（预计阅读时间：8分钟）
数据血缘，数据旅行的地图
大数据时代，我们都被数据包围着。企业中的数据作为生产要素，只有进行流转、使用，才能发挥其最大价值。
面对这些来自不同系统、存储为不同形式的数据，我们不禁好奇：这些数据从哪里产生，流经过哪些业务系统？这些系统又对这些数据进行了哪些操作或计算？数据血缘图谱可以回答这些问题。
数据血缘是数据旅行的地图，它显示了数据的起源、沿途的每一站、以及在每一站对数据做了哪些处理和操作。
数据是生产资料，要管理和保护好数据、挖掘数据的价值，最好能怀揣这样一张数据旅行的地图——数据血缘图谱。
数据血缘图谱的典型应用
来源跟踪
这里包括数据来源和报表来源的跟踪。一份数据或是报表的生产，可能涉及到很多的来源和流转路径。掌握这些信息，可以帮助决策者深入理解数据和报表，为科学决策提供依据。
影响分析
数据不断地产生和变化。假如一份数据在源头或上游发生改变，就可以通过数据血缘图谱检查改变后的数据流转过程，并找出下游哪些数据（如消费者）将受到影响。
依赖分析
有些数据源、子系统或中间表、字段是被深入依赖的。数据血缘图谱可以帮助数据管理者调整数据架构，减少数据冗余，优化数据的存储和分析。
数据治理
数据血缘图谱，可以帮助业务领导者在跟踪数据的合规性、管理数据风险的同时，做出更好的决策。
图数据库最适合构建数据血缘图谱
数据血缘映射的是组织中数据实体之间大量的、复杂的依赖关系。假如使用传统关系型数据库中的关系数据模型，由行，列组成的二维表来表示，对于数据血缘问题的处理难免复杂低效。使用图数据库来处理，数据及其关系被抽象为图模型中的“点、边”结构，让关系表达更直观，操作更简单、更快捷。
我们以金融场景为例。如图1所示，这张图被经常引用，它展示的是金融机构在信用卡应用和个人身份分析场景下，数据的来源、流转、最终生成报表和应用的过程。图右侧自上而下的四个节点，分别代表管理者关注的“信用卡历史交易报告”和“数据安全报告”，以及运维系统和工程师日常监测的仪表盘。
（图1，金融机构信用卡应用和个人身份分析架构图）
图片来源： https://www.graphable.ai/blog/graph-data-lineage-graph-database/
面对这两张报表和两个仪表盘，不禁又会引出文章开头的问题： 这些数据从哪里产生，流经过哪些业务系统？这些系统又对这些数据进行了哪些操作或计算？
首先，我们仅看“信用卡交易报表”部分，并把它抽象成更直观的基于图数据模型的点，边示意图（图2），上面的问题就迎刃而解了。
（图2，针对图一进行的图数据建模）
数据血缘图谱就是这样构建的，它包含以下几个关键步骤：
-
顶点识别：基于业务，确定业务功能的实体。
-
边的识别: 关注数据的来源和实体间的依赖与关联。
-
原点追踪: 列出的实体，追踪原点和传导路径。
-
完整数据血缘图谱的打造：将各个系统连接成完整的数据血缘图谱。
下面我们将分享一个使用图数据库构建数据血缘图谱，进行敏感数据保护的应用案例。
蚂蚁集团基于TuGraph实现敏感数据管理和保护
数据在流转和使用中，不可避免地存在安全与合规问题，比如企业非常重视的敏感数据管理和保护。在数据采集，传输，存储，使用，共享和开放的过程中，数据血缘图谱可以起到 敏感数据识别，数据合规判断，行为风险识别, 数据资产管理 的作用。
数据血缘图谱在蚂蚁集团内部应用广泛，蚂蚁基于自研高性能图数据库TuGraph，打造了“敏感数据识别”场景应用。
利用数据血缘图谱，提高敏感数据识别的效率
企业经营过程中总会有一些敏感数据（或隐私数据）被系统收集，存储，比如用户的身份证号、电话号码等。这些信息需要被妥善保管及保护，并时刻防范违规拷贝、访问、调用、转换等行为发生。通常，企业都有专门的敏感数据管理和保护制度，并安排专门的管理员对数据进行分级管理和安全审计。
对于静态存储在数据库或表格里的数据，管理起来不难。但如果这些数据流动起来，需要被不同的系统访问，处理或计算，再流转到下游的系统中，如何能快速并准确地识别哪些数据（表或字段）是敏感数据呢？再者，如果监管力度调整，原来低敏感数据要被定义为高敏感数据，如何能快速定位系统中所有受到影响的数据表和字段呢？
过去的做法是顺序扫描每个数据表和相关的列，依照业务团队制定的敏感数据识别规则来调用“敏感数据识别引擎”，并对敏感数据进行识别和标注。实践中发现，在数据量很大的情况下（表和列的数量很大），容易出现扫描不完整的情况。而且由于敏感数据的稀疏性，单位时间扫描出的敏感数据比较少，效率低下。（如图3所示）
（图3，顺序扫描数据库中的“表”和“列”）
使用图计算技术，以数据库中表和列为顶点，复制和截断等关系为边，打造数据血缘图谱，可以按照敏感数据传播的路径扫描数据，能够明显减少扫描量，提高敏感数据识别的效率。（如图4所示）
（图4，基于数据血缘图谱，利用图计算的标签扩散算法）
在数据血缘图谱中，我们用度数表示每个数据节点向外扩散的关系个数，它代表节点（表或列）在数据流转过程中的重要程度或参与程度。节点度数越高，其重要性越高。将所有节点的关系度数计算出来并由高到低排序，恰恰是图数据库和图计算技术最擅长的。从度数高的节点开始扫描，能显著提高敏感数据的发现速率。（如图5所示）
（图5，按节点的度数优先扫描）
利用数据血缘图谱，提高敏感数据识别的效果
有了数据血缘图谱，还可以通过逻辑推断提高敏感数据识别的准确度和召回率。
如图6所示，在图的左半部分，A数据的标签为“座机号”、B为“手机号”；A到t1使用“长度为11”作为过滤条件，A到B是“复制关系”，就可以推理出，A数据中同时包含了座机号和手机号，A的敏感标签就应该从“座机号”修改为“联系方式”，敏感标签更加准确。
再看图6的右半部分，C是身份证，D是一个日期类型，如果敏感数据识别规则是，日期不是敏感数据，生日是敏感数据。而C到D是执行了一条图上方的SQL语句。我们就能发现D这个日期值，是从身份证的某个具体位置切分并复制的，就能推断出D 是敏感数据，并表以红色。
（图6，数据血缘图谱的识别增强能力）
敏感数据的保护也是个“魔高一尺道高一丈”的过程。图7表示的就是这样一种情况。A是身份证号码，属于敏感数据，但有时候，会有人对A的数据进行变种操作，企图隐藏其敏感数据的特征。比如在数字间加上一个特殊符号，绕过敏感数据识别。
但由于数据血缘图谱中记录了这一操作，就可以把代表该操作的这条“边”标注为异常。这样的边一旦被发现，在线情况下可以实时熔点，离线情况下也可以进一步审计，提高敏感数据识别率。
（图7，数据血缘图谱识别异常边关系）
小结
对于企业来说，打造数据血缘图谱，是完善数据治理的有效手段，同时也是一个系统性的工程。需要依据国家政策、监管要求、行业规范，安排专业的人员，制定合理的制度，并配合相应的流程和工具。
针对本文介绍的“敏感数据安全管理”领域，企业如果打算结合自身业务，实施建设，首先要充分重视数据的分类分级，这是打造数据血缘图谱的重要基础。
敏感数据的定义、分类、分级，敏感数据识别规则的设计，识别引擎的开发，都需要有大量的知识积累和应用，例如不同的数据变换操作可能导致不同的数据类别和级别变化，数据传递的风险识别也需要有业务经验的积累。蚂蚁集团基于多年数据安全经验沉，打造了蚂蚁链数字保护伞平台，提供敏感数据识别、分类分级、敏感数据血缘图谱等更全面的数据安全解决方案。TuGraph作为数字保护平台的图数据存储和计算底座，提供了完备的图数据库功能，卓越的性能，丰富的算法库和工具，安全性和易用性等优势。
关于TuGraph
高性能图数据库 TuGraph（ https://github.com/TuGraph-db/tugraph-db）由蚂蚁集团和清华大学共同研发，经国际图数据库基准性能权威测试，是 LDBC-SNB 世界纪录保持者，在功能完整性、吞吐率、响应时间等技术指标均达到全球领先水平，为用户管理和分析复杂关联数据提供了高效易用可靠的平台。
历经蚂蚁万亿级业务的实际场景锤炼，TuGraph 已应用于蚂蚁内部150多个场景，助力支付宝2021年资产损失率小于亿分之0.98。关联数据爆炸性增长对图计算高效处理提出迫切需求，TuGraph 已被成熟应用于金融风控、设备管理等内外部应用，适用于金融、工业、互联网、社交、电信、政务等领域的关系数据管理和分析挖掘。
2022年9月，TuGraph 单机版开源，提供了完备的图数据库基础功能和成熟的产品设计，拥有完整的事务支持和丰富的系统特性，单机可部署，使用成本低，支持TB级别的数据规模。
END
往期回顾
→ 蚂蚁图数据库再获LDBC权威测试世界第一
→ 蚂蚁集团开源图数据库TuGraph，成立图计算开源委员会
→ 金融图数据库选型工具“LDBC-FinBench”
▼ 关注蚂蚁图计算，了解最新资讯