数据清洗、去标识化、匿名化业务规程（试行）-51页_644kb

中国信息通信研究院《数据清洗、去标识化、匿名化业务规程（试行）》概要

一、背景与目的

• 规范数据处理行为，指导组织正确实施数据清洗、去标识化、匿名化，支撑数据合规流通。
• 法律依据：《个人信息保护法》《数据安全法》及《北京市数字经济促进条例》等。
• 旨在提升数据可用性、安全性和可信度，激活数据要素市场。

二、处理目标与原则

（一）处理目标

1. 数据清洗：提升数据质量，确保规范性、完整性、一致性，为后续处理奠定基础。
2. 去标识化：在不借助额外信息的情况下实现不可识别，控制被重新识别的风险。
3. 匿名化：使数据难以复原，即使借助额外信息也无法识别，降低原始数据颗粒度。

（二）处理原则

1. 合法合规：满足法律法规要求，不损害各方合法权益。
2. 安全优先：采取措施降低安全风险。
3. 平衡效用：兼顾安全性和可用性，选择合适的技术路径。
4. 技管结合：技术与管理措施协同，嵌入全流程。
5. 有效溯源：记录处理过程，支持审计和追溯。

三、处理规程

四、处理流程

• 数据清洗：6步流程（抽取、定义规则、标识错误、修正、转换检验、评估）。
• 去标识化：6步流程（对象确定、目标制定、标识符识别、处理、验证、风险评估）。
• 匿名化：6步流程（对象确定、目标设定、先行去标识化、匿名化实施、效果评估、风险追踪）。

五、技术方法

（三）常见技术方法（按规程分别详细说明）

• 去标识化技术：抽样、加解密、假名化、抑制遮盖、泛化等。
• 匿名化技术：聚合统计、泛化、随机化、数据合成、隐私计算（多方安全计算、联邦学习、可信执行环境）。

四、环境要求

1. 管理制度：明确审批流程、权限管理、分类分级要求。
2. 技术能力：具备数据处理工具、熟悉技术方法、构建安全环境。
3. 人员能力：培训人员技能，明确职责，必要时寻求第三方支持。
4. 过程控制：实时监控处理过程，动态审计，纠正偏差。
5. 事故管理：制定应急预案，防止数据泄露和再识别风险。

c附录

• 提供常见直接/准标识符示例。
• 列出不同标识符的典型处理方法参考。
• 部分技术应用建议（如同态加密、抑制遮盖、聚合统计、联邦学习、可信执行环境）。

参考资料

引用《GB/T35273-2020》、《GB/T37964-2019》等国家标准及相关法律政策。