文 | 中石油（北京）数智研究院有限公司 宋丹劼 刘瑞 陈佳珵 吴强
随着《中华人民共和国网络安全法》《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》《网络数据安全管理条例》的相继出台，对数据实行分类分级保护，已被明确列为我国网络运营者必须履行的安全保护职责之一，数据安全实践迈入有法可依、有章可循的全新阶段。全国网络安全标准化技术委员会先后发布《信息技术大数据数据分类指南》（GB/T38667-2020）、《数据安全技术数据分类分级规则》（GB/T43697-2024），给出了数据分类分级的通用准则，为各行业领域、各地区、各部门以及数据处理者开展数据分类分级工作提供了指引。本文聚焦于能源化工行业动态数据的分类分级技术方法，对该行业的数据分类分级规范进行了系统梳理，明确了此项工作的必要性以及合规要求。同时，阐述了数据分类分级的基本流程，并对传统基于规则、传统机器学习、深度学习和大模型等关键技术及其适用场景进行综合论述，以期为行业数据安全治理与合规实践提供理论参考与技术支撑。
一、数据分类分级现状
在我国能源化工行业数据动态分类分级的研究工作中，工业和信息化部与国家能源局发挥着双重指导作用，共同构成了行业数据治理的顶层设计框架，确保数据分类分级工作的有效开展。工业和信息化部从工业信息化的整体视角出发，聚焦数据在工业生产流程、产业供应链以及智能制造等环节的应用与价值挖掘，为能源化工行业的数据分类分级提供战略性指引与系统性规范；国家能源局立足能源行业的特殊性与专业性，围绕能源数据的采集、存储、传输以及利用等关键环节，对该行业的数据分类分级给予专业性指导，并提出具有针对性的要求。
近几年，工业和信息化部陆续出台工业领域的数据分类分级指南或规范。2024年1月，工业和信息化部等九部门印发《原材料工业数字化转型工作方案（2024-2026年）》，强调落实工业互联网安全分类分级管理要求，“到2026年，基本建立分级分类数据的全生命周期安全管理制度”。2024年2月，工业和信息化部印发《工业领域数据安全能力提升实施方案（2024-2026年）》，提出到2026年底基本建立工业领域数据安全保障体系。2024年11月，工业和信息化部发布《工业企业数据安全防护要求》（YD/T4982-2024），规定了基础性数据安全防护要求、数据全生命周期安全防护要求以及针对一般数据、重要数据、核心数据设定了三级防护要求。2024年12月，工业和信息化部批准并发布《工业领域重要数据识别指南》，明确了涵盖石化、化工等领域重要数据识别的基本原则、流程以及考虑因素。2025年5月，工业和信息化部发布《工业领域数据安全风险评估规范》（YD/T6415-2025），定义了研发、生产、运维、外部、管理、平台运营、标识运营七个一类级别和二十个二类级别。2026年3月，国家市场监督管理总局、国家标准化管理委员会发布《工业互联网企业网络安全第4部分：数据防护要求》（GB/T44462.4-2026），将分类分级后的防护要求从“工业企业”扩展至工业互联网全场景；同月，全国网络安全标准化技术委员会发布《网络安全标准实践指南——工业企业数据安全能力成熟度模型》，规定了数据全生命周期和通用安全的成熟度等级要求。
同时，能源行业也发布了能源领域的数据分类分级指导意见或规范。2023年3月，国家能源局发布《关于加快推进能源数字化智能化发展的若干意见》，首次提出“推动能源数据分类分级管理与共享应用。推动能源行业数据分类分级保护制度建设，加强数据安全治理”。2023年9月，中国石油和化学工业联合会发布《石油和化工行业工业数据分类分级指南》（T/CPCIF0270-2023），提供了线、面、混合等数据分类方法，技术选型、业务应用、主题等分类维度，涵盖集团企业、炼油和化工企业、油田企业、零售企业的主题和数据集分类，为石油和化工行业工业数据分类分级提供了指导性建议。2025年9月，国家能源局发布《能源行业数据安全管理办法（试行）（征求意见稿）》，其中将数据分为一般、重要、核心三级，与现行体系一致。2025年12月，国家能源局印发《能源行业数据安全管理办法（试行）》，作为能源行业落实国家法律法规的首个规范性文件，标志着国家层面行业级数据安全管理细则正式落地。江苏省、山西省等地，陆续发布能源数据分类分级地方标准。
二、数据分类分级流程
能源化工行业涉及海量异构数据，价值与敏感度差异巨大，生产与消费状态的实时性、波动性变化导致数据分布随时间动态变化，通过动态数据分类分级机制，适时调整数据优先级，是开展数据全生命周期安全防护的前提。其中，数据分类是根据数据属性对数据进行划分，数据分级是对同一类别的数据按照安全级别的高低进行划分。数据分类分级流程大致包括以下五个步骤：数据分类分级准备、数据分类分级初步判定、数据分类分级人工复核、数据分类分级批准以及动态更新管理。
（1）数据分类分级准备：对数据资产进行盘点、梳理与分类，形成统一的数据资产清单；按照国家法律法规、地方和行业的规则标准，结合企业自身数据特点和内部管理要求，确定企业采用的分类分级规则。（2）数据分类分级初步判定：按照分类分级规则，对数据资产清单中的库、表和字段进行自动或人工识别，完成对数据资产的初步分类分级。（3）数据分类分级人工复核：综合考虑数据规模、数据时效性、数据形态（如是否经汇总、加工、统计、脱敏或匿名化处理）等因素，对初步分类分级结果进行人工复核，形成具备分类分级信息的数据资产清单。（4）数据分类分级批准：由数据安全管理最高决策组织对数据分类分级结果进行审议和批准，形成重要数据和核心数据目录，并对数据进行分类分级标识，按有关程序报送目录。（5）动态更新管理：根据数据重要程度和可能造成的危害程度变化，对数据分类分级规则、重要数据和核心数据目录、数据分类分级清单和标识等进行动态更新管理。
三、数据分类分级技术
常见的数据分类分级技术主要划分为四类：传统数据分类分级技术、基于传统机器学习的数据分类分级技术、基于深度学习的数据分类分级技术、基于大语言模型的数据分类分级技术。这四类技术凭借其各自独特的原理和优势，在众多行业发挥着关键作用，同样也完全适用于能源化工行业，为行业高效、精准地开展数据分类分级工作提供坚实的技术支撑。
（一）传统数据分类分级技术
传统数据分类分级技术通常依赖于预设的规则和专家经验，通过人工预定义规则（如正则表达式、关键词、元数据、文件路径）对数据字段或内容进行匹配打标并划分级别，包括基于确定性规则（如“if-then”逻辑和阈值判断）、数据统计特征（如数据格式、值域、出现频率）、模糊规则（Fuzzy Rules）等方法。例如，利用正则表达式快速识别身份证号并予以标记；对于金额逾百万元的合同，将其标记为重大合同；对于关键词包含“最终版”“油气”“产率”，文件扩展名为“.xlsx”或“.docx”，且存储于特定路径下的文件，自动将其标记为核心数据等。
这类技术通常通过专家系统、规则引擎或模糊规则系统予以实现，方法简单直观、便于实施，具有较强的可解释性和明确的业务逻辑支撑，并且无须训练样本、计算成本较低。但规则质量完全依赖于专家知识，无法识别规则范围之外的敏感信息，当业务发生变化时需要人工更新规则库。因此，传统数据分类分级技术主要适用于处理结构化程度高、位置相对固定、规则易于描述的确定性情况，对于非结构化、海量且多变的数据则需引入机器学习或大模型技术作为补充。
（二）基于传统机器学习的数据分类分级技术
基于传统机器学习的数据分类分级技术是从数据中（包括已标注和未标注的数据）自动学习决策模型或内在模式，从而对未知数据进行类别划分或级别评定的方法，其主要分为监督学习和无监督学习两类。
监督学习利用已标注类别的数据训练模型，学习输入特征与输出标签的映射关系，常见方法有支持向量机（SVM）、决策树（如ID3算法、C4.5算法、CART算法）、随机森林、朴素贝叶斯、逻辑回归、K近邻（KNN）、极端梯度提升（XGBoost）、轻量级梯度提升机（LightGBM）等。监督学习适用于目标明确、历史数据已积累一定标签的场景，能源化工企业存在海量的非结构化文档，例如，研发报告、技术总结、事故分析报告、可行性研究报告等，这些文档格式不一，仅靠关键词匹配极易误判或漏判，使用特征工程可将文档内容转化为数值特征，通过专家对历史文档进行人工标记，用标记好的数据训练SVM分类模型，新上传的文档将被模型自动分析和分类。
无监督学习可以直接从未标注数据中发现潜在结构，将相似的数据归为一类，完成数据分组，常见方法有聚类分析（K-means）、关联规则等。无监督学习适用于在数据标签稀缺或不完整的情况下，自动识别并挖掘出数据内在结构，发现未知规律。例如，在数据治理初期，使用K-means算法对企业的数据资产（如数据库表、文档仓库等）进行自动分群，专家通过分析每个簇的特征，快速了解企业存在哪些类型的数据，并初步制定分类策略。
（三）基于深度学习的数据分类分级技术
基于深度学习的数据分类分级技术是指，利用深度神经网络开展端到端的自动学习，获取数据的高层特征与复杂映射关系，进而实现对未知数据进行类别划分或级别预测的方法。基于深度学习的数据分类分级技术按网络结构可分为卷积神经网络（CNN）、循环神经网络（RNN）、自注意力机制（Transformer）、自编码器（AE）、生成对抗网络（GAN）、图神经网络（GNN）等。例如，能源化工行业有海量的设计图纸、工艺流程图和技术文档，这些资料中包含的敏感信息以文本、图形、符号、连接关系等形式存在，使用CNN可自动识别图纸中的特定符号，使用光学字符识别（OCR）技术提取图中的文本标签和注释，再通过RNN或Transformer理解其语义。
基于深度学习的数据分类分级技术优点在于能够自动提取高层语义，无须复杂人工特征工程，且对高维复杂数据（如图像、文本）具有极强的建模能力，大样本场景精度高；缺点是模型训练需要大量标注数据和算力，模型决策过程多为“黑箱”，导致可解释性差，对超参数调整和训练技巧依赖较高，小样本场景易过拟合，新增类别常需重训或微调。深度学习模型覆盖了从图像、序列到图结构等多元化数据的分类分级需求，但需要根据数据特性与计算资源权衡选择。
（四）基于大语言模型的数据分类分级技术
大语言模型是深度学习领域的新范式，基于大语言模型的数据分类分级技术是指利用超大规模预训练语言模型，通过微调（Fine-tuning）、提示（Prompting）或上下文学习（In-Context Learning），自动识别和标注数据类型（如个人信息）与敏感级别的方法，按使用方式可分为微调型、生成—判别型、提示—零样本型三类。
微调型是基于现有预训练模型，通过标注好的专业数据调整模型参数，使模型能理解行业术语、知识体系和上下文关联场景，代表模型有BERT、RoBERTa、文心ERNIE。其优点是利用预训练模型的知识迁移能力，减少对新数据标注的依赖，提高分类分级效率和准确性。例如，企业知识库中存有大量历史工艺文档和研发报告待分类分级，可收集一批已标注的文档作为训练集，使用BERT文本分类模型进行微调，新产生的或未被分类的文档自动送入微调后的模型，模型基于文档内容的理解，如是否包含关键配方、温度压力精确值、核心设备参数，自动输出其建议的分类分级。
生成—判别型通过生成模型学习真实数据的分布特征，创造出合成数据，再通过判别模型对生成的数据进行分类判别。适用于生成模拟数据以扩充训练集，解决数据稀缺问题，提高分类模型的准确性和泛化能力。例如，针对能源化工中罕见但高风险的场景（如特定设备故障、极端工艺偏差），生成大量逼真的训练数据，将真实数据与生成数据混合，训练为一个强大的辨别器，该辨别器能精准地从实时数据流中识别出异常、预示风险的模式，并动态调整其风险等级。
提示—零样本型是通过精心设计自然语义指令，在不进行训练的情况下，直接引导预训练大模型完成特定任务。适用于对新型设备、工艺或新业务场景产生的数据进行分类分级。例如，企业引进了新型生成设备，该设备产生的数据与现有设备数据特征存在显著差异，由于缺乏标注样本，传统分类模型难以直接使用，采用提示—零样本学习技术，结合设备说明书、工艺参数等辅助信息以及类似设备的数据特征作为先验知识，构建能够识别新设备数据特征的分类模型，实现新设备数据的自动分类分级。
四、结 语
当前，我国已构建以“3+1”数据安全基础性法律为核心、多项国家标准与行业指南为支撑的数据分类分级制度框架，为能源化工企业开展数据安全治理、建立与业务深度融合的分类分级体系提供了明确指引。未来，随着人工智能、大语言模型、隐私计算和量子计算等技术持续演进，结合自身数据类型、业务场景与资源条件，企业能够更加灵活地选择或融合多种技术路径，以实现更精准高效的动态数据分类分级，确保数据全生命周期的安全合规。
（本文刊登于《中国信息安全》杂志2026年第5期）
声明：本文来自中国信息安全，版权归作者所有。文章内容仅代表作者独立观点，不代表安全内参立场，转载目的在于传递更多信息。如有侵权，请联系 anquanneican@163.com。
