[安全开发]日志敏感信息检测-1-身份证

1. 前言
2. 身份证号码格式
3. 正则提取
4. 地址码校验
5. 校验码校验
6. 优化思考

---

前言

防止敏感信息泄漏，保护用户和企业信息隐私，是企业安全中重要的环节。

通过检测日志中的敏感信息，能够：

1. 排查潜在的泄漏敏感信息的系统和接口，防止被黑产恶意利用，盗取用户敏感信息
2. 检查数据传输、日志打印的规范，是否对敏感信息有做加密、脱敏等处理

对于海量日志的敏感信息检测，可以采用Flink流数据处理引擎，进行检测排查。

本文不讨论Flink，只记录日志中身份证号码检测规则的一点心得。

身份证号码格式

一代身份证基本不存在了，无需做检测，一起来看看二代身份证的格式。

二代身份证号码共18位，由17位本体码和1位校验码组成：

• 前6位：地址码，表示登记户口时所在地的行政区划代码
• 7到14位：出生年月日，采用YYYYMMDD格式
• 15到17位：顺序码，同一地区，同一年月日出生的人的顺序编号，男生奇数，女生偶数
• 第18位：校验码，由前17位本体码计算得到

补充说明一下，二代身份证与一代身份证的区别：

• 位数：一代身15位，二代18位
• 出生日期：一代为YYMMDD格式，二代为YYYYMMDD格式
• 校验码：一代无校验码，二代有校验码

正则提取

首先通过正则，进行简单的筛选，从日志中提取疑似身份证号码的数字。

\W\d{6}(19|20)\d{2}((0[1-9])|(10|11|12))(([0-2][1-9])|10|20|30|31)\d{3}[0-9Xx]\W

正则说明

• \W：匹配非单词字符，与"[^A-Za-z0-9_]"等效
• \d{6}：匹配前6位地址码
• (19|20)\d{2}：匹配年份
• ((0[1-9])|(10|11|12))：匹配月份
• ((\[0-2][1-9])|10|20|30|31)：匹配日期
• \d{3}：匹配顺序码
• [0-9Xx]：匹配校验码

从生产实践的经验来看，日志中大部分变量值，都被符号所包围，例如：

• example?name=shadow&phone=12345678910&……
• “id_card”:“110101199003071938”,“age”:“18”……

而未被符号所包围的变量，绝大部分可能都是误报，例如：

• deptNo=17261101011990030719384324

所以，初期做日志的敏感信息检测时，可以从这些特殊符号入手，用正则\W去做匹配，这样能提高不少准确率。后期敏感信息都被揪出来之后，再去掉\W，去进行更大范围、更进一步的检测排查。

在上面的正则表达式里，我们对身份证年月日的部分做了简单校验，但我们不能据此就判定，检测出的是身份证号码，因为在海量日志里，正则会匹配到各种巧合的误报。而依靠人工去筛查这些误报，确认风险，是很费时费力的。我们要做的，就是继续要提高身份证号检测的准确率，所以接下来，我们进一步对身份证号的地址码和校验码进行校验。

地址码校验

身份证的前6位地址码是固定的，我们可以取这前6位数字，与地址码库进行匹配，若匹配成功，则进行下一步，校验码的校验。
地址码库搬运：身份证号码前6位地址码

校验码校验

前面说了，身份证最后一位是校验码，由前17位本体码计算得到，具体的计算算法这里不深究，感兴趣的读者，可以参考这篇博客：身份证号码的编码规则及校验
这里我们直接给出，身份证号码校验码的校验算法的Java代码实现：

/**
 *
 * 18位的二代身份证号码校验码校验
 * @param idCardNo 身份证号码
 * @return true - 校验通过
 *         false - 校验不通过
 */
private static boolean idCardNoCheck(String idCardNo) {
    // 加权因子
    int[] w = { 7, 9, 10, 5, 8, 4, 2, 1, 6, 3, 7, 9, 10, 5, 8, 4, 2 };
    char[] idCardNoArray = idCardNo.toCharArray();
    int sum = 0;
    for (int i = 0; i < w.length; i++) {
        sum += Integer.parseInt(String.valueOf(idCardNoArray[i])) * w[i];
    }
    // 校验位是X，则表示10
    if (idCardNoArray[17] == 'X' || idCardNoArray[17] == 'x') {
        sum += 10;
    } else {
        sum += Integer.parseInt(String.valueOf(idCardNoArray[17]));
    }
    // 如果除11模1，则校验通过
    return sum % 11 == 1;
}

优化思考

通过上面的 正则提取+地址码校验+校验码校验 三部曲，从日志中检测出的数字，基本99%是身份证号码，准确率极高。但在海量日志的检测过程中，各种奇葩数据都有，还是会存在1%的误报的。

对于这1%的误报，有两个处理思路：

1. 误报为偶然出现，且只出现过一两次，也没有其他类似特征的误报，则直接忽略即可
2. 误报具有一定的特征，且多次出现，为同一类误报，则可以提取特征，针对性的制定白名单过滤。白名单推荐采用正则匹配进行过滤