都有借阅登记本”。分级的意义，正在于让安全资源精准地花在刀刃上——不是所有数据都加最重的锁，而是高危数据重兵把守，低危数据轻装运行。

合规法规

最后，这根指挥棒从何而来？林馆长的整理工程并非自创，而是源于一份“图书馆管理条例”。在真实世界里，数据分类分级同样有硬性的法规依据，其中最核心的是《数据安全法》和《个人信息保护法》。

《数据安全法》第二十一条明确提出：国家建立数据分类分级保护制度，各地区、各部门、各行业应对数据实行分类分级保护——这等于从法律层面把分类分级定为企业的法定义务。《个人信息保护法》则区分了一般个人信息与敏感个人信息，对身份证号、生物识别、行踪轨迹等敏感信息提出更严格的单独同意、告知和防护要求，实质上推动企业在个人信息维度上做更细的分级。行业标准如金融、工信、医疗领域的数据分类分级指南，则把法规细化为可执行的分类表和定级规则。违反这些要求的代价，可以量化为期望处罚成本：

$$\displaystyle E[\text{Fine}]=\sum_{i=1}^{N} P_{i} \times F_{i}$$

1. 违规情形 i：列出 N 种可能触发处罚的违规行为，例如未做分类分级、超范围处理个人信息、未对重要数据采取保护措施。

$$\displaystyle i \in \{1,2,\ldots,N\}$$

2. 概率 P_i：每种情形发生的可能性，分类分级越完善，发现与拦截违规的能力越强，P_i 越低。

$$\displaystyle P_{i} \in [0,1]$$

3. 罚款 F_i：法规规定的处罚金额上限，取决于情节严重程度和数据级别，L4 泄露的罚款远高于 L1。

$$\displaystyle F_{i} \geq 0$$

4. 求和得期望：所有情形的概率与罚款乘积相加，得到总期望处罚成本，作为合规投入的测算依据。

$$\displaystyle E[\text{Fine}]=\sum_{i=1}^{N} P_{i} \times F_{i}$$

林馆长最终把管理条例做成墙上的流程图：新书入库 → 分类 → 定级 → 贴标 → 上锁 → 登记。这套流程看似繁琐，却让图书馆十年没有出过一次泄密事故。数据分类分级也是一样：它不是业务之外的额外负担，而是让数据价值在安全边界内流动的基础设施。分类分级做得越扎实，后面的数据共享、数据交易、AI 建模才越敢放手去做。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-"""数据分类分级演示：规则识别 + 敏感度评分 + 四级定级"""import re LEVELS = {1: "公开", 2: "内部", 3: "秘密", 4: "机密"} RULES = [    ("手机号", re.compile(r"1[3-9]\d{9}")),    ("身份证", re.compile(r"(?<!\d)\d{17}[\dXx](?!\d)")),    ("邮箱", re.compile(r"[\w.]+@[\w.]+\.[A-Za-z]{2,}")),    ("银行卡", re.compile(r"\d{16,19}")),] def detect_sensitive(text):    hits = set()    for name, pattern in RULES:        if pattern.search(text):            hits.add(name)    return hits def score_sensitivity(hits, scope, impact):    content = min(1.0, len(hits) * 0.3)    return 0.5 * content + 0.3 * scope + 0.2 * impact def assign_level(score):    if score <= 0.25:        return 1    if score <= 0.5:        return 2    if score <= 0.75:        return 3    return 4 def classify(text, scope=0.5, impact=0.5):    hits = detect_sensitive(text)    score = score_sensitivity(hits, scope, impact)    level = assign_level(score)    return sorted(hits), round(score, 2), level, LEVELS[level] def main():    samples = [        ("本周销售报表华东区营收1200万元", 0.3, 0.3),        ("张三电话13800138000邮箱zhangsan@example.com", 0.6, 0.6),        ("身份证110101199003071234银行卡6222020200012345678", 1.0, 1.0),        ("内部研发计划推荐系统将于Q3上线", 0.4, 0.3),    ]    for i, (text, scope, impact) in enumerate(samples, 1):        hits, score, level, label = classify(text, scope, impact)        print("样本%d 命中:%s 评分:%.2f -> L%d %s" % (i, hits, score, level, label)) if __name__ == "__main__":    main()

1. ("身份证", re.compile(r"(?<!\d)\d{17}[\dXx](?!\d)"))用零宽断言精确匹配 18 位身份证号，避免把银行卡号误判成身份证。
2. if pattern.search(text):在文本中扫描规则，命中即把规则名加入命中集合。
3. content = min(1.0, len(hits) * 0.3)命中的敏感类型越多，内容分越高，上限封顶 1.0。
4. return 0.5 * content + 0.3 * scope + 0.2 * impact与正文加权评分公式完全一致，权重为 0.5/0.3/0.2。
5. if score <= 0.25:阈值分段映射，把连续评分切到 L1 到 L4。
6. hits = detect_sensitive(text)分类分级流水线的第一站：规则识别。
7. print("样本%d 命中:%s 评分:%.2f -> L%d %s" % (i, hits, score, level, label))输出命中规则、评分和最终级别。

常见误区

面试题