前沿 | 新形势下数据分类分级全流程治理与差异化管理体系研究

原创

王月领等
王月领等

中国信息安全

2026年10月19日 18:17
北京

去阅读

王月领

文 | 国家计算机网络应急技术处理协调中心安徽分中心高级工程师 王月领 陈晓军；北京神州绿盟科技有限公司云数解决方案总监 施岭

随着我国数字经济的蓬勃发展，数据已经成为关键的新型生产要素，在各行各业的业务发展中发挥着至关重要的作用。与此同时，数据安全风险与日俱增，侵害个人隐私、侵犯知识产权、网络犯罪案件时有发生，算法滥用、平台垄断、数据泄露问题突出。我国已初步构建了以《中华人民共和国网络安全法》《中华人民共和国数据安全法》（以下简称《数据安全法》）《中华人民共和国个人信息保护法》为核心的数据安全法律框架，也出台了多项数据安全管理办法和标准，为切实保障国家数据安全、充分释放数据要素价值、护航数字经济高质量发展提供了有力的法治保障。网络数据分类分级保护是《数据安全法》明确规定的一项原则，本研究立足于网络数据安全视角，围绕数据安全监管合规要求，深入剖析网络数据分类分级方法以及实施路径，旨在为网络数据安全监管提供参考依据。

一、

围绕数据安全合规开展数据分类分级工作

目前，诸多标准均提到了数据分类分级的原则、流程与方法，且各有不同。在实践中，数据分类分级可采用不同的维度和方法，即使在同一行业或领域内，数据亦存在差异。数据分类分级原则应遵循国家数据分类分级保护要求，按照数据所属行业领域实施分类分级管理，所依据的原则涵盖但不限于科学实用原则、边界清晰原则、就高从严原则、点面结合原则、动态更新原则等。

数据分类分级流程通常涵盖六个步骤，即“选定属性、制定类目、识别数据、形成集合、植入标识、制定策略”，相互关联、缺一不可，且其中包含诸多细节。在各类行业标准和地方标准中，该流程会更加细致，具体落实到每个数据字段、数据表、数据文件以及各类数据集。《数据安全技术数据分类分级规则》（GB/T43697-2024）采用危害后果六维度判定法（国家安全、经济运行、社会秩序、公共利益、组织权益、个人权益）作为分类分级唯一依据，是全国统一标准底座。

（一）数据分类分级的三种工作方式

数据分类分级是一项复杂且耗费资源的工作，一般分为三种方式：纯人工的数据分类分级、人工+工具的数据分类分级、人工智能（AI）赋能的数据分类分级。这三种方式可视为数据分类分级工作的演进，在成本、效率、初始打标准确性三个维度上呈现出逐渐优化的态势。根据在网信、通信等领域的实践，本研究得出三种数据分类分级方式对比情况（见表1）。

表1 数据分类分级方式对比情况

随着AI的普及，AI赋能数据分类分级是未来的发展趋势。利用智能体辅助数据分类分级可以让数据分类更高效，具体优势包括：能够大幅降本增效，提升系统性能、适应性和扩展性；具备上下文理解能力，可以更好地理解一些行业通用字段或术语背后的含义，在一定程度上弥补不同人员的经验偏差；处理非结构化数据能力更为强大，更好地分类分级文档、图片、音视频等非结构化数据；多模态生成能力，提供分析、可视化、监测预警等多种功能；部署方式灵活、适用场景广泛；与其他信息安全能力可以统一编排等。

（二）数据分类分级技术的应用

在应用数据分类分级技术时，需要明确衡量的核心要素和实施的主要步骤。以下将分别阐述数据分类分级的三项关键指标，以及典型的数据分类分级流程。

1. 数据分类分级的三项关键指标

数据分类分级过程中有三项关键指标影响最终的数据分类分级结果，关键指标描述如下。

一是数据识别率，指在开展数据分类分级工作时，工具针对数据内容识别的有效性。例如，若存在100个数据字段，工具可以认识出这100个数据字段的属性（包含准确识别与非准确识别的字段），即数据识别率为100%。在绝大多数情况下，数据识别率可达100%。若未达到100%，则可判定该工具在语言认知方面存在偏差。此处暂未涉及语义的识别，只要工具能够“认识”相关内容，便可以被识别并记录。如果识别错误，主要原因在于工具对特定文字、符号、数字等缺乏认知。数据识别率是数据分类分级技术应用的基础。

二是数据打标率，指在开展数据分类分级工作时，工具针对识别所得的数据字段以标签形式予以标注，此标签即分类分级标签。此处不涉及准确度问题，只要可以识别便会为其打上分类分级标签，标签中包含数据类别与安全级别（有时存在多个安全级别，以银行数据分类分级结果为例，通常分为三类标签：第一类为国家标准中的核心数据、重要数据、一般数据；第二类为行业标准中的5级、4级、3级、2级、1级；第三类同样是行业标准中针对个人金融信息的C3、C2、C1）。例如，在100个已识别的数据字段中，数据分类分级标签准确匹配了90个数据字段，这表明此时数据打标率为90%。

三是打标准确率，指数据完成分类分级打标后，准确打标数据在打标数据中的占比。例如，对100个数据字段进行打标，其中准确打标的数据字段数量为80个，此时打标准确率即为80%。

真实值（GroundTruth，GT）是指数据的真实分类或分级标签，是评估分类分级准确性的标准。在数据分类分级场景中，GT代表着数据理应被划分到的正确类别或级别，是判定分类分级算法或人工标注准确性的唯一依据。《数据安全技术数据分类分级规则》（GB/T43697-2024）明确了数据分类的三个维度（来源、内容、用途）和分级的两个基准（影响对象、影响程度）。类别准确：数据被分到与基准标签相同的类别（如个人信息类）；级别准确：数据被定为与基准标签相同的安全级别（如重要数据级）。

在分级场景中，鉴于采用“就高从严”原则，预测级别高于真实值可归为安全冗余（可接受），而低于真实值则被视作错误（不可接受）。

打标不准确的现象较为常见，通常出现在特殊字符类数据字段。例如，信号数据、指令数据、具有特殊含义的字符等；此外，还存在与数据分类分级规则不匹配或规则混淆的情况。例如，数据字段“金额”会在不同系统中出现，其安全属性本应唯一，出现规则混淆后会被判定为多个级别，有的标记为3级，有的标记为4级。可见，制定数据分类分级规则模板尤为重要，规则制定得越精确，打标的准确率越高。

2. 数据分类分级的过程

数据分类分级的实施通常遵循系统化、可验证的工作流程，该过程以既定标准为依据，通过自动化识别与人工复核相结合的方式，确保分类分级结果的准确性与可操作性。其主要步骤包括以下五个方面。

一是标准转化规则，属于“选定属性”“制定类目”环节。为了让数据分类分级的结果可以达到合规效果，就需要将已有的法律、规范、要求、标准等通过智能体的学习，转化成内容识别和数据分类分级的规则模板。规则模板的准确性，决定了数据分类分级打标的准确性。在制作规则模板时，首先以行业或地方标准为主要依据，其他法律法规和标准要求作为辅助材料使用，保证数据分类分级结果可以更加满足行业或本地区的合规要求，增强其可行性。

为了更好地提高数据分类分级的准确性，还可以利用智能体学习已有的数据字典，将数据字典和各类法律法规标准进行关联，这样制作的规则模板在遵循合规要求的基础上，兼顾了业务的真实性，能够在后续数据安全防控工作中发挥更显著的成效。智能体先通过自然语言处理（NLP）技术解析Excel、JSON等格式的数据字典，提取数据元名称、类型、描述等核心信息并转化为结构化表示与向量形式。同时，对法律法规标准文本进行清洗、实体识别与关系抽取，构建结构化法规知识库。再借助Legal-BERT、Sentence-BERT等模型计算数据元素与法规条款的语义相似度，建立“数据—法规”双向映射并融合为统一知识库。提升数据分类分级准确率的关键手段：RAG向量化检索（构建知识库、匹配数据字典字段、提升匹配精度）；配合少量人工复核样本，形成“人工知识库”；使用余弦相似度匹配语义内容，辅助模型判断。

二是数据资源发现，属于“识别数据”环节的前置关联。数据存储位置一般包括传统数据库、大数据中心、FTP存储、终端等，数据类型包括结构化数据、半结构化数据和非结构化数据。为了更好地发现和识别数据，有效的方法就是利用工具通过网络IP、端口等进行扫描，自动发现数据资源，也可以手动逐个创建数据源及批量导入数据源。另外，针对数据存储环境的种类也要尽量覆盖。例如，传统数据库MySQL、Oracle、SQLServer、MongoDB、达梦DM、南大通用GBase、人大金仓Kingbase、Cache、Informix等；云数据库GaussDB、TDSQL、RDS、ODPS等；大数据存储组件Hive、HDFS等；文本/文件存储txt、del、json、xml、excel、csv、Metadata等。

三是数据扫描和分类分级标签化，属于“识别数据”“形成集合”“植入标识”环节。做好环境的适配和对接准备后，就可以对数据进行自动扫描，实现自动化的数据分类分级，并为数据打标签。确定扫描范围，明确扫描方式和时间。结构化数据扫描：主动发起扫描任务，利用抽样的方式选择一定量的数据行，识别字段与数据内容的匹配度，判定字段真实性，与规则模板中的数据分类分级规则进行匹配，自动为每个数据字段进行数据分类分级打标。非结构化数据扫描：需要识别一个文件中的数据内容，按照“就高不就低”的原则为文件进行数据分类分级打标。非结构化数据分类分级规则应与结构化数据分类分级规则保持一致。例如，字段“姓名”分类为个人信息，分级为一般数据，在非结构化文件中识别到词语“姓名”，此非结构化文件的标签应该是分类为个人信息，分级为一般数据。

数据分类分级的扫描识别会用到一些机器学习算法，包括自然语言处理、深度学习、聚类分析等机器学习算法用于识别敏感数据。自然语言处理：基于自有的专业语料做训练，使用词向量和字向量对中英文进行分词，使得训练效果更好。深度学习：针对结构化数据，基于Attention、Bert、Transformer等主流深度神经网络模型，融合多维信息编码进行敏感标签识别。聚类分析：针对字段名、字段备注、表名、表备注进行相似度计算，排序进行敏感标签的识别。此数据分类分级方法的特性，可根据实际情况进行选择使用。

数据分类分级扫描不建议采用全库扫描方式，因其可能对数据所在环境和业务的正常运行产生影响，严重时还会导致业务中断，造成不可挽回的经济损失。建议采用抽样方式开展数据扫描，或针对指定表、指定文件进行扫描。若需对同一库表或文件进行多次分类分级扫描，应采用基于结果或基于时间的增量扫描、周期性定时扫描等方式，提升扫描效率，降低业务影响。

四是人工打标确认结果，属于“植入标识”环节中的复核确认。利用工具做完自动化数据分类分级之后，可能会发现数据分类分级打标签的准确率未达到预期。目前，各行业在数据分类分级方面开展了诸多实践，性能最优的自动化数据分类分级工具在初始化时打标准确率可达75%～80%，这还是在借助智能体辅助的情况下实现的。若要达到最佳实践中98%的准确率，则需人工对打标结果进行校正确认。

在AI的辅助下，人工校验过程能够做出更为精准的判断。相关工具会提供一个置信度数值供校验人员参考，有利于快速定位打标不准确的数据字段或文件，进而实现准确性的调整。通过机器学习，将调整后的标签覆盖原有规则模板，使其更为精准，再次扫描时准确率也会相应提高。此过程至少需要进行三次，才能使打标准确率达到95%～98%。数据打标准确率之所以不能达到100%，是因为数据处于动态变化之中，定期会有新数据生成，同时旧数据会被销毁。因此，开展数据分类分级工作需要定期进行，并持续更新数据分类分级标签结果。

五是分类分级结果发布，属于“植入标识”环节中的结果。经过数据分类分级打标后，输出《数据资产清单》。结合数据资产分布情况，根据适用的数据分类分级标准、规范，在此基础上补充修改，构建《数据分类分级的总体框架》。根据《数据分类分级的总体框架》和《数据资产清单》，结合数据治理方面的现状，制定《数据分类分级安全管理办法》，包括但不限于数据分类分级的背景、依据、范围，数据安全管理的组织与职责划分，数据安全管理要求，数据全生命周期管理要求以及考评与问责机制。

至此，数据分类分级工作已顺利完成，不仅解决了数据分类分级“有无”的问题，而且在符合相关规定的基础上，进一步契合了数据业务场景及管理需求。

3. AI智能体驱动全流程自主分级

首先，行业检索增强生成（RAG）知识库前置。把国标、行业指南、重要数据目录、监管要求全部嵌入大模型知识库，杜绝AI定级幻觉，每一条分级结果可溯源法规依据，满足监管审计可解释要求。其次，分级+风险研判一体化。AI自动判定数据级别，同时结合数据流向、访问主体、使用场景等自动输出风险等级，同步推荐脱敏、权限隔离、水印等防护策略。再次，闭环自迭代流程。人工纠错样本自动回流训练，模型持续优化，越使用识别精度越高，大型企业人力合规成本下降90%以上。最后，跨标准自动映射。一套数据标签可自动适配政务、金融、央企多个行业分级规范，避免重复治理。

二、

数据分类分级应用场景的转变

当前，数据分类分级的应用场景从“单一合规风控”转变为“安全+资产双轮驱动”。

一是数据安全全域精细化防护，按数据级别自动匹配差异化安全策略：核心数据全链路加密+访问双人审批；重要数据动态脱敏+操作水印；一般数据仅做日志审计。数字光处理（DLP）、数据库审计、应用程序编程接口（API）安全、终端防泄露全部调用分类分级标签做策略下发，告别全局“一刀切”防护。

二是公共数据分级开放与政务数据共享，依托分级结果划定三类边界：公开级，可全网无条件开放；内部敏感级，仅限部门间授权共享；核心级，禁止对外共享，仅可离线脱敏使用。各地数据局依托分类分级建设公共数据开放目录，是数据要素市场化的前置必备条件。

三是数据资产入表、数据交易定价，分类分级成为数据资产确权、估值、挂牌交易的法定基础。高敏感数据：适合隐私计算场景的定向交易。脱敏后一般数据集：可标准化挂牌流通；多家数据交易所要求企业上架数据必须附带官方分类分级报告，数据合规流通效率提升三倍以上。

四是大模型企业内部数据治理，针对企业员工上传内部文件至通用AI工具的违规风险：依托分类分级自动识别上传内容是否包含核心、重要数据。高敏感数据直接拦截禁止进入大模型训练与提示词输入。不同级别数据配置差异化的大模型调用权限，解决AI时代数据泄露治理难题，也是当前政企落地最热门的场景。

五是数据出境、供应链第三方数据风险管控，跨境数据安全评估、第三方服务商数据准入，必须以分类分级结果作为判定依据。核心、重要数据原则上禁止出境，敏感数据必须做安全评估与脱敏后才可跨境传输。

三、

基于数据分类分级结果开展数据分级管理

本研究的数据分级管理思路以《数据安全法》等相关法律法规为合规基础，结合自动化分类分级、智能化防护技术和全生命周期管理，构建了一套覆盖数据全生命周期的分类分级与差异化防护体系。以“数据分类分级”为核心，利用数据分类分级工具、数据安全防护工具和数据安全管理平台，形成数据安全闭环防护体系，帮助企业实现数据价值与安全投入的平衡（见图1）。

图1 数据分级管理基线模型

以“精准施策、分层防护”为核心，结合数据分类分级结果，为不同安全级别的数据匹配差异化的防护措施。根据数据安全级别由低到高、防护措施由松到严原则，将防护措施划分为四类（审计记录—风险监测预警—脱敏与水印—阻断和加密），构建从基础行为记录到高级威胁阻断的完整防护体系（见表2）。

表2 数据分级管理框架

（一）审计记录

审计记录作为数据分级保护体系的第一道防线，其核心目的在于通过详细记录数据访问与操作行为，包括数据库用户以及事件日期、类型、主体标识等关键要素，为事后追溯提供依据。同时，其具备生成审计报表的功能，助力企业达成合规要求，构建数据安全的“可追溯基础”。

（二）风险监测预警

风险监测预警是针对一般敏感数据等二级数据的核心防护措施，通过实时威胁监测与跨部门协同预警机制，构建起“监测—预警—处置—溯源”的闭环管理体系，切实降低了数据泄露和滥用的风险。

（三）脱敏与水印

脱敏与水印是数据分级保护体系中针对较高敏感级别的三级数据核心防护措施，其通过动态脱敏、静态脱敏、数据水印等技术，在保障数据可用性的同时，实现隐私保护与泄露溯源的目标。

（四）阻断和加密

阻断和加密是数据分级保护体系中针对最高敏感级别（四级及以上）的核心防护举措，通过阻断、加密等技术，构建了数据安全的终极防线。

数据分类分级结果可上传至数据安全管理平台，由平台下发安全策略到分析引擎与数据安全探针，实现策略管理与策略分发。数据安全管理平台能够对全网数据安全设备实施统一的安全策略管理，规避逐台登录设备操作的情况，从而提高策略管理的效能。

针对数据分类分级工具，数据安全管理平台能够下达扫描任务，并绑定数据分类分级模板，由相关设备执行扫描操作，操作完成后将数据返回至平台进行集中展示。针对数据防泄露和数据行为监测类探针，数据安全管理平台可向安全设备下发监测策略，设备针对平台下发的监测内容开展过滤分析。针对数据脱敏，数据安全管理平台可以发布脱敏任务，脱敏工具按照平台下发的脱敏模板执行操作，脱敏前后的字段能够在平台进行展示。对于全流量设备，数据安全管理平台可以向设备下发敏感数据识别策略，在探针侧开展识别与上报工作。各类数据安全设备仅需提供与数据安全管理平台相兼容的接口，便可接受平台的管理与调度。

四、

结 语

《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，依据危害程度对数据实行分类分级保护。开展网络数据分类分级管理工作，安全合规是其落地应用的必要前提。结合《网络数据安全风险评估办法》《数据分类分级安全管理办法》，将数据分级管理策略应用于数据全生命周期的各个阶段，不仅能够使数据分类分级得以切实有效地落地执行，而且有助于消除数据处理活动中的潜在风险，推动数据的合法利用与创新发展，进而提升网络数据安全的整体防护水平。

（本文刊登于《中国信息安全》杂志2026年第8期）