我会抽象出这个评级系统的用户的“影响”评级。生成的系统需要清晰、简单和明确。它还需要产生可审计的输出(其他人可以检查)。
我通过降低对数据和与该功能交互的数据系统的分析的复杂性来做到这一点。使用您现有的数据分类和数据风险模型来定义您拥有的各种数据类型(个人、财务、支付卡、健康、敏感等)的特征,并定义这些数据应该具有哪些保护(加密、某些访问级别、等等。)。您可能已经对您拥有的各种数据的影响有了一定程度的了解,所以只需借用它,而不是重新发明轮子。
然后,您可以直接或通过调用其他功能/系统对功能接触的数据的保护/风险级别进行分类。
例子:
The data the feature processes has:
* names or personal identifiers
* payment card data, bank details
* health information
* internal financial information
* internal configuration
* passwords, crypto keys
* ...
The feature interacts with:
* users
* Database A
* Database B
* 3rd party service C
* payment processors
* external researchers
* ...
结果很简单:开发人员检查新功能处理的数据特征以及与之交互的系统,您的清单应该返回功能的分类。审计员/同行只需要检查数据是否确实具有这些数据特征。
总而言之,生成的系统快速、简单且易于理解。使它起作用的是以前在识别某些类型的数据(通过内部风险评级、法律、法规等)所需的风险和保护方面所做的所有工作。
如果您还没有数据分类和数据风险理解,那么首先创建它实际上会更简单,而不是每次有新功能要评估时都重新发明那个轮子。当事情发生变化时,它也会更容易更新这个评级系统,比如法律或公司的风险承受能力(为抽象和封装欢呼三声!)
数据特征清单方法的另一个好处:如果法规发生变化,您有一个预先构建的数据特征清单,因此您知道该数据在您的系统中的流动。它就像一个最新的有机数据流图。