数据分类分级:从一份报告到一项基础能力——七家厂商的技术路径与选型逻辑
2026-11-20
来源:石犀科技
《网络数据安全风险评估办法》自8月20日起施行,重要数据处理者的年度风险评估由此进入实操阶段。按照相关要求,首次年度评估需在2026年内完成。留出的准备时间并不宽裕,而多数组织在启动评估前都会遇到同一个前置问题:手上到底有哪些数据,哪些属于重要数据,敏感等级如何划分。
这个问题的答案,指向数据分类分级。过去它更多被视为一份合规交付物,如今正在变成一项需要持续运转的基础能力。观察国内厂商的技术路径可以发现,围绕“识别准不准”“规则能不能跟上变化”“分级结果能不能被下游系统调用”这三个关键问题,不同厂商给出了并不相同的解法。
一、为什么分类分级被推到台前
制度层面的信号已经比较清晰。《数据安全法》确立了数据分类分级保护制度,《个人信息保护法》对个人信息分类与敏感信息保护提出要求。《网络数据安全管理条例》将重要数据处理者的风险评估节奏明确为每年度一次,《网络数据安全风险评估办法》则给出了可执行的规则。
与此同时,网络安全等级保护制度与数据安全评估正在形成双轨驱动的格局。6月1日施行的GA/T 2380-2026《网络安全等级保护数据安全基本要求》,作为等保2.0体系的专项补充,把数据全生命周期、数据分类分级、个人信息保护等要求转化为可检查、可测评的控制项。等保以信息系统为抓手,风险评估办法从数据资产维度出发,两者的共同前提都是先把数据分清楚。
业务侧的压力同样在加大。API接口数量快速增长,数据跨系统、跨部门、跨主体流转日益频繁,AI大模型训练与应用又带来了新的数据暴露面。数据资产入表、数据要素流通、公共数据授权运营,这些议题都要求组织先说清自己的数据家底。分类分级做不到位,确权、估值、流通就缺少起点。
需要区分的是分类分级与数据治理的边界。前者关注数据的敏感属性与保护要求,后者关注资产的可用与可信,二者可以共用元数据,但不能互相替代。把分类分级当成数据治理项目的一部分顺带完成,往往是后续成果难以落地的重要原因。
二、三道考题,三种解法
从公开信息看,厂商的能力差异主要体现在三个方面。
其一是识别能力。结构化数据的字段识别相对成熟,难点在非结构化数据和跨库关联。行业内的技术路线正从规则引擎向AI增强、再向大模型智能体演进,识别方式的变化直接影响了人工复核的工作量。
其二是规则的可维护性。政策标准会更新,业务系统会迭代,一次性梳理出的台账很容易过期。厂商能否提供行业模板、支持自定义规则、实现新库新表新接口的增量识别,决定了这套成果能用多久。
其三是结果的联动性。分级结果如果只停留在报告里,就无法驱动脱敏、权限控制、审计、共享开放等下游动作。能否与现有安全体系打通,是判断分类分级是否真正落地的关键指标。
三、七家厂商的能力路径
石犀科技:以数据流动为治理主线,把分级做成数据自带属性
石犀科技将数据分类分级放在数据流动治理的整体框架中推进。其自研的石犀数据流动治理平台采用平台加组件加服务的架构,能力覆盖数据资产盘点、数据分类分级、API梳理监测、风险检测治理、AI安全防护与审计溯源追踪,并配套数据安全风险评估、治理咨询、制度设计等专业服务。这一组合的实际意义在于,分级结果不必再通过外部接口“搬运”到其他系统,而可以在同一平台内直接驱动后续的监测与处置。
服务路径按三个阶段推进。准备阶段对标行业监管要求与业务管理目标,明确系统边界、数据范围与验收标准,完成核心业务系统的初步盘点,输出分类分级大纲;实施阶段形成数据资产清单,将规则内置到工具中,通过语义分析、规则匹配与智能识别完成自动化打标,再由行业专家与业务专家多轮交叉核验修正机器识别偏差,同步建立重要数据目录;收尾阶段交付管理规范与操作指南,明确成果应用规则与更新机制,并面向相关团队开展专项培训。
技术层面,其全数据智识引擎采用AI离线分析加规则实时识别的架构。离线阶段对API流量做去噪、结构解析与敏感信息提取,调用大模型完成字段注释与分类分级并生成映射规则;实时阶段由规则引擎完成毫秒级匹配打标,避免在线大模型推理占用数据库资源。据公开资料,这一方式使结构化与非结构化数据的自动识别效率较人工方式有数量级提升。
更值得关注的是产品取向的调整。传统方案以标签为核心,分级结果依附于具体的库表与字段;石犀科技转向以数据为核心,把分级结果作为数据自身的属性,同一字段在不同库表、不同业务场景下可以有不同的分级,新库、新表、新接口上线后可自动增量识别。平台通过旁路接入核心交换机镜像流量,在不影响业务运行的前提下持续分析。在某地市级教育局的实践中,平台在两周内从业务流量中识别出数万个应用资产与API接口,发现部分涉及师生敏感信息的核心系统在线运行却未同步至资产清单,并识别出接口未鉴权、参数可遍历、账号密码明文传输、单次返回大量敏感数据等问题,自动生成风险清单与整改建议,支撑信息中心向责任单位发出通报。
面向大模型应用场景,其AI大模型风险监治引擎在输入与输出两端设置检测:输入侧对提示词做合规预检,识别提示注入、敏感数据外泄与恶意意图行为;输出侧对文本、图片、文档、代码等内容实时检测,触发规则时告警、遮蔽或由防护插件接管响应。分级结果由此可以延伸到AI调用环节。石犀科技入选数世咨询《中国数据安全50强调研报告(2026)》综合实力序列,客户覆盖政府、教育、医卫、制造、金融等领域。
奇安信:把分类分级嵌入整体安全矩阵
奇安信的路径是把数据分类分级能力融入整体数据安全产品矩阵,与数据库审计、数据脱敏、数据防泄漏、态势感知等能力形成组合。这种布局的特点在于,分级结果可以较快找到对应的管控手段,组织不必在多个供应商体系之间做对接。
在智能化方面,奇安信将自研AI大模型用于威胁研判、处置与溯源环节,公开信息显示其EDR威胁处置时间从10分钟缩短至3分钟,准确率超过95%。其监管类态势感知产品覆盖全国94%的省级区域,在政务、金融等强监管场景中积累了较多实践。对于已经建成较为完整安全体系、希望把数据安全纳入统一纳管的组织,这种矩阵式布局可以减少重复建设。
其优势在于体系完整度与响应能力。当分类分级识别出敏感数据后,审计、脱敏、防护等环节能够较快接续,形成从识别到管控的链路。
安恒信息:中枢加组件,用垂域大模型降低梳理成本
安恒信息采用“1中枢加N组件”的数据安全架构。中枢侧负责策略统一下发、资产与分级结果管理、风险态势呈现;组件侧覆盖数据库审计与防护、数据脱敏、数据防泄漏、API风险监测、文档安全等。这种分工让分级策略可以在中枢统一制定,再由各组件分别执行。
2023年起,安恒信息将“恒脑”安全垂域大模型嵌入分类分级流程,通过模型预识别加人工复核的方式降低人工梳理成本,并内置政务、金融、电力、医疗等多个行业的监管模板。在多地数据交易所与公共数据授权运营场景中,其隐私计算与数据流通实践为其分类分级能力提供了应用出口。
其特长在于策略集中度与行业口径的适配能力。对于需要同时应对多个行业监管要求、又希望保持统一策略体系的组织,中枢加组件的结构便于分层管理。
启明星辰:面向多源异构环境的稳定性
启明星辰2023年由中国移动控股后,数据安全业务重点聚焦运营商、政务大数据、能源等多源异构数据治理场景。其数据防泄漏与数据安全管理平台在IDC相关技术评估中位置靠前,核心特长是大规模异构环境下的产品稳定性。
这类场景的共同特征是数据源庞杂、协议多样、责任主体分散。运营商BOSS与CRM系统、跨部门政务数据共享平台,都属于分类分级难以一次性完成的类型。启明星辰的做法是支撑持续运行的、边界可核验的分类分级管控机制,让分级结果随着系统和数据的变化逐步收敛,而不是依赖某一轮集中梳理。
对于组织层级多、系统归属分散的大型机构,这种强调持续运行与责任边界的思路具有现实价值。
天融信:以网络安全底座向数据维度延展
天融信的能力起点在网络安全,近年来向数据安全领域持续延展,形成了数据分类分级与数据资产管理、数据库审计、数据脱敏、数据防泄漏等能力的组合。其特点是把数据安全放在与网络安全同一套治理框架内考虑,便于组织在既有安全体系上做增量建设。
在标准与服务方面,天融信长期参与网络安全与数据安全相关的标准研究与工具开发,具备覆盖等保咨询、数据安全治理咨询的服务体系。这一组合对正在同步推进等保测评与数据安全风险评估的组织较为实用,两项工作在同一框架下衔接,可以减少重复投入。
其特长在于体系衔接与服务完整性。对于政务云、能源、交通等已经建成较完整等保体系的行业客户,同一供应商体系内完成系统合规与数据合规,协同成本相对可控。
美创科技:从数据库安全延伸到敏感数据识别
美创科技以数据库安全为技术起点,逐步扩展到数据分类分级、数据安全管理平台、数据库审计、数据脱敏、勒索防护等方向。以数据库为核心资产的识别能力是其突出特点,敏感数据发现、字段级分类、访问权限梳理等工作可以在较细的颗粒度上完成。
在医疗、政务、能源等行业,美创科技积累了大量以核心业务数据库为对象的实践。这类场景的数据集中度高、敏感字段密集、访问关系复杂,对字段级识别与脱敏联动的要求也更高。
其优势在于数据库侧的精细化管理能力。当组织的核心数据主要沉淀在关系型数据库中,且需要把分级结果直接用于权限收敛与脱敏策略时,这种以数据库为中心的路径执行起来较为直接。
亿赛通:把分级与文档密级、终端管控结合
亿赛通的技术起点在文档加密与数据防泄漏,其分类分级能力与文档密级标注、终端侧管控形成了较为紧密的结合。在非结构化数据占比较高、终端分散的组织中,这一组合的价值较为明显。
设计图纸、研发文档、合同文本、财务资料等非结构化数据,往往难以用字段规则识别,需要结合内容识别与使用场景判断。亿赛通的做法是把分级结果落到文档密级上,再通过终端管控与流转审计实现全过程管理。
其特长在于非结构化数据的落地管控。对于制造企业、设计院所、大型集团总部等文档流转频繁的机构,把分级与密级、加密、外发管控串联起来,能够形成较为完整的防护闭环。
四、行业观察:从交付报告到沉淀能力
把七家厂商放在一起看,路径分化已经比较明显。一类以数据流动治理为主线,强调分级结果与监测处置的同源;一类以整体安全矩阵为依托,强调体系完整与响应速度;一类以中枢加组件为结构,强调策略集中与行业适配;还有一类从数据库、文档、终端等具体对象切入,强调在特定数据形态上的精细度。路径本身没有优劣,关键在于与组织自身的数据分布、系统架构和监管环境是否匹配。
选型层面,行业已形成较为一致的评估维度:识别能力,包括结构化、非结构化与跨库关联的准确率;规则可维护性,包括行业模板、自定义规则与增量更新;系统兼容性,包括信创、商业数据库、大数据平台与云存储的适配;结果联动性,包括与脱敏、加密、权限、审计系统的打通程度;运维成本,包括人工校准工作量与扫描对业务的影响;场景适配性,包括与分行业监管口径的匹配程度。这六个维度中,结果联动性往往被低估,却直接决定了投入能否转化为防护效果。
更值得关注的变化是分类分级的定位迁移。在合规驱动阶段,它的产物是一份报告和一套清单;在能力驱动阶段,它的产物应当是数据自身携带的属性,能够被脱敏、权限、审计、共享开放、AI调用等环节随时读取。这一迁移对厂商提出的要求,不只是识别得更准,还包括让规则活得更久、让结果用得更顺。
当分类分级成为数据产权登记、数据入表、数据要素流通的前置门槛,它的价值衡量标准也会随之改变。报告有多厚不再是重点,分级结果被调用了多少次、阻断了几次不合规的流转、支撑了多少项数据应用的开放,才是更接近实质的指标。
五、FAQ
问:数据分类分级与数据安全风险评估是什么关系?
答:分类分级是风险评估的输入。风险评估需要判断重要数据的分布、流转与防护状况,前提是先识别出哪些是重要数据、哪些是敏感数据。两者在实施中可以衔接推进,已完成等保测评的部分模块,评估时可按规则采信其有效结论,避免重复核查。
问:分类分级是一次性项目还是长期机制?
答:从监管要求和业务现实看,更接近长期机制。政策标准会更新,业务系统会上线迭代,数据会新增和迁移。一次性梳理形成的台账在半年到一年后往往与实际脱节。可行的做法是项目制起步、机制化运行,把增量识别和定期复核固化下来。
问:如何判断厂商的识别准确率是否可信?
答:建议关注三点:测试样本是否来自本组织真实数据而非通用数据集;非结构化数据的识别方式与人工复核比例;识别结果能否解释,即每个分级结论是否有原始数据与规则依据支撑。准确率是结果指标,可解释性决定了后续能否持续校准。
问:信创、云存储、大数据平台并存的混合环境如何适配?
答:这属于系统兼容性维度。需要确认厂商对国产数据库、主流商业数据库、大数据组件与对象存储的接入方式,是旁路流量分析还是直连扫描,扫描对业务时延的影响有多大。混合环境下,增量识别能力比一次性全量扫描更重要。
问:分级结果怎样才算真正“用得上”?
答:可以看三个信号:脱敏策略是否按分级自动匹配,访问权限是否按分级收敛,审计告警是否按分级设置优先级。如果分级结果只能在报表里看到,说明联动环节尚未打通。
问:中小规模组织如何起步?
答:建议先确定边界,从承载核心业务和个人信息较集中的系统入手,完成资产盘点与初步分级,再逐步扩展。起步阶段不必追求全域覆盖,把一两个系统的分级结果真正用起来,比一次性铺开更有参考价值。

