正文共：3982 字
热点
导读
数据分类分级是数据使用管理和安全防护的基础，为数据尤其是重要数据制定分类分级制度并依规管理，是实现数据安全目标的重要工作。
数据分类分级制度是《数据安全法》第三章“数据安全制度”中要求的首条制度。该条中明确提出“国家建立数据分类分级保护制度，根据数据在经济社会发展中的重要程度，以及一旦遭到篡改、破坏、泄露或者非法获取、非法利用，对国家安全、公共利益或者个人、组织合法权益造成的危害程度，对数据实行分类分级保护。”
在当前的研究和实践中，一般可将数据分为涉密数据、重要数据和个人信息三大类。《数据安全法》着重提到了对重要数据的保护。“国家数据安全工作协调机制统筹协调有关部门制定重要数据目录，加强对重要数据的保护。”
重要数据有特定的属性。结合本法对“国家核心数据”的规范，以及《数据安全管理办法（征求意见稿）》、《重要数据识别指南》等相关标准和制度工作中对“重要数据”的阐述，一般是指：关系国家安全、国民经济命脉、重要民生、重大公共利益等数据，一旦泄露可能直接影响国家安全、经济安全、社会稳定、公共健康和安全，例如未公开的政府信息，大面积人口、基因健康、地理、矿产资源等。数据分类分级是非常有挑战性的工作。前主流的研究总结提出了数据分类分级的基本流程，包括4个重要的方面。如下图所示：
该流程具有科学的指导作用，但其问题在于缺乏实践过程中的具体方法。数据分类分级的行业差异性很大，不同行业数据具有不同的属性和业务处理目标，在开展数据分类分级时，需要深入理解行业业务需求，研究设计具有针对性的方法和工具。
卫士通长期在政务领域开展数据安全服务工作，本文就结合政务数据分类分级的具体实践，浅谈一下对数据分类分级痛点问题的理解，以及如何应对挑战的建议。对于数据进行分类可以有很多维度，包括基于数据形式和数据内容等。基于数据形式可以按照数据的存储方式、数据更新频率、数据所处地理位置、数据量等进行分类；数据内容可以根据数据所涉及的主体、业务维度等多个维度进行分类。
不同维度各有价值，如何选择一个维度对数据进行分类需要考虑数据分类的目的，但很多时候大家都希望通过一个分类维度实现多个目标，或者将两个分类维度混合进行分类。分类维度的不清晰会导致后续基于分类的很多操作都存在问题。
例如，基于内容进行分类的维度，面临数据可能分类不全、类别不清晰的问题。主要原因是大范围内的内容分类是一个很复杂的问题，甚至可能涉及知识分类的问题，这在目前还是一个较为难以解决的问题。类别划分有问题会导致有些数据无法分到一个分类下，而有些数据又同属于两个分类。
针对信息资源的分级，需要根据信息内容确定。目前尚无科学的方法和范式支撑构建信息内容的数学模型，因此很难准确定量地进行数据内容描述。
举个例子，我国目前已有一些针对政务信息资源的安全级别描述，如下表。其中有按损害影响程度进行的数据定级，但没有关于影响程度定量的描述，所谓针对公民的损害，是造成财产损失还是身体伤害？造成什么量级的财产损失？这样的描述难以在实际操作过程中给定级的人员准确的依据去判断政务信息资源属于哪一个级别。
信息来源：《信息系统安全等级保护定级指南》、《中华人民共和国保守国家秘密法》
在政府部门进行政务信息资源分级时，需要找到一个合适的级数，使得在使用过程中达到效率和安全管控的平衡。过多的分级会给实际使用带来困难，太少的分级又会使得管控难以准确地约束数据。
目前针对不涉密的政务信息资源主要分为非密和内部两级，但是在实际使用过程中这两个级别并不能满足对于数据处理的需求，并不是所有非密的数据都适合让公众知晓，也不是所有内部数据都只能政府部门使用，因此将不涉密的的政务信息资源只简单的分为两级是不合适的。
在进行分级的时候，分级的粒度是影响分级效果的主要因素之一。以什么样的粒度进行分级才可以既达到分级防护的目的，同时不影响正常的业务仍是一个有待进一步研究明确的问题。
政府部门的信息资源涉及各行各业，数据存储的格式众多，有文件、表、行列、字段等不同的数据粒度。不同行业中影响信息资源级别的属性要素也不一，例如地理信息资源地图的比例尺和所包含的地图元素是影响信息资源的级别的关键因素。
有些地方政府专门成立了大数据管理部门，来规范政府部门对信息资源的共享使用，也出台了相关的数据共享条例、数据安全保障条例等，但是还缺乏完整的流程和环节来完成从数据梳理、数据分类分级到数据存储保护、数据共享使用。
现有的数据使用模式，是以部门为单位，各自负责自己所拥有的数据，因此相应的规章制度更多注重部门内部，缺乏跨部门的数据使用规范。目前相对成熟的跨部门的具体数据规范主要是公安部门的人口库信息，但是其他部门相对较弱。
政务信息资源是动态变化的，因此数据会发生合并、摘抄等简单操作，也会进行分析融合等复杂操作。这些操作会对已经进行了分级的政务信息资源的级别产生变化。而由于政务信息资源众多，不同部门对信息资源的使用方式、需求粒度都不统一，信息资源的级别发生变化时，人工重新判定的标准难以统一，也无法完全以自动化的方式进行。数据分类的目的是要便于数据的管理、利用。基本原则是：分类要合理，即在一个明确的业务目标下，确定逻辑清晰的分类维度，并确保数据有且只有一个分类类别。
可以从三个维度进行分类，其一为数据管理维度，其二为数据应用维度，其三为数据所涉及的对象维度。第一类主要根据数据的一些客观属性进行分类，便于数据管理机构对数据进行管理，便于数据管理系统的规划；第二类主要根据数据内容的固有属性进行分类，便于数据理解和应用；第三类主要也是对数据内容的理解的维度，不过更偏向于支撑便于数据权属分析和数据安全管理。
整体来看，建议在数据分类的基础上，根据数据在经济社会发展中的重要程度，以及一旦遭到篡改、破坏、泄露或者非法获取、非法利用时，对国家安全、公共利益或者公民、组织合法权益造成的危害程度，结合自身组织情况将数据分为4—5个安全保护级别。
具体来看，针对数据分级5个方面的挑战，各有一些方法和建议：1.针对定性到定量的问题，需要按照行业需求，结合科学的方法，进行数据信息模型的研究。在实际工作中，可先行结合业务经验进行总结和实践尝试；
2.针对数据分级级数如何确定的问题，根据Gartner报告表明，合理的数据分级最好在3-5级之间，太多会造成大量的管理负担，不利于正常的实施。在政务信息共享领域，可参考2017年发改委发布的《政务信息资源目录编制指南》文件中的数据分级的描述（见下表），并结合本部门业务实际情况进行研究，确定适合的分级级数；
3.针对分级粒度的问题，并无标准化的粒度划分方法，实际工作中又可从3个方面进行评估确定：
首先，需要考虑数据会用来干什么，例如查询统计、建模分析、数据密布型人工智能算法。进行查询统计的数据可以针对查询项和统计项进行细粒度的定级，其他项可以适当增大分级粒度；
其次，要考虑数据的处理方式，例如原始数据未改变、融合产生新数据、剪裁产生新数据、更新等。若原始数据未改变，信息资源分级的粒度可以适量大一些；若要融合产生新数据，分级粒度应当更细一些，避免数据融合分析过程中，暴露原本想隐藏的信息，导致原级别定义不准确；
第三，参考数据在信息系统中的存储和处理方式进行定级粒度划分。结构化和半结构化的信息资源在定级的时候，可以根据用途按照行列或者表级的粒度来定级。非结构化的信息资源定级的粒度建议以单个文件的粒度进行；
4.针对数据分级如何落实的问题，以政务信息共享为例，需要建立更为完善的数据分级流程，理清数据分级在政务信息共享工作中的位置。同时建立分级人员的培训制度、分级的责任制度等，使得对政务信息资源分级能够切实的实施；
5.针对数据的升降级方法问题，需要制定一系列数据分级的升降级原则，明确在什么情况下数据会发生生升降级变化，通过判断哪些要素进行升降级处理，并制定有效的自动化升降级信息资源预处理机制。
卫士通牵头、参与了数据安全领域的多个国家及地方的标准研究和编制，包括《信息安全技术 大数据安全管理指南》、《信息安全技术 大数据服务安全能力要求》、《政务信息资源安全分级指南》、《雄安新区数据资源目录定级指南》、《雄安集团数据使用暂行办法》等。
在政务、金融、交通、智慧城市和大型央企等项目中，针对政务数据资源管理缺乏分类分级方法、企业数据权限管理困难、金融数据分级标准落地等问题，卫士通总结形成了涵盖数据分类分级工作的数据安全解决方案，并在项目中进行了不同程度的落地实践。我们希望基于当前的研究和工作，能够帮助用户确定本单位的数据安全分类分级管理制度、标准，协助用户完成已有数据定权分级，提供基于数据分类分级后的安全防护方案设计和建设服务。
在实际项目中，卫士通也已积累沉淀形成了专业的数据分类分级产品，如下图所示，在项目中取得了良好的应用效果。
该产品通过自动化技术，将分类分级的专家经验和方法固化为规则模型和识别引擎，有效避免了采用全人工进行数据分类分级时存在的因人员经验背景知识不足导致的不确定性问题，并且降低了人力成本。
同时，在具体实施过程中根据不同场景，可与数据资产管理系统、传统数据库、大数据库等进行对接，还可根据不同行业选择不同的识别引擎，通过识别关键要素，结合分类分级的规则进行自动化分类分级。
通讯 | 系统总体与方案中心
编辑 | 战略市场部