Phân loại tự động và phát hiện dữ liệu nhạy cảm (PII)

Khi đưa hàng trăm bảng từ nhiều hệ thống vào danh mục dữ liệu (data catalog), một câu hỏi sống còn lập tức xuất hiện: trong đống dữ liệu đó, chỗ nào đang chứa thông tin nhạy cảm của con người? Số căn cước công dân nằm ở cột nào, email khách hàng rải rác ở những bảng nào, file Excel nào lỡ chép cả số tài khoản ngân hàng. Trả lời thủ công thì bất khả thi — không ai đủ thời gian mở từng cột để soi. Phân loại tự động (classification) trong Ataccama ONE sinh ra để giải đúng việc này: catalog tự đọc dữ liệu, đoán xem mỗi cột thuộc loại gì và nhạy cảm tới đâu, rồi gắn nhãn lại để con người và máy cùng biết.

Phân loại tự động (classification) là gì

Phân loại là việc catalog tự nhận diện loại và độ nhạy cảm của dữ liệu rồi gắn nhãn (label/tag) tương ứng cho cột hoặc bảng. Thay vì chỉ biết “cột này tên là sdt, kiểu chuỗi”, catalog hiểu thêm: “đây là số điện thoại”, “đây là email”, “đây là số căn cước công dân (CCCD) — thuộc nhóm dữ liệu cá nhân nhạy cảm”.

Có thể hình dung phân loại như dán nhãn lên từng ngăn tủ hồ sơ: nhìn nhãn là biết bên trong có gì và cần khóa kỹ tới đâu, khỏi phải mở ra kiểm tra. Khi mọi tài sản dữ liệu đều được dán nhãn nhất quán, tổ chức lần đầu tiên có một bản đồ dữ liệu nhạy cảm trải khắp các hệ thống.

Ataccama dựa vào hai nguồn hiểu biết kết hợp:

Detection rules (quy tắc phát hiện): các quy tắc nhận diện một loại dữ liệu dựa trên hình dạng và mẫu giá trị — ví dụ chuỗi 12 chữ số có thể là CCCD, chuỗi có ký tự @ và tên miền là email, dãy số theo định dạng nhất định là mã số thuế. Quy tắc soi cả tên cột lẫn dữ liệu mẫu bên trong, nên ngay cả khi cột đặt tên khó hiểu vẫn đoán đúng.
AI / gợi ý thông minh: Ataccama ONE còn dùng học máy để gợi ý loại dữ liệu hoặc thuật ngữ phù hợp dựa trên kết quả profiling (thống kê giá trị) và những gì đã được gắn nhãn trước đó. Nhờ vậy hệ thống bắt được cả các trường hợp mà quy tắc cứng chưa phủ hết, và càng dùng càng “thuộc” dữ liệu của tổ chức.

Kết quả của quá trình này là mỗi tài sản dữ liệu được gắn các nhãn phân loại — vừa nói nó là gì (email, số điện thoại, địa chỉ…), vừa nói nó nhạy cảm cỡ nào (công khai, nội bộ, hay dữ liệu cá nhân cần bảo vệ).

Dữ liệu nhạy cảm và PII là gì

PII (Personally Identifiable Information — thông tin định danh cá nhân) là bất kỳ dữ liệu nào có thể dùng để nhận ra một con người cụ thể: họ tên, số CCCD, số điện thoại, email, địa chỉ nhà, số tài khoản ngân hàng, biển số xe, thông tin sức khỏe… Đây là loại dữ liệu mà nếu lộ ra ngoài sẽ gây thiệt hại trực tiếp cho cá nhân và rủi ro pháp lý cho doanh nghiệp.

Dữ liệu nhạy cảm là khái niệm rộng hơn PII một chút: ngoài thông tin cá nhân, nó còn gồm các dữ liệu mà tổ chức không muốn để lộ — bí mật kinh doanh, bảng lương, điều khoản hợp đồng. Trong catalog, phân loại giúp tách bạch: cột nào chỉ là dữ liệu thường, cột nào là PII, cột nào là nhạy cảm ở mức cao nhất.

Vì sao phân loại quan trọng cho bảo mật và tuân thủ

Bạn không thể bảo vệ thứ mình không biết là mình đang có. Đây là lý do cốt lõi khiến phân loại trở thành nền tảng của bảo mật dữ liệu.

Biết dữ liệu nhạy cảm nằm ở đâu. Trước khi nói chuyện mã hóa, che giấu hay giới hạn quyền, tổ chức phải trả lời được câu hỏi đầu tiên: PII của chúng ta đang nằm rải ở những bảng nào? Phân loại tự động vẽ ra tấm bản đồ đó trên toàn bộ hệ thống, thay vì để mỗi nơi tự phỏng đoán.
Phục vụ tuân thủ pháp luật. Ở Việt Nam, Nghị định về bảo vệ dữ liệu cá nhân đặt ra nghĩa vụ rõ ràng cho doanh nghiệp trong việc quản lý và bảo vệ dữ liệu cá nhân. Muốn chứng minh mình tuân thủ, tổ chức cần biết chính xác đang nắm những dữ liệu cá nhân nào, ở đâu — và đó đúng là thứ phân loại cung cấp. Cùng tinh thần ấy với các khung như GDPR của châu Âu: tất cả đều bắt đầu từ việc nhận diện được dữ liệu cá nhân.
Phản ứng nhanh khi có sự cố hoặc yêu cầu. Khi một khách hàng yêu cầu xóa thông tin của họ, hoặc khi cần đánh giá ảnh hưởng của một vụ rò rỉ, có sẵn nhãn phân loại giúp tìm ra mọi nơi chứa dữ liệu liên quan trong vài phút thay vì vài tuần.

Nhãn nhạy cảm phục vụ phân quyền truy cập

Phân loại không chỉ để “biết cho rõ” — nó là đầu vào trực tiếp cho việc kiểm soát ai được xem gì. Khi một cột đã mang nhãn “dữ liệu cá nhân nhạy cảm”, tổ chức có thể đặt chính sách: chỉ những vai trò nhất định mới được truy cập, người khác chỉ thấy dữ liệu đã che giấu (masking) hoặc không thấy gì cả.

Cơ chế này ăn khớp với cách Ataccama quản lý vai trò và quyền (RBAC): nhãn nhạy cảm trở thành tiêu chí để gắn chính sách bảo mật một cách nhất quán, áp cho mọi dữ liệu mang nhãn đó thay vì cấu hình thủ công từng bảng. Nhờ vậy quy định “kế toán không được xem số CCCD khách hàng” được thực thi tự động ở mọi nơi dữ liệu CCCD xuất hiện.

Ví dụ Việt Nam

Một ngân hàng bán lẻ kết nối catalog vào hàng chục hệ thống: core banking, CRM, các file Excel báo cáo của chi nhánh. Sau khi quét, phân loại tự động phát hiện:

Cột cmnd_cccd trong bảng hồ sơ khách hàng → nhãn CCCD / dữ liệu cá nhân nhạy cảm.
Cột lien_he trong CRM thực ra chứa lẫn lộn email và số điện thoại → được tách nhãn email và số điện thoại.
Một file khach_vip.xlsx do chi nhánh tự tạo có cả số tài khoản lẫn mã số thuế → bị gắn nhãn nhạy cảm cao và cảnh báo cho bộ phận bảo mật, vì lẽ ra dữ liệu này không nên nằm trong file rời.

Từ tấm bản đồ đó, ngân hàng đặt chính sách: nhân viên chăm sóc khách hàng chỉ thấy 4 số cuối CCCD, đội phân tích thấy dữ liệu đã ẩn danh, và mọi truy cập vào cột nhạy cảm đều được ghi nhật ký. Khi đoàn kiểm tra hỏi “dữ liệu cá nhân của các anh nằm ở đâu, bảo vệ thế nào”, họ có câu trả lời ngay trên catalog.

Lỗi hay gặp

Tưởng quét một lần là xong. Dữ liệu mới sinh ra mỗi ngày, cột mới được thêm, file mới được tải lên. Phân loại cần chạy định kỳ để bản đồ nhạy cảm luôn cập nhật.
Tin tuyệt đối vào máy, bỏ qua rà soát. Phát hiện tự động rất mạnh nhưng vẫn có trường hợp nhập nhằng (một dãy số có thể là CCCD hoặc mã nội bộ). Vai trò chủ sở hữu dữ liệu xác nhận lại nhãn cho những trường hợp quan trọng là cần thiết.
Phân loại nhưng không gắn với chính sách. Dán nhãn mà không nối vào phân quyền thì mới làm được nửa việc — bản đồ có rồi nhưng cửa vẫn chưa khóa.