可信合成数据工坊

审计日志

这套系统解决什么问题

研发人员需要用接近真实的数据开发模型，但生产数据含有大量个人信息和敏感业务信息，直接进入工作室或测试环境风险很高，审批周期也长。本系统在受控环境内学习真实数据的统计规律，生成不对应任何真实个人的合成数据，并用可量化的指标证明两件事：合成数据好不好用、合成数据会不会泄露真实信息，再按数据级别给出出区结论。

角色与权限

工作流程

1. 数据画像：自动识别身份证号、手机号、车牌、姓名等直接标识，以及准标识和表间关系。
2. 合成：直接标识一律重新生成（虚构号段）；其余字段用贝叶斯网络或高斯 Copula 学习分布与关联，保留保单与理赔的父子关系。可选差分隐私。
3. 可用性评估：单列分布、列间关联、表间关系，以及“用合成数据训练、在真实留出数据上测试”的模型效果。
4. 隐私风险评估：直接标识泄露、完全复制、最近记录距离、成员推断攻击、唯一准标识命中，全部与“从未参与合成”的留出数据基线对比。
5. 出区判定：按一般、敏感、重要、核心四级策略给出“自动放行 / 人工复核 / 不予放行”。
6. 审计：登录、用户管理、任务创建、查看、复核、导出全程记录，日志为哈希链结构，任何篡改都可被发现。

局限

演示数据为程序生成的模拟数据。差分隐私为原型实现的近似版本；隐私指标基于抽样和特定攻击模型，只能说明“在这些攻击下风险较低”；判定阈值为示例，应由数据安全归口部门审定后使用。