數(shù)據(jù)安全正處于安全產(chǎn)業(yè)的風口，同時也是用戶和市場關注的焦點。數(shù)據(jù)脫敏，看似一個簡單易用千人一面的技術領域。但不同產(chǎn)品技術的性能表現(xiàn)和應用價值其實存在巨大差異。

隨著我國信息化建設的持續(xù)推進，政府、企業(yè)乃至個人對數(shù)據(jù)安全的認知與重視程度不斷提升。作為數(shù)據(jù)安全防護工作的重要一環(huán)，數(shù)據(jù)脫敏技術和產(chǎn)品已作為常規(guī)手段，在開發(fā)測試環(huán)境構建以及數(shù)據(jù)外發(fā)共享等典型場景中被廣泛普及應用。

[[346330]]

而作為帶有日常工具屬性的數(shù)據(jù)安全產(chǎn)品，數(shù)據(jù)脫敏產(chǎn)品在幫助客戶滿足合規(guī)需求外，還要能夠切實解決客戶敏感數(shù)據(jù)在分發(fā)、遷移過程中的安全痛點，這點也尤為重要：

• 面對紛繁復雜業(yè)務系統(tǒng)數(shù)據(jù)，客戶需要從中自動、準確地識別出敏感數(shù)據(jù)，但由于業(yè)務系統(tǒng)中數(shù)據(jù)的復雜程度往往較高，對敏感數(shù)據(jù)的整理和判斷會占用大量的人工資源;而業(yè)務系統(tǒng)數(shù)據(jù)的存儲位置也不只是數(shù)據(jù)庫，還有大量的結構化導出及備份文件;這時如果缺乏足夠自動化、智能化的敏感數(shù)據(jù)發(fā)現(xiàn)手段，就很可能出現(xiàn)誤判、漏判等問題，從而導致數(shù)據(jù)在遷移過程中發(fā)生敏感數(shù)據(jù)泄露事件。

• 面對大規(guī)模數(shù)據(jù)脫敏場景，無論客戶選擇快速搭建1：1仿真測試環(huán)境，還是長期維持備份或開發(fā)、測試環(huán)境所需的實時數(shù)據(jù)，都對數(shù)據(jù)脫敏性能提出了較高的要求與挑戰(zhàn)。換言之，無論是全量脫敏還是增量脫敏，都可能需要產(chǎn)品能夠在數(shù)小時內(nèi)處理完TB級別的數(shù)據(jù)，而且數(shù)據(jù)處理過程應盡量自動化、減少人工干預，以便融入真實場景的整個分發(fā)流程。

如果單純從“使用效果”來看，數(shù)據(jù)脫敏所要實現(xiàn)的不過是將用戶真實數(shù)據(jù)遷移至新環(huán)境中，并對敏感數(shù)據(jù)進行變形、遮蔽等處理，達到數(shù)據(jù)“敏感性降低、標識化消除”的目的。然而，上述貌似簡單明確的需求，如果沒有數(shù)據(jù)安全廠商專業(yè)、復雜的技術支撐，非但無法將安全和便捷帶給客戶，還會在項目交付實施等環(huán)節(jié)造成一系列問題和麻煩!下面，就讓我們針對那些貌似簡單的需求，看清其背后的產(chǎn)品、技術需求差異：

一、數(shù)據(jù)“敏感性識別”能力

針對目標環(huán)境中的敏感數(shù)據(jù)進行發(fā)現(xiàn)，是進行數(shù)據(jù)脫敏公認的前提。然而，對這項技術的應用除必須考察數(shù)據(jù)脫敏產(chǎn)品的“發(fā)現(xiàn)性能和準確度”外，在實際使用過程中還隱藏著對產(chǎn)品更多“深度能力”的要求，這些能力也將決定一款數(shù)據(jù)脫敏產(chǎn)品能否真正適用于真實復雜的場景：

1. 多種內(nèi)容混合的字段脫敏

對于“由多種內(nèi)容混合在一起”的字段，數(shù)據(jù)脫敏產(chǎn)品能否準確辨別其中每種數(shù)據(jù)的類型，同時給出類型占比以供使用者參考抉擇?

以個人信息收集場景為例，其中一個典型的內(nèi)容就是需要有人填寫“聯(lián)系方式”字段。但是由于填寫人員對采集需求的理解不同，導致所填寫的信息可能會由手機號、座機號、地址等五花八門的“個人信息”構成。而這些信息會存儲在同一列中，如果單從數(shù)據(jù)特征入手，處理不善的話很容易將此字段當做非敏感字段被忽略掉。因此，一款成熟的數(shù)據(jù)脫敏產(chǎn)品的發(fā)現(xiàn)機制，不僅要能將上述字段準確識別為敏感數(shù)據(jù)字段，還要能根據(jù)采樣數(shù)據(jù)給出各類數(shù)據(jù)在此字段中的發(fā)現(xiàn)占比;此外，在之后的數(shù)據(jù)脫敏運算環(huán)節(jié)中，還應能夠根據(jù)每行數(shù)據(jù)的真正類型，對應地產(chǎn)生高度仿真的數(shù)據(jù)。

2. 無法判別敏感屬性的字段脫敏

對于“從數(shù)據(jù)特征上無法判別敏感屬性”的字段，在傳統(tǒng)數(shù)據(jù)脫敏產(chǎn)品的發(fā)現(xiàn)邏輯中往往容易被忽略，從而導致敏感數(shù)據(jù)的泄露;其實處理得當?shù)脑挘祟悢?shù)據(jù)是能夠進行識別的，可通過以下兩種方式進行：

其一，對屬于某種集合范圍內(nèi)、能夠被枚舉概括的數(shù)據(jù)，可將這些集合全部列出作為數(shù)據(jù)字典保存;當遇到這類“落到字典中”的數(shù)據(jù)時，即可以此辨別其是否為敏感數(shù)據(jù)。例如：中國的省市區(qū)劃、企業(yè)和機構的行政部門、股票證券行業(yè)的上市公司代碼等，均可通過此類邏輯進行敏感數(shù)據(jù)發(fā)現(xiàn)。

其二，對字段命名具有特征的數(shù)據(jù)，可根據(jù)字段名稱特征嘗試進行敏感數(shù)據(jù)發(fā)現(xiàn);通過這種發(fā)現(xiàn)方式得出的結果雖是基于猜測，但卻能縮減客戶大海撈針般的工作量。例如：保存有密碼的字段，單從數(shù)據(jù)內(nèi)容特征上是很難辨別其敏感性的，但若根據(jù)字段的名稱，卻可利用一條“包含了PWD或PASSWORD等字符串的列名”作為此類數(shù)據(jù)的疑似判別依據(jù)。

此外，在實際使用場景中，敏感數(shù)據(jù)的載體除了常見的數(shù)據(jù)庫、結構化文件之外，還包含了保險行業(yè)大規(guī)模使用的xml保單文件;醫(yī)療行業(yè)常見的以html結構保存的病例、診療記錄以及用于臨床醫(yī)學的DICOM圖像格式文件。對這類文件中敏感信息的分析識別不僅要求產(chǎn)品能夠適應不同種類的文件格式，還要有更智能的詞法語義拆分、非結構化信息識別等能力。

二、數(shù)據(jù)脫敏“高度仿真”能力

“數(shù)據(jù)脫敏”，看上去是描述數(shù)據(jù)脫敏產(chǎn)品“最基礎能力”的詞語，但在差異化的使用場景下卻有著對其不同能力的要求;比如客戶對于脫敏后數(shù)據(jù)的“仿真”質(zhì)量的要求，就會伴隨脫敏后數(shù)據(jù)的真實使用得以驗證，從而對數(shù)據(jù)脫敏產(chǎn)品的“高度仿真”能力提出了更多、更高的要求，往往由以下幾個難度層級構成：

1. 內(nèi)容仿真

基礎的內(nèi)容仿真，要求脫敏后數(shù)據(jù)從“數(shù)據(jù)類型、長度、格式、內(nèi)在邏輯和語義”等特性上均與原始數(shù)據(jù)保持一致，不會對脫敏后數(shù)據(jù)的使用場景造成無法識別或產(chǎn)生歧義等問題。通常來說，市面上多數(shù)脫敏產(chǎn)品通過內(nèi)置規(guī)則，針對身份證、姓名、銀行卡、手機號、地址等常見字段都能較好地滿足上述最基礎的仿真要求。但是，當客戶面對的是五花八門的使用場景時，想要實現(xiàn)脫敏后數(shù)據(jù)的“高度仿真”，就需要更加靈活的產(chǎn)品技術能力提供支撐。

例如：在某制造行業(yè)中，對于制成品的批次號需要進行脫敏，但批次號是由生產(chǎn)日期、車間號、流水線號和操作者相關信息共同組成的，這種行業(yè)級的數(shù)據(jù)顯然已超出一般數(shù)據(jù)脫敏產(chǎn)品內(nèi)置規(guī)則的默認范圍，這時就需要安全廠商的數(shù)據(jù)脫敏產(chǎn)品能夠對數(shù)據(jù)按位數(shù)進行切分，并基于切分的結果對各段配置脫敏規(guī)則。比如：對于日期段，可采用標準的日期脫敏規(guī)則;對于車間號、流水線號這種有范圍的數(shù)據(jù)，要能基于數(shù)據(jù)字典進行脫敏;最終還要將各段組合成完整的脫敏后數(shù)據(jù)。

2. 區(qū)間、比例仿真

進階一步的數(shù)據(jù)仿真，除對內(nèi)容進行仿真外，還要求脫敏后的整列數(shù)據(jù)能夠滿足某些特征，以避免這些脫敏后數(shù)據(jù)被分發(fā)到分析統(tǒng)計場景后，因為失真降低其實用性。

例如：金融行業(yè)客戶需要對儲戶的儲蓄金額進行分析，但若拿到的脫敏后數(shù)據(jù)與原始數(shù)據(jù)相差過大，將會導致統(tǒng)計分析結果大大失真，因而需要脫敏產(chǎn)品的算法能夠將金額數(shù)據(jù)劃分區(qū)間不長，并能以“就近隨機”的方式完成脫敏;而高?？蛻粼诮y(tǒng)計生源分布比例時，即便拿到的已是將“北京市脫敏成上海市，天津市脫敏成江西省”這樣的非真實數(shù)據(jù)，也還是希望“同一省市生源數(shù)據(jù)的比例”是不變的等等。

3. 關聯(lián)仿真

關聯(lián)仿真則是更進一步的數(shù)據(jù)仿真，要求脫敏后數(shù)據(jù)與其所在行的其他數(shù)據(jù)能夠保留一定的關聯(lián)關系或運算關系，例如：

當身份證號、出生日期、年齡三個字段出現(xiàn)在同一個表中，則天然存在“身份證中間8位數(shù)據(jù)與出生日期一致，且當前年份減去出生日期即為年齡”這一邏輯關系。在這種情況下，就要求脫敏后數(shù)據(jù)也要保持這種關聯(lián)關系，否則在分發(fā)到開發(fā)測試場景后極易造成業(yè)務系統(tǒng)出現(xiàn)邏輯異常;

而在制造行業(yè)，一張表中常存在“產(chǎn)品單價、折扣率、實際價格”三個字段，且存在“產(chǎn)品單價x折扣率 = 實際價格”這一邏輯關系。在這種情況下，如果對價格數(shù)據(jù)進行脫敏，那么要求脫敏后數(shù)據(jù)仍能保留上述運算關系，這就需要脫敏產(chǎn)品能夠通過表達式精確處理此類行業(yè)內(nèi)特定的數(shù)據(jù)邏輯關系;

再以證券行業(yè)為例，同一張表內(nèi)常存在“證券號碼、上市地區(qū)、企業(yè)名稱”等存在對應關系的數(shù)據(jù)，并且要求在對證券號碼或企業(yè)名稱進行脫敏后，三者的邏輯關系依然能夠對應。為此，脫敏產(chǎn)品需要能夠針對多列數(shù)據(jù)字典，實現(xiàn)精確且保障效率的關聯(lián)仿真脫敏運算。

綜上所述，想要真正做到以仿真數(shù)據(jù)滿足不同行業(yè)、不同場景下的客戶使用需求，并不是簡單一句“數(shù)據(jù)脫敏”所能概括的，其背后對廠商產(chǎn)品、技術有著更多、更高的要求與考驗。

三、“高性能”數(shù)據(jù)脫敏能力

“脫敏性能”是一個客戶極為關注的產(chǎn)品指標!在一些場景下，客戶需要執(zhí)行“一次全量脫敏后每天增量脫敏”的數(shù)據(jù)處理邏輯，這就要求脫敏產(chǎn)品必須在規(guī)定時間內(nèi)處理完前一天的增量數(shù)據(jù)，不然就會直接影響到脫敏目標環(huán)境中的數(shù)據(jù)一致性;而在另一些場景中，對數(shù)據(jù)脫敏的需求則處于“隨用隨做”的客觀節(jié)奏，且從數(shù)據(jù)脫敏需求被發(fā)出到完成數(shù)據(jù)脫敏環(huán)境的構建，留給相關人員的時間很可能是緊張的。無論面臨以上哪種場景，都對大批量數(shù)據(jù)的脫敏性能都不斷提出著新的要求與挑戰(zhàn)。而除常規(guī)的提升調(diào)度合理性及算法運算效率外，還有兩個關鍵因素也影響著數(shù)據(jù)脫敏效率的提升：

其一，是利用數(shù)據(jù)庫特性完成數(shù)據(jù)抽取與入庫邏輯。例如：以“數(shù)據(jù)庫并行加載機制或load機制”替換“通過JDBC讀寫數(shù)據(jù)”，這種方式會令數(shù)據(jù)脫敏產(chǎn)品的開發(fā)復雜程度大幅提升，但與此同時也會帶來大規(guī)模數(shù)據(jù)脫敏性能的提升。

其二，是數(shù)據(jù)脫敏產(chǎn)品能夠提供平行擴展的集群化部署運算能力，從而通過擴展運算節(jié)點的數(shù)量，成倍擴展數(shù)據(jù)脫敏產(chǎn)品的運算能力。

【本文是51CTO專欄作者“安全牛”的原創(chuàng)文章，轉載請通過安全牛（微信公眾號id:gooann-sectv）獲取授權】

戳這里，看該作者更多好文