数据清洗、去标识化、匿名化业务规程（试行）-中国信通院_51页_878kb

中国信息通信研究院等数据清洗去标识化匿名化处理规程总结

本规程由北京国际大数据交易有限公司与产业与规划研究所联合编制，旨在规范数据处理流程，支撑数据要素流通交易。依据《个人信息保护法》《数据安全法》及北京市数字经济发展相关法规，明确数据清洗、去标识化、匿名化三类处理活动的特征与实施要求。

一、处理目标及关系

1. 数据清洗是数据可用性的基础保障，通过修正数据问题提升质量，确保规范性、完整性、一致性、准确性和可溯源性，为后续处理奠定基础。
2. 去标识化是数据脱敏的核心环节，通过去除、替换、模糊等手段消除直接和准标识符，但保留数据的统计特性，实现"不借助额外信息不可识别"。
3. 匿名化是对去标识化技术的强化，要求数据既无法识别主体，也不能通过额外信息复原，通常需消除个体颗粒度或显著降低数据真实性。

二、处理原则

• 合法合规：遵循国家法规和标准要求
• 安全优先：以降低数据在流通应用中的安全风险为首要目标
• 平衡效用：在满足安全要求前提下，选择对数据可用性影响最小的处理方案
• 技管结合：综合运用技术和管理措施，建立全流程管控机制
• 有效溯源：记录处理过程参数和控制措施，支持数据回溯与审计

三、处理规程

数据清洗

1. 处理目的：确保数据规范性、完整性、一致性、准确性和可溯源性
2. 流程：包含六个步骤，包括清洗对象抽取、规则定义、错误标识、修正处理、转换检验和结果评估
3. 技术方法：包括删除缺失值、填充缺失内容、重新采集数据、格式修正、逻辑冲突处理、数据重复消除等。需根据字段重要性与缺失率选择处理策略

数据去标识化

1. 处理目标：消除直接标识符和准标识符，控制数据可识别风险
2. 流程：包括确定处理对象、设定目标、识别标识符、执行处理、验证结果、评估再识别风险
3. 关键技术：
   • 假名化：用虚构名称替换真实标识符
   • 加解密技术：通过算法可逆性保护标识符
   • 抑制遮盖：删除或屏蔽敏感字段
   • 泛化处理：降低数据精度进行概括描述
   • 随机化技术：通过数据扰动或置换实现隐私保护

数据匿名化

1. 处理目标：通过技术手段使数据不可逆且不可识别，有效保护数据安全
2. 流程：包括对象确定、目标设定、去标识化预处理、实施匿名化、效果评估、风险追踪
3. 典型方法：
   • 聚合统计：以统计值替代个体记录
   • 泛化编码：扩大数据描述范围
   • 数据合成：生成符合统计特征的新数据
   • 隐私计算技术：包括多方安全计算、联邦学习、可信执行环境等新型技术应用

四、处理环境要求

1. 管理制度：建立分类分级管理体系，明确各环节审批流程和操作规范
2. 技术能力：具备数据采集、存储、分析和安全防护技术体系
3. 人员培训：定期开展数据合规处理培训，实施安全防护教育
4. 过程控制：实时记录处理参数，动态监控处理过程，建立权限管理和安全审计机制
5. 事故处置：完善风险事件应对机制，及时采取泄露补救措施

五、技术方法适用性

各技术方法需结合数据类型选择：

• 去标识化技术：适用于保留原始数据颗粒度但需降低识别风险的场景
• 匿名化技术：适用于完全消除个体特征或显著降低真实性的场景
• 组合应用：如将抑制遮盖与泛化处理结合，或通过隐私计算技术实现数据价值与安全的平衡

六、相关政策依据

解析了《GB/T37964-2019去标识化指南》《GB/T42460-2023评估指南》等标准，结合《个人信息保护法》等法规，建立处理效果评价体系。通过k-匿名模型等技术指标体系量化评估再识别风险。

本规程强调技术与管理措施的有机融合，提出数据处理需遵循"处理目的导向、风险量化管控、场景化适配"三大原则，为数据要素流通提供标准化指引，助力数据安全与价值释放的平衡发展。