一种基于敏感性势能场的金融数据动态分类分级方法、系统、计算机可读存储介质及电子设备与流程

本发明涉及一种适用于金融行业的动态数据分类分级方法、系统、计算机可读存储介质及电子设备，属于信息安全与数据治理。

背景技术：

1、金融行业的业务系统数量较多，累积了大量数据。不同的数据具有不同的敏感性，比如统计报表脱敏后的分析数据具有较低的敏感度，但是客户信息或交易记录这类数据就具有高度敏感性，因此，对不同的数据进行科学分类分级十分必要。

2、为了规范金融数据的管理和使用，保障金融数据安全，中国人民银行制定了一系列关于数据分类分级的标准和规范，如《中国人民银行业务领域数据安全管理办法》《金融数据安全数据安全分级指南》等。这些标准明确了金融数据分类分级的原则、方法和要求，为金融机构开展数据安全管理工作提供了重要依据。按照人民银行的标准，数据主要依据《中国人民银行业务领域数据安全管理办法》进行分类分级。具体如下：

3、（1）数据分级：按照国家有关规定，将业务数据分为一般数据、重要数据、核心数据。重要数据是指特定领域、特定群体、特定区域或达到一定精度和规模，一旦遭到篡改、破坏、泄露或非法获取、非法利用，可能直接危害国家安全、经济运行、社会稳定、公共健康和安全的数据。核心数据是指对领域、群体、区域具有较高覆盖度或达到较高精度、较大规模、一定深度，一旦被非法使用或共享，可能直接影响政治安全的重要数据。

4、（2）数据分类：数据处理者应当参考行业标准，根据业务开展情况建立业务分类，梳理细化数据资源目录，标识各数据项是否为个人信息、数据来源等。同时，还需根据数据特性进行以下分类：

5、1）敏感性分类：根据业务数据遭到泄露或被非法获取、非法利用时，对个人、组织合法权益或公共利益等造成的危害程度开展敏感性分类。中国人民银行业务领域内的敏感个人信息、可能涉及商业秘密的客户经营信息、应当严格控制知悉范围的业务信息等，应标识为高敏感性数据项。

6、2）可用性分类：根据业务数据遭到篡改、破坏后对业务正常运行造成的影响程度，明确信息系统差异化的数据恢复点目标，视为对业务数据的可用性分类。

7、此外，《金融数据安全数据安全分级指南》也对金融行业数据分类分级提供了相关标准。该标准将金融数据安全级别从高到低划分为5级、4级、3级、2级、1级。5级数据为重要数据，通常用于关键业务；4级数据为个人金融信息中的c3类信息；3级数据为个人金融信息中的c2类信息，或对公众权益造成中等或轻微影响，或对个人隐私及企业合法权益造成严重影响的数据；2级数据为个人金融信息中的c1类信息，或对个人隐私造成中等或轻微影响，或对企业合法权益造成中等影响的数据；1级数据为可被公开或可被公众获知、使用的数据。

8、为满足银行业数据监管的需求，在各个业务系统使用数据的过程中，均需要设计一个分类分级功能模块。然而，当前主流的数据分类分级方法多为静态模式，即在数据创建或首次识别的时候，给数据赋予一个固定的安全等级，而这个等级长期保持不变。多数情况下这种设定没有问题，但在部分情况下会存在一些缺陷：

9、（1）部分数据的敏感性会发生变化：如未公开财报草案在发布前属于5级，即高敏感数据，但一旦正式发布就变成了公开信息，应自动降为1级。

10、（2）一些外部事件可能产生影响：当发生数据泄露或异常访问时，部分原本已降级的数据可能需要重新提高保护等级。

11、（3）不同场景对应的敏感性可能存在差异：同一数据在不同用途下敏感性不同，如客户手机号在内部为2级，但被用于第三方营销共享时可能需要提高等级。

技术实现思路

1、针对现有技术中静态分类分级方法无法适应数据敏感度动态变化、简单衰减模型无法反映事件反弹等问题，本发明提供一种基于敏感性势能场的金融数据动态分类分级方法及系统，将数据敏感度视为随时间连续演化的状态量，融合多种影响因素进行动态评估，实现数据敏感度等级的自动调整，提升数据分类分级的准确性和数据安全防护能力。

2、本发明提供一种基于敏感性势能场的金融数据动态分类分级方法，所述方法由计算机执行，包括以下步骤：

3、获取数据对象的初始敏感度评估值，所述初始敏感度评估值用于表征所述数据对象在当前时刻的敏感程度；

4、基于影响所述数据对象敏感度随时间变化的多个影响因素，通过数值迭代计算，在同一状态量上综合所述多个影响因素对所述初始敏感度评估值进行动态更新，得到所述数据对象在目标时刻的目标敏感度评估值；其中，所述多个影响因素至少包括时间衰减因素、事件影响因素、异常访问因素和场景变化因素，所述时间衰减因素表征所述数据对象的敏感度随时间的自然衰减，所述事件影响因素表征安全事件对所述数据对象敏感度的瞬时提升，所述异常访问因素表征访问行为对所述数据对象敏感度的提升且所述提升不超过预设上限，所述场景变化因素表征不同使用场景下所述数据对象敏感度的差异；

5、根据所述目标敏感度评估值与预设的多个敏感度等级之间的映射关系，确定所述数据对象在所述目标时刻的敏感度等级。

6、进一步地，所述时间衰减因素对所述敏感度评估值的衰减速率，与所述数据对象在当前时刻的敏感度评估值成正比。

7、进一步地，所述事件影响因素中，每次安全事件对所述敏感度评估值产生的提升量，随该安全事件发生时刻与当前时刻之间时间间隔的增大而呈指数衰减，且多次安全事件产生的提升量相互叠加。

8、进一步，所述异常访问因素基于所述数据对象在单位时间内的归一化访问频率确定；在所述异常访问因素的作用下，所述敏感度评估值不超过预设的敏感度上限。

9、进一步地，所述场景变化因素基于所述数据对象当前所处使用场景对应的场景风险因子确定；所述场景风险因子与预设的增益系数共同作用于所述敏感度评估值，以在所述使用场景为高风险场景时放大所述敏感度评估值。

10、进一步地，动态更新时，根据预设的微分方程，以时间为积分变量迭代计算得到所述目标敏感度评估值，所述微分方程为：

11、，其中为每个数据对象都具有一个随时间变化的势能值；a(t)为数据对象的归一化的访问频率，a(t)∈[0,1]；u(t)为场景风险因子,取值为1时表示最高风险；α为时间衰减系数，α∈[0,1]；γk为第k次安全事件的冲击强度系数，非负实数；ηk为第k次安全事件的衰减速率，正实数；tk为第k次安全事件的发生时间，k:tk≤t表示所有满足tk≤t的k；β为异常访问影响系数，用于控制访问对敏感性的影响强度，β∈[0.2,0.5];m为敏感性上限；δ为场景增益系数，δ∈[0.1,0.6]。

12、基于上述方法，本发明又提供了一种基于敏感性势能场的金融数据动态分类分级系统，所述系统部署于计算机设备，包括以下模块：

13、初始值获取模块，用于获取数据对象的初始敏感度评估值，所述初始敏感度评估值用于表征所述数据对象在当前时刻的敏感程度；

14、动态更新模块，用于基于影响所述数据对象敏感度随时间变化的多个影响因素，通过数值迭代计算，在同一状态量上综合所述多个影响因素对所述初始敏感度评估值进行动态更新，得到所述数据对象在目标时刻的目标敏感度评估值；其中，所述多个影响因素至少包括时间衰减因素、事件影响因素、异常访问因素和场景变化因素；

15、等级确定模块，用于根据所述目标敏感度评估值与预设的多个敏感度等级之间的映射关系，确定所述数据对象在所述目标时刻的敏感度等级。

16、进一步地，动态更新模块中，根据预设的微分方程，以时间为积分变量迭代计算得到所述目标敏感度评估值，所述微分方程为：

17、，其中为每个数据对象都具有一个随时间变化的势能值；a(t)为数据对象的归一化的访问频率，a(t)∈[0,1]；u(t)为场景风险因子,取值为1时表示最高风险；α为时间衰减系数，α∈[0,1]；γk为第k次安全事件的冲击强度系数，非负实数；ηk为第k次安全事件的衰减速率，正实数；tk为第k次安全事件的发生时间，k:tk≤t表示所有满足tk≤t的k；β为异常访问影响系数，用于控制访问对敏感性的影响强度，β∈[0.2,0.5];m为敏感性上限；δ为场景增益系数，δ∈[0.1,0.6]。

18、进一步地，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于敏感性势能场的金融数据动态分类分级方法的步骤。

19、进一步地，本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于敏感性势能场的金融数据动态分类分级方法的步骤。

20、采用上述技术方案后，本发明可实现以下技术效果：

21、（1）实现动态分类分级：本发明将数据敏感度建模为随时间连续演化的状态量，由计算机通过数值迭代计算实时更新敏感度评估值，使数据的安全等级能够随时间和事件自动升降级，克服了静态分级方法中等级一经确定即固定不变、无法适应敏感度变化的缺陷。

22、（2）评估结果更准确：本发明以微分方程将时间衰减、事件影响、异常访问和场景变化4类影响因素统一到同一个连续演化的敏感度状态量中求解，而非对各类风险因子分别独立打分后再简单加权。由于4类影响因素在同一状态量上相互耦合，例如时间衰减的速率取决于当前敏感度水平、异常访问带来的提升量又受敏感度上限约束，本发明能够刻画单一因素模型无法反映的衰减与反弹并存的动态过程，避免了简单衰减模型因忽视安全事件导致的敏感度反弹产生的评估偏差。

23、（3）降低数据安全处理的资源开销：敏感度等级由计算机随时间和事件自动调整，无需对每条数据反复进行人工重新打标，减少了人工维护开销；同时，由于等级随敏感度连续变化而及时调整，避免了数据长期保持过高等级所导致的加密、审批、脱敏等安全处理资源的持续浪费。

24、（4）提升数据安全防护能力：能够及时响应安全事件与异常访问，对受影响数据临时提升保护等级。与静态分级方法和简单衰减模型相比，本发明方法在数据发布、异常访问和安全事件等场景下的等级判定准确率显著提高、误分类率显著降低，对安全事件的响应时延由人工介入的小时级缩短至计算周期级。