本书首先介绍了业内多个具备代表性的数据安全理论及实践框架。借鉴这些理论和框架的思想，基于丰富的数据安全项目实战经验，总结了一套针对敏感数据保护的CAPE数据安全实践框架；然后从数据常见风险出发，引出数据保护最佳实践，全面介绍了几个代表性行业的数据安全实践案例；最后详细介绍了相关数据安全的技术原理。本书主要针对政府及电信、金融、医疗、教育等重点行业面临的最具威胁性和代表性的数据安全风险，总结了这些数据安全风险的应对方法和安全防护实践指南，详细介绍了当前市面上前沿和具有代表性的数据安全防护技术，并为广大读者提供了多个行业典型的数据安全最佳实践案例。希望读者能够从框架、风险、实施、技术等方面全面了解数据安全保护的理论和实践方法。本书可以作为高校学生、信息安全行业从业者的数据安全的入门读物，也可作为相关机构或组织进行数据安全建设实践的参考指南。

序言 中国科学院院士 何积丰 近年来，以大数据、云计算、人工智能、物联网和5G通信网络为代表的新信息技术迅猛发展，数字经济已成为推动我国经济高质量发展的重要引擎，数据成为数字经济的基础性资源和生产要素。数据安全是我国加快推进社会数字化转型，完成“十四五”时期建设网络强国、数字中国等重要战略任务的基本保障。2021年我国颁布了《中华人民共和国数据安全法》《中华人民共和国个人信息保护法》等相关法律法规，标志着我国网络数据法律体系建设日趋完善，也为数据安全保障提供了重要的法律依据。 国家“十四五”规划明确将“建立高效利用的数据要素资源体系”作为十项重点任务之一，提出了改善数据资源开发利用效率和加强数据安全保障的战略。数据资源安全有序开放必将带来数据的流通、共享，从而打破数据壁垒。然而，大量个人隐私和重要信息流动也带来了信息泄露和非法利用的风险。为了确保数据依法、合规、受控地有序流动，我们要充分整合从政府到行业再到企业层面的人力和资源，协同做好数据安全工作。 本书作为数据安全技术和实践的科普读物，分析了DSG、DCAP、DSC、DGPC和DAPMM等模型的数据安全防护经验与特色，提出用于敏感数据保护的CAPE数据安全实践框架。该模型采用预防性建设为主、检测响应为辅的技术路线，从风险核查、数据梳理、数据保护和预警监控等四个环节出发，以“身份”和“数据”为中心，有效防止敏感数据泄露、数据篡改等事件发生，是一个覆盖数据全生命周期的安全保障和监管框架。 同时，本书针对政府、运营商、金融、医疗、教育等重点行业面临的数据安全代表性场景，提出了有效的应对策略，介绍了当前常用的数据安全防护技术，为广大读者提供了有关行业的数据安全实践案例。本书立意高远，理论思考深入，方法扎实可行，具有很好的指导和示范意义。 前言 当前，数字经济已经与公共服务、实体经济领域的数字化转型紧密贴合，不仅直接带动了以数据为核心资源的相关产业的发展，而且凭借其所具有的赋能效应，在信息技术的广泛渗透下，有效推动实体经济的质量变革、效能变革与服务变革。通过与经济社会的融合，众多数字经济相关产业在变革、重构、重组或迭代中获得勃勃生机，迸发出巨大的潜能，数字化转型正在体现出显著的成效。 政府组织和各企事业单位（简称政企）对数据的利用越来越多，数据驱动业务发展、数据与生产资料的深度融合，极大地促进了社会生产力的发展。同时，数据作为新型生产要素，在加工、流动、共享、处理、聚集与衍生中创造了更高的价值和收益。但是，伴随着正向收益的还有风险和危害，数据在流动和使用的过程中也存在各式各样的风险。比如，外部黑客攻击、内部越权访问、敏感数据泄露、核心数据被篡改、误操作导致数据丢失等，这些都会导致无可挽回的经济损失和核心竞争力缺失，面对上述新的安全挑战，将数据安全管理与数据安全技术融合，结合合规、经营策略、IT战略、业务、风险容忍度等实施数据安全治理，是政企、运营商、金融机构等组织面临的必经之路。 纵观信息化发展的历史，不难发现，随着各类业务应用的建立、集中、拆散、重构，信息系统之间开始打通、共享、协同，数据在组织内部和外部快速流转，促使数字化转型升级。 作为早期数据存储最重要的载体，数据库发挥着巨大价值，是信息化、数字化、智能化过程中重要的、不可替代的工具之一。 在数字化发展过程中，几乎所有的重要应用都是部署在数据库之上的，如：银行网银系统、证券交易系统、智慧城市系统、城市大脑的数据共享交换平台，等等。当数据堆积超过一定程度，面向主题的集成数据存储架构——数据仓库应运而生，信息产业就开始从以关系型数据库为基础的运营式系统慢慢向决策支持系统发展。随着数据的进一步产生和不断堆积，企业希望把生产经营中的所有相关数据都完整保存下来，进行有效管理与集中治理，挖掘和探索数据价值。数据湖就是在这种背景下产生的。数据湖是一个建立在数据库基础之上的集中存储各类结构化和非结构化原始数据的大型数据仓库，能够快速完成异构数据源的联邦分析、挖掘和探索数据价值等处理。数据湖的本质是由“数据存储架构+数据处理工具”组成的解决方案。 随着数据湖的出现，数字化技术和应用手段呈现出高速发展趋势，一种以数字化为手段，将数据抽象成服务的新型解决方案——数据中台成为了新贵，广义的数据中台可实现对海量数据进行采集、计算、存储、加工等一系列功能，是企业业务和数据的沉淀。它不仅能降低重复建设，减少“烟囱式”系统，也是支持政企数字化转型、智慧城市建设等应用中的重要工具。 数据是各类数据安全技术需要保护的核心目标。所以本书重点讨论在数字化改革的时代背景下，政企的数据安全应该如何建设。本书将从主流数据安全保护框架、常见数据安全风险防护、各行业数据安全实践等多个维度与读者进行讨论和分析。 本书借鉴了多个数据安全理论框架的思想，基于丰富的数据安全项目实战经验，总结了一套针对敏感数据保护的CAPE（Check，风险核查；Assort，数据梳理；Protect，数据保护；Examine，监控预警）数据安全实践框架。该框架覆盖了数据安全防护的全生命周期过程，建立了以风险核查为起点，以数据梳理为基础，以数据保护为核心，以监控预警作为支撑，建立“数据安全运营”的全过程数据安全支撑体系，直至达到整体智治的安全目标。 本书的整体框架大致如下：首先介绍了业内多个具备代表性的数据安全理论及实践框架，然后从数据常见风险出发，引出数据安全保护最佳实践。接着全面介绍了几个代表性行业的数据安全实践案例，最后详细介绍了相关数据安全的技术原理。希望读者能够从框架、风险、实践、技术四个方面全面地了解数据安全保护。全书章节导图如图0-1所示。 图0-1 全书章节导图 本书的目标读者包括但不限于政企的首席数据官、首席安全官、首席信息官、数据安全从业者、数据分析师、数据开发者、数据科学家、数据库管理员，以及对数据安全技术实践落地感兴趣的学生等人群。希望读者通过本书的学习，在政企高速数字化转型过程中，能够合理规划设计数据安全整体方案，高效落地数据全生命周期的安全防护。鉴于时间仓促和能力有限，本书中如有不全面、不合理的内容，请读者多反馈指导和海涵。 反馈邮箱：ailpha@dbappsecurity.com.cn 刘 博

第1章 数字化转型驱动数据安全建设 1 1.1 数据安全相关法律简介 1 1.2 数据安全的市场化价值挖掘 2 1.3 政企数字化转型的战略意义和核心能力 3 1.3.1 政企数字化转型的战略意义 3 1.3.2 政企数字化转型的核心竞争力 5 1.4 数字化发展带来的安全威胁 6 1.4.1 数据安全形势日趋严峻 6 1.4.2 数据安全事件层出不穷 7 1.4.3 数据安全问题制约数字经济发展 8 第2章 数据安全理论及实践框架 10 2.1 数据安全治理（DSG）框架 10 2.2 数据安全管控（DSC）框架 12 2.3 数据驱动审计和保护（DCAP）框架 14 2.4 数据审计和保护成熟度模型（DAPMM） 15 2.5 隐私、保密和合规性数据治理（DGPC）框架 17 2.6 数据安全能力成熟度模型（DSMM） 19 2.7 CAPE数据安全实践框架 21 2.7.1 风险核查（C） 23 2.7.2 数据梳理（A） 23 2.7.3 数据保护（P） 24 2.7.4 监控预警（E） 24 2.8 小结 24 第3章 数据安全常见风险 26 3.1 数据库部署情况底数不清（C） 26 3.2 数据库基础配置不当（C） 27 3.3 敏感重要数据分布情况底数不清（A） 28 3.4 敏感数据和重要数据过度授权（A） 29 3.5 高权限账号管控较弱（A） 30 3.6 数据存储硬件失窃（P） 31 3.7 分析型和测试型数据风险（P） 32 3.8 敏感数据泄露风险（P） 33 3.9 SQL注入（P） 35 3.10 数据库系统漏洞浅析（P） 37 3.11 基于API的数据共享风险（P） 37 3.12 数据库备份文件风险（P） 40 3.13 人为误操作风险（E） 41 第4章 数据安全保护最佳实践 43 4.1 建设前：数据安全评估及咨询规划 43 4.1.1 数据安全顶层规划咨询 43 4.1.2 数据安全风险评估 44 4.1.3 数据安全分类分级咨询 45 4.2 建设中：以CAPE数据安全实践框架为指导去实践 46 4.2.1 数据库服务探测与基线核查（C） 46 4.2.2 敏感数据分类分级（A） 47 4.2.3 精细化数据安全权限管控（A） 51 4.2.4 对特权账号操作实施全方位管控（A） 52 4.2.5 存储加密保障数据存储安全（P） 53 4.2.6 对分析和测试数据实施脱敏或添加水印（P） 55 4.2.7 网络防泄露（P） 61 4.2.8 终端防泄露（P） 64 4.2.9 防御SQL注入和漏洞（P） 66 4.2.10 及时升级数据库漏洞或者虚拟补丁（P） 69 4.2.11 基于API共享的数据权限控制（P） 73 4.2.12 数据备份（P） 75 4.2.13 全量访问审计与行为分析（E） 78 4.2.14 构建敏感数据溯源能力（E） 79 4.3 建设中：数据安全平台统一管理数据安全能力 82 4.3.1 平台化是大趋势 82 4.3.2 数据安全平台典型架构 84 4.4 建设后：持续的数据安全策略运营及员工培训 86 4.4.1 数据安全运营与培训内容 86 4.4.2 建设时间表矩阵 87 第5章 代表性行业数据安全实践案例 89 5.1 数字政府与大数据局 89 5.1.1 数字经济发展现状 89 5.1.2 数据是第五大生产要素 89 5.1.3 建设数字中国 89 5.1.4 数据安全是数字中国的基石 89 5.1.5 大数据局数据安全治理实践 90 5.1.6 数据安全治理价值 91 5.2 电信行业数据安全实践 92 5.2.1 电信行业数据安全相关政策要求 92 5.2.2 电信行业数据安全现状与挑战 93 5.2.3 电信行业数据安全治理对策 93 5.3 金融行业数据安全实践 95 5.3.1 典型数据安全事件 95 5.3.2 金融行业数据风险特征 95 5.3.3 金融行业数据安全标准 96 5.3.4 金融数据安全治理内容 97 5.4 医疗行业数据安全实践 99 5.4.1 医疗数据范围 99 5.4.2 医疗业务数据场景与安全威胁 100 5.4.3 数据治理建设内容 101 5.4.4 典型数据安全治理场景案例 103 5.5 教育行业数据安全实践 104 5.5.1 安全背景 104 5.5.2 现状情况 104 5.5.3 安全需求 105 5.5.4 安全实践思路 106 5.5.5 总体技术实践 107 5.5.6 典型实践场景案例 110 5.6 “东数西算”数据安全实践 112 5.6.1 “东数西算”发展背景 112 5.6.2 “东数西算”实践价值 112 5.6.3 “东数西算”实践内容 112 第6章 数据安全技术原理 115 6.1 数据资产扫描（C） 115 6.1.1 概况 115 6.1.2 技术路线 116 6.1.3 应用场景 119 6.2 敏感数据识别与分类分级（A） 119 6.2.1 概况 119 6.2.2 技术路线 120 6.2.3 应用场景 123 6.3 数据加密（P） 123 6.3.1 概况 123 6.3.2 技术路线 123 6.3.3 应用场景 128 6.4 静态数据脱敏（P） 129 6.4.1 概况 129 6.4.2 技术路线 130 6.4.3 应用场景 133 6.5 动态数据脱敏（P） 134 6.5.1 概况 134 6.5.2 技术路线 135 6.5.3 应用场景 137 6.6 数据水印（P） 138 6.6.1 概况 138 6.6.2 技术路线 140 6.6.3 应用场景 142 6.7 文件内容识别（P） 143 6.7.1 概况 143 6.7.2 技术路线 144 6.7.3 应用场景 149 6.8 数据库网关（P） 150 6.8.1 概况 150 6.8.2 技术路线 152 6.8.3 应用场景 155 6.9 UEBA异常行为分析（E） 156 6.9.1 概况 156 6.9.2 技术路线 156 6.9.3 应用场景 158 6.10 数据审计（E） 159 6.10.1 概况 159 6.10.2 技术路线 160 6.10.3 应用场景 162