什么是 PII？以及 PII 脱敏到底在做什么？

在做系统对接、日志采集、数据分析、接入大模型、做知识库时，经常会听到一个词：PII。
很多人知道它“很重要”，但并不清楚它到底包含什么，以及我们在系统里做的“脱敏”究竟解决了什么问题。
这篇文章用一篇简单的技术视角讲清楚：

1、什么是 PII？

PII = Personally Identifiable Information

中文通常翻译为：个人身份可识别信息。

它指的是：任何能够单独或结合其他信息识别出具体个人身份的数据。

2、哪些数据属于 PII？

常见 PII 包括：

2.1 直接识别类信息

可以单独识别个人身份：

• 姓名

• 身份证号

• 护照号

• 手机号

• 邮箱

• 银行卡号

• 社保号

2.2 间接识别类信息

单独看不一定能识别，但结合其他数据可以识别：

• IP 地址

• 设备 ID

• 车牌号

• 公司 + 职位

• 精确地理位置

• 出生日期

2.3 敏感个人信息（更高风险）

在很多法规中被单独强化保护，例如：

• 生物识别信息（人脸、指纹）

• 医疗健康信息

• 财务信息

• 行为轨迹

• 通话记录

3、为什么 PII 很重要？

3.1 法律合规要求

不同地区有严格的数据保护法律，例如：

• General Data Protection Regulation（欧盟）

• Personal Information Protection Law（中国）

如果企业泄露 PII，可能面临：

• 巨额罚款

• 业务停摆

• 法律诉讼

• 品牌声誉损失

3.2 技术风险

在技术系统中，PII 容易出现在：

• 接口日志

• 数据库备份

• 错误日志

• AI 提示词

• 知识库文档

• 第三方系统对接数据

很多数据泄露不是黑客攻击，而是：

👉 日志没做脱敏
👉 测试库用了真实数据
👉 AI 调用时传入真实身份证号

4、什么是 PII 脱敏？

PII 脱敏 = 在不影响业务逻辑的情况下，去除或模糊个人身份信息。

目的只有一个：

即使数据被看到，也无法识别出具体个人。

5、常见脱敏方式

5.1 掩码（Masking）

最常见方式。

例如：

适用于：

• 前端展示

• 日志输出

• 客服界面

5.2 替换（Tokenization）

将真实值替换为随机标识符。

例如：

真实数据单独存储在安全映射表中。

适用于：

• 数据分析

• 多系统交互

• AI 处理场景

5.3 哈希（Hash）

使用不可逆算法，例如 SHA256： 

优点：

• 不可逆

• 可用于去重

缺点：

• 如果原始数据可枚举，可能被撞库

5.4 加密（Encryption）

可逆加密方式。

优点：

• 可恢复原始数据

缺点：

• 密钥管理复杂

• 泄露风险仍存在

5.5 匿名化（Anonymization）

彻底去除识别能力，例如：

• 删除姓名

• 只保留年龄区间

• 只保留城市，不保留精确地址

适用于：

• 统计分析

• 公开数据发布

6、在 AI 场景下尤其要注意

现在很多系统会：

• 把数据库数据喂给大模型

• 把日志导入知识库

• 用智能体自动处理财务数据

如果没有做脱敏：

⚠️ 真实身份证号可能被上传到外部 API
⚠️ 银行卡信息可能出现在 Prompt 中
⚠️ 对话日志可能包含手机号

在接入大模型之前，建议：

• 先做 PII 检测

• 再做自动脱敏

• 再调用模型

7、企业系统中建议的做法

结合实际项目经验，建议：

7.1 日志层强制脱敏

在日志框架层做统一过滤，而不是靠开发自觉。

7.2 测试环境禁止使用真实数据

可使用数据生成工具或脱敏后的数据副本。

7.3 接入 AI 前增加 PII 过滤层

在调用模型 API 前增加一层： 

7.4 数据分级管理

将数据划分为：

• 公开数据

• 内部数据

• 敏感数据

• 高敏数据

不同级别采取不同保护策略。

8、总结一句话

PII 不是“数据字段问题”，而是“系统设计问题”。

是否做好 PII 保护，体现的是系统架构的成熟度。

在 AI 时代，数据流动越来越频繁：

• 日志 → 大模型

• 数据库 → 向量库

• 对话 → 训练数据

如果不从设计阶段就考虑 PII 脱敏，风险会成倍放大。