产品详细介绍
Skyflow 是一款面向现代云原生与 AI 场景的数据隐私金库（Data Privacy Vault），专门用于保护 PII（个人身份信息）、PCI（支付卡信息）、PHI（受保护健康信息）等高度敏感数据。通过零信任架构、全生命周期加密和细粒度访问控制，Skyflow 帮助企业在全球范围内安全地收集、存储、使用和共享敏感数据。
- 零信任数据隐私金库架构
- 将敏感数据从业务系统中“隔离”出来，集中存放在专用隐私金库中，而业务系统只与代币化数据或受控接口交互。
- 通过统一的策略引擎，对不同系统、用户、角色和地域实施一致的数据访问与治理策略。
- 减少敏感数据在各系统间的复制和扩散，从根源降低数据泄露和滥用风险。
- 全栈加密与精细化访问控制
- 数据在静态存储、网络传输以及内存处理中均保持加密状态，最大限度降低攻击面。
- 支持字段级、记录级的访问控制，可按角色、部门、国家/地区、业务场景等维度配置权限。
- 提供可审计的访问日志与操作记录，便于安全审计与合规检查。
- 多态加密：兼顾隐私保护与数据可用性
- Skyflow 的多态加密（Polymorphic Encryption）允许对同一数据以不同“视图”呈现：
- 对开发与测试环境：可返回脱敏或伪造数据；
- 对数据科学与分析团队：可返回可聚合、可统计但不可反识别的加密数据；
- 对客服或风控团队：在合规前提下返回部分明文或掩码数据。
- 在保护隐私的同时，仍然支持数据分析、建模、报表和运营决策，不牺牲业务团队的数据可用性。
- 支付数据与合规卸载
- 支持将所有 PCI 支付卡数据从企业自有环境中迁移到 Skyflow 金库中，企业系统只处理代币或引用。
- 通过集中化的支付数据管理，替代多种分散的点状安全方案，简化架构、降低维护成本。
- 帮助企业显著降低 PCI DSS 等合规压力，加快审计流程，同时提升支付风控与反欺诈能力。
- 面向 AI 与 LLM 的敏感数据保护
- 在大模型（LLM）数据采集、训练、微调和推理阶段，自动识别并脱敏或删除 PII、IP（知识产权）等敏感信息。
- 防止敏感数据被无意间写入训练集或通过模型输出泄露，降低“数据泄漏型提示注入”等新型 AI 风险。
- 支持与主流数据平台（如 Databricks、BigQuery 等）集成，为数据科学与 AI 团队提供安全的数据访问通道。
- 快速落地与可扩展性
- 通过标准化 API、SDK 和预构建集成，企业可以在数小时内完成接入，而非自建方案常见的数月周期。
- 减少自建隐私基础设施所需的工程人力和长期维护成本，让团队专注于核心业务与产品创新。
简单使用教程
以下为一个从零开始接入 Skyflow 的简明流程示例，帮助你快速理解如何在现有技术栈中使用该产品。
步骤一：规划敏感数据与使用场景
- 梳理业务中涉及的敏感数据类型：
- PII：姓名、身份证号、手机号、邮箱、地址等；
- PCI：银行卡号、CVV、有效期等支付信息；
- PHI：就诊记录、处方信息、健康数据等。
- 明确这些数据在系统中的流转路径：采集、存储、分析、展示、对外共享等。
- 确定需要优先接入 Skyflow 的系统和场景，例如：支付模块、用户资料中心、数据分析平台、AI/LLM 数据管道等。
步骤二：创建 Skyflow 账户与金库
- 在 Skyflow 官网注册企业账户，完成基础信息配置和团队成员邀请。
- 在控制台中创建一个或多个数据金库（Vault），按业务域或合规要求进行划分，例如：
- customer_vault：客户身份与联系信息；
- payment_vault：支付卡与交易相关信息；
- health_vault：医疗与健康数据。
- 为每个金库定义数据模型：字段名称、类型、是否敏感、加密与脱敏策略等。
步骤三：配置访问策略与权限
- 在 Skyflow 控制台中创建角色（如：数据科学家、客服、财务、开发、审计员等）。
- 为不同角色配置字段级访问权限：
- 是否可读取明文、掩码数据或仅可统计；
- 是否允许写入、更新或删除；
- 是否限制特定国家/地区或 IP 范围访问。
- 启用审计日志，确保所有访问和操作都有可追踪记录，满足合规与安全审计需求。
步骤四：通过 API/SDK 接入业务系统
- 在 Skyflow 控制台生成 API 密钥或配置 OAuth/服务账号等安全认证方式。
- 在后端服务中集成 Skyflow 提供的 SDK 或直接调用 REST API：
- 将原本写入数据库的敏感字段改为写入 Skyflow 金库；
- 系统中仅保存 Skyflow 返回的代币或引用 ID。
- 在读取数据时，根据调用方角色和策略，从 Skyflow 获取相应“视图”的数据（明文、掩码或聚合结果）。
步骤五：集成数据分析与 AI/LLM 流水线
- 对接 Databricks、BigQuery 等数据平台：
- 在数据导入前，通过 Skyflow 对敏感字段进行加密或脱敏；
- 在分析任务中使用可计算的加密数据，避免直接暴露原始 PII/PCI/PHI。
- 在 LLM 相关流程中使用 Skyflow：
- 训练/微调前：对训练语料进行敏感信息识别与脱敏；
- 推理阶段：对用户输入进行实时检测与过滤，防止敏感数据进入模型；
- 对模型输出进行审查，避免泄露内部机密或个人隐私。
步骤六：持续监控与优化
- 定期查看 Skyflow 提供的访问日志和安全报告，识别异常访问或潜在风险。
- 根据业务变化和法规更新（如 GDPR、CCPA、HIPAA 等），调整数据模型和访问策略。
- 随着业务扩展，将更多系统和团队纳入 Skyflow 的统一数据隐私治理框架中。
