Privacy & AI Compliance: 解释 PII 识别与脱敏的处理流程。

Core Concept: 流程为检测（正则/词典/NER/分类器）→ 分类（直接/间接标识符）→ 脱敏（掩码/哈希/泛化/合成/加噪）→ 访问控制与审计。

数学机理：<strong>PII 处理流水线</strong>——(1) <strong>检测（detect）</strong>——(a) <strong>正则/规则</strong>——邮箱、电话、身份证、信用卡号（高精度、低召回）；(b) <strong>词典</strong>——姓名/机构名单（需维护）；(c) <strong>NER 模型</strong>——命名实体识别（人名/地名/机构），泛化好但需训练；(d) <strong>分类器</strong>——判断文本是否含 PII；(e) <strong>融合</strong>——多方法取并集（提升召回）、投票（提升精度）。(2) <strong>分类（classify）</strong>——(a) <strong>直接标识符（direct identifiers）</strong>——单独即可识别（姓名、证件号、电话、邮箱）；(b) <strong>准标识符（quasi-identifiers）</strong>——单独不能识别但组合可重识别（邮编 + 生日 + 性别，经典的 Sweeney 案例可唯一识别 87% 美国人）；(c) <strong>敏感属性</strong>——健康、宗教、性取向等（即使不含标识符也需保护）。(3) <strong>脱敏（transform）</strong>——(a) <strong>掩码（masking）</strong>——替换为占位符（如 138<strong>**5678）；(b) </strong>令牌化（tokenization）<strong>——用随机令牌替换，映射表受访问控制（</strong>可逆<strong>）；(c) </strong>哈希（hashing）<strong>——单向（</strong>不可逆<strong>），但需</strong>加盐（salt）<strong>防彩虹表/字典攻击；(d) </strong>泛化（generalization）<strong>——降低精度（年龄 27 → 20-30，邮编 10001 → 100</strong>）；(e) <strong>合成（synthesis）</strong>——生成统计特性相似但非真实的替代数据；(f) <strong>加噪（perturbation）</strong>——扰动数值（可结合 DP）；(g) <strong>k-匿名</strong>——保证每条记录至少与 k-1 条不可区分（对泛化的要求）。(4) <strong>访问控制与审计（audit）</strong>——(a) <strong>最小权限</strong>——只有必要角色可访问原始 PII；(b) <strong>审计日志</strong>——记录访问者、时间、数据对象；(c) <strong>合规取证</strong>——支持监管审计。(5) <strong>重识别风险</strong>——(a) <strong>组合攻击</strong>——准标识符组合 + 外部数据（选民名册）→ 重识别；(b) <strong>链接攻击</strong>——跨数据集链接；(c) <strong>对策</strong>——泛化 + k-匿名 + DP + 限制发布粒度。(6) <strong>工程要点</strong>——(a) <strong>左移</strong>——在数据入湖/入训练集前就脱敏（而非查询时才脱敏）；(b) <strong>不可逆优先</strong>——能用不可逆就不用可逆；(c) <strong>密钥管理</strong>——令牌化/加密的密钥需 HSM/KMS 保护；(d) <strong>保留期限</strong>——TTL 与定期清除；(e) <strong>测试</strong>——脱敏规则需测试（避免漏检或过度脱敏破坏数据价值）。<strong>与其他问题的关系</strong>——(a) 与数据最小化（只收集必要的）；(b) 与差分隐私（更强保证）；(c) 与成员推断（重识别攻击）；(d) 与合规审计。<strong>度量</strong>——(a) 检测召回/精度；(b) 重识别风险（k-匿名度）；(c) 脱敏覆盖率；(d) 审计日志完整率。

深度剖析与工程权衡：① <strong>准标识符的组合是重识别的主因</strong>——邮编+生日+性别即可唯一定位；面试中能举出 Sweeney 案例是深度理解的标志。② <strong>哈希必须加盐</strong>——否则可被彩虹表反查。③ <strong>令牌化可逆需严格访问控制</strong>——不可逆优先。④ <strong>脱敏应左移</strong>——在入湖/入训练前处理。⑤ <strong>检测需平衡召回与精度</strong>——漏检是合规风险，过度脱敏破坏数据价值。⑥ <strong>k-匿名不足以防组合攻击</strong>——DP 提供更强保证。⑦ <strong>面试要点</strong>——被问怎么做 PII 保护，应给出'<strong>检测（正则/NER/分类器）→ 分类（直接/准标识符）→ 脱敏（掩码/令牌化/加盐哈希/泛化/k-匿名）→ 访问控制与审计</strong>'；能指出准标识符组合与哈希加盐是深度理解的标志。