数据分类分级标准体系

可视化演示

动态演示数据分类分级标准体系的核心机制，通过开始/执行/监控/完成四种模式展示关键概念与交互流程。

1. 基本概念框架：给数据“贴两张书签”

老馆员小图接手的第一个任务，是给新到的书“定身份”。他先按内容把书送进文学区、科技区、历史区——这是分类；再根据书的保密要求盖上“公开”或“特藏”的章——这是分级。一张书签写“属于哪个区”，另一张写“谁能借”，两件事缺一不可。

在数据治理中，数据分类指按照业务属性或特征，把数据划分成若干个互不相交的类别，比如“个人信息”“金融数据”“经营数据”；数据分级则按照数据一旦泄露可能造成的危害程度，划分成核心、重要、一般等敏感级别。分类回答“它是什么”，分级回答“它多重要”。

标准体系自上而下包括法律（《数据安全法》）、国家标准（如 GB/T 43697《数据安全技术 数据分类分级规则》）、行业标准（金融、医疗、电信各有细则）和企业内部制度。任何一份数据资产，最终都要被贴上“分类+分级”的二元组标签，成为后续权限管控、加密脱敏、共享审批的依据。

就像小图用两张书签锁定一本书的架位和借阅权限，标准体系用分类和分级两个坐标，把每一份数据钉在治理地图上。先有标签，才有管理。

2. 分类维度方法：从哪几个角度“分门别类”

小图给书分类时常纠结：按学科分，按年代分，还是按读者群分？答案是都需要。图书馆用“中图法”做主维度，再用语言、体裁做辅助维度，形成层层细化的目录。

数据分类同样不是单一维度。常见的维度包括：业务维度（按部门职能划分，如人力、财务、研发）、数据属性维度（按内容特征划分，如个人信息、商业秘密、地理空间）、行业特征维度（不同行业有法定分类，如金融的账户数据、医疗的健康档案）。实践中通常采用“先粗后细”的多级分类目录，类似图书馆从“大类”到“小类”逐层下钻。

自动分类技术方面，关键词匹配、正则表达式、词典规则可实现半自动打标；更复杂的场景会引入机器学习做文本分类。此时常用信息熵衡量分类的纯度——熵越低，说明分出来的类别越“纯粹”，就像书架上的书越整齐，就越容易找到目标。

小图发现，分得越细找书越快，但标签维护成本也越高。数据分类同样要平衡粒度与成本——分类目录太粗，后面的分级和管控就失去了抓手。

3. 分级标准规则：从“开放书架”到“特藏密室”

图书馆里最醒目的是那排“特藏密室”——门禁、指纹加监控，里面放着几份机密档案；而大厅里的畅销书随便翻。小图给全馆定了四级规矩：敞开展示、预约借阅、内部阅览、特藏密室。

数据分级对应四个梯次：公开数据（可对外发布）、内部数据（仅限企业内部使用）、重要数据（泄露会危害公共利益或个人权益）、核心数据（泄露可能危害国家安全）。《数据安全法》明确提出由协调机制统筹制定重要数据目录，重要数据和核心数据是监管重点。一般数据之下习惯再细分为内部与公开，形成完整阶梯。

定级并非只看单一因素。一份数据可能同时涉及用户隐私、商业机密和跨部门汇总结果。通用做法是对多个维度分别评估受损影响，再取最高级别。这就像木桶效应——木桶能装多少水取决于最短的板，数据定级取决于最危险的那个因素。

特藏室的东西永远按最高风险保管，数据也一样。定级宁可“就高不就低”，因为低估的代价远大于高估的成本。

4. 定级评估流程：新书入馆的“四步档案”

每本新书进馆，小图都要走一套流程：登记基本信息、评估保管风险、确定借阅层级、录入系统。数据资产的定级评估也遵循同样的节奏。

标准流程分四步：第一步数据资产盘点，摸清有哪些数据库、表、字段，形成数据资产清单；第二步受损影响评估，从保密性、完整性、可用性三个角度衡量泄露、篡改、中断的后果；第三步定级确认，业务部门提出拟议级别，安全部门审核批准，全程留痕；第四步动态更新，当数据规模、汇总程度或业务环境变化时重新评估。

影响程度 × 影响范围是风险量化的核心。影响程度看“损坏多大”——个人权益、企业利益、公共利益、国家安全；影响范围看“波及多广”——单条记录、批量数据、全网数据、跨域协同。两者相乘得到风险得分，再映射到对应级别。

小图的档案让每本书都有据可查。数据定级同样要求“留下痕迹”——谁定的、何时定的、依据什么，审计时要能追到源头。

5. 安全管理措施：分级之后“怎么看守”

分级不是终点，而是一把钥匙。小图根据书上的印章决定安保配置：公开书放大厅，内部书放员工区，重要书进有锁书柜，核心书进特藏密室。

数据安全管理措施与级别一一对应：级别越低，保护成本越低；级别越高，保护强度越高。具体包括四类：分级安全策略（不同级别匹配加密、脱敏、审计等控制项）、访问权限管控（最小权限原则）、技术防护手段（数据加密、动态脱敏、DLP 防泄露、日志审计）、组织制度保障（设立数据安全责任人、定期培训）。

其中最关键的机制是访问控制：每个角色有一个授权级别，每条数据有一个敏感级别，只有角色的授权级别不低于数据的敏感级别时，访问请求才被允许。这就像图书馆的借阅证——员工证能进员工区，但进特藏室必须刷最高权限卡。

小图深有体会：最贵的不是锁链，而是知道该给谁配哪把钥匙。权限管控的核心不是“一刀切锁死”，而是“按需放行、越权必究”。

6. 落地实践应用：从制度手册到开馆营业

当小图把分类标准、分级规则、管理流程都写进《图书馆管理手册》时，真正的考验才开始：每本新书是否都按流程走？馆员会不会偷懒？于是有了培训、巡检和定期盘点。

企业落地分类分级同样需要“手册 + 工具 + 检查”三件套。落地五步法：成立数据安全组织、制定分类分级管理制度、盘点数据资产并定级、部署工具平台支撑、开展宣贯培训与监督检查。工具平台包括数据资产地图、自动打标引擎、DLP（数据防泄露系统）、数据脱敏系统和共享审批平台。行业实践中，金融业按监管要求对客户信息定级，医疗业对健康医疗数据单独设类，电信业对用户位置信息重点保护。

落地效果最终要看指标。最直观的是定级覆盖率——已定级数据占总数据的比例。覆盖率不足意味着大量数据处于“无标签裸奔”状态，是合规审计中最常见的漏洞。

图书馆的运营不因开馆而结束，数据治理也没有终点。分类分级只是起点，配套的持续改进和合规审计才是让体系“活”下去的养分。小图每天巡馆，正如安全团队每天监控数据流转。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-"""数据分类分级小工具: 基于规则引擎对数据资产完成分类与分级.""" GRADE_LEVELS = ["核心数据", "重要数据", "一般数据", "公开数据"] CATEGORY_RULES = [    ("个人信息", ["姓名", "手机号", "身份证", "住址", "邮箱"]),    ("金融数据", ["账户", "交易", "余额", "信贷", "汇率"]),    ("经营数据", ["销售", "库存", "合同", "客户", "报价"]),    ("技术数据", ["源码", "算法", "架构", "接口", "漏洞"]),] GRADE_RULES = [    ("核心数据", ["国家安全", "国防", "核设施", "绝密"]),    ("重要数据", ["批量", "百万", "金融交易", "医疗记录", "位置轨迹"]),    ("一般数据", ["统计", "汇总", "公开报告", "内部通知"]),]  def classify(data_name, fields):    """按字段关键词命中情况返回数据分类."""    text = data_name + "," + ",".join(fields)    for cat, keywords in CATEGORY_RULES:        for kw in keywords:            if kw in text:                return cat    return "其他数据"  def grade(scope, impact):    """按影响描述与范围返回数据级别."""    for level, keywords in GRADE_RULES:        for kw in keywords:            if kw in impact:                return level    if scope == "大规模":        return "重要数据"    return "一般数据"  def assess(asset):    """对单个资产执行分类与分级."""    cat = classify(asset["name"], asset["fields"])    lv = grade(asset["scope"], asset["impact"])    return {"name": asset["name"], "category": cat, "level": lv}  def main():    assets = [        {"name": "用户注册表", "fields": ["姓名", "手机号", "身份证", "住址"],         "scope": "大规模", "impact": "泄露影响数百万用户隐私"},        {"name": "交易流水表", "fields": ["账户", "交易金额", "余额"],         "scope": "大规模", "impact": "金融交易数据批量泄露"},        {"name": "年度公开财报", "fields": ["营收", "利润", "公开报告"],         "scope": "小规模", "impact": "公开报告对外发布"},    ]    for asset in assets:        result = assess(asset)        print(result["name"], "->", result["category"], "->", result["level"])  if __name__ == "__main__":    main()

1. def classify(data_name, fields):定义分类函数，输入表名和字段列表。
2. text = data_name + "," + ",".join(fields)把表名和字段拼成一段文本，便于统一做关键词匹配。
3. for cat, keywords in CATEGORY_RULES:遍历分类规则表，命中关键词即返回分类。
4. def grade(scope, impact):定义分级函数，依据影响描述和大规模范围判断级别。
5. if scope == "大规模":影响范围大的数据按“就高不就低”原则升为重要数据。
6. def main():程序入口，构造三条数据资产样例并逐一评估。
7. print(result["name"], "->", result["category"], "->", result["level"])输出每份资产的分类与分级标签。

常见误区

面试题