案例名稱

興業銀行數據安全分類分級實踐

案例簡介

在國家《數據安全法》、《網絡安全法》和《個人信息保護法》三部上位法相繼頒布后，數據安全已經成為關系國家安全、社會穩定和個人權益的核心戰略，而數據分類分級則是數據安全的基石。2020年9月，中國人民銀行正式印發《金融數據安全數據安全分級指南》（下稱《指南》），為金融機構的數據安全分級管理提供了明確的方向和指導。作為數據安全領域監管重點關注內容，建設數據安全分類分級系統有助于加強我行數據資產分類分級管理，有效發現敏感數據，降低數據安全運營成本，為促進數據流動、發揮數據要素新質生產力價值提供基礎支撐。

創新技術/模式應用

1、系統自動化分類分級流程

系統提供自動化分類分級工具。對于待分類分級數據，首先檢索歷史固化結果庫，無歷史結果對應的情況下交由決策樹引擎進行初步識別，部分未能識別的數據通過數據模型繼續識別。自動化識別結果交由人工進行審核，審核通過則進入歷史固化結果庫作為后續參考依據。

2、決策樹引擎

決策樹引擎是整個分類分級的核心，當前是通過構建標簽體系、配置識別規則和匹配標簽三步走，構筑了分類分級自動化識別的基礎架構。

第一步，構建標簽體系。通過分析企業、金融業機構的典型數據和《指南》的全目錄，結合常用語言習慣，梳理出一套完整的數據安全分類分級標簽，并在標簽中同時包含關鍵詞、場景詞以及它們的同義詞，且附有相應的分類和等級信息。第二步，配置識別規則。為每個標簽配置靈活多樣的規則，如正則匹配、精確匹配、模糊匹配和分詞匹配，形成豐富的識別規則庫，并配置各類規則的權重。第三步，決策樹引擎基于構建的標簽體系和規則庫，通過篩選和排序兩類模式來匹配合適的標簽。篩選模式根據數據特征和規則條件過濾出可能適用的標簽，排序模式則根據匹配度從高到低對篩選出的標簽進行排序，最終，引擎會推薦出最符合數據特征的分類分級結果。

3、機器學習模型

充分利用我行已建設的企業級數據字典的成果和行內豐富的元數據資源，通過構建適應不同業務要求的數據安全分類分級體系、標記數據樣例、構建標簽體系，同時結合FastText文本分類模型進行分類分級模型的監督訓練和學習，逐步構筑分類分級自動化識別模型。

第一步，通過對行內元數據和企業級數據字典進行分析和調整，在《指南》建設指導基礎上，分別構建不同的數據安全分類分級模型體系，以適應不同的業務要求。第二步，依據分類體系指導，分別標記不同的數據樣例，用于指導標簽構建和模型學習訓練。第三步，結合標簽體系構建和文本語義分析模型對企業數據進行模型監督訓練和學習，實現了結合標簽與基于FastText模型的文本分類分級模型，進而實現了對數據安全分類分級的自動化預測和研判。

項目效果評估

在實施數據安全分類分級項目后，會在效率和成本兩個方面顯著獲益，具體體現在以下兩個方面：

一、分類分級自動化，提升效率

我行建設的數據安全分類分級系統將極大地提高數據分類分級的自動化程度。內部管理人員通過系統快速打標、數據采集和分類分級項目協同打標等功能，可以快速對批量數據進行分類分級。系統會根據預設的標簽規則和算法對數據進行自動分類分級，并快速提供推薦結果。這種方式不僅減少了人工干預，提高了工作效率，還能確保分類分級的準確性和一致性。

此外，系統的自動化特性還意味著它可以持續不斷地對數據分類分級，并且隨著分析的數據越來越多，固化的成果越來越多，系統自動化推薦結果也會日趨準確。

二、與行內流程緊密結合，降本增效

金融行業有嚴格的流程化管控要求，在數據安全分類分級的結果審核方面，我行通過在系統內置流程引擎，直接完成整個分類分級審批流程的辦理。各級數據安全專業人員根據審核規則和流程要求，在系統內部即可完成對推薦結果的審核、修訂、會辦和征求意見等核心功能，避免了導入導出、通過外部流程二次審核的繁瑣，有效的提升了辦公效率，降低了人力審核成本，還大大提高了審核的效率和準確性。內部管理人員可以將更多的時間和精力投入到其他重要工作中，而不再需要花費大量時間在繁瑣的審核任務上。

綜上所述，我行建設的數據安全分類分級系統創新的通過決策樹引擎和機器學習模型實現了分類分級的自動化，構筑了數據安全分類分級識別能力；并通過流程引擎實現了審批流程的系統化，提升了工作效率并降低了成本。通過建設數據安全分類分級系統，有效加強了我行的數據安全基礎支撐能力，為促進數據流動、規范數據活動、保障我行金融業務的穩健運行提供有力支持。

項目牽頭人

江志輝 數據管理部數據安全處負責人

項目團隊成員

吳擇金、楊潤泓、楊捷、周剛慧、詹趙林、江志輝、張金龍、胡飛、江寒盡、曾海天、吳佩凝、李雪、全莉莉、全彬元、高建、黃隆貴、吳佳浩、王旌宇、趙晨曦、劉明陽

責任編輯：方杰