Cyera Omni DLP 拆解：分类分级如何变成会自我进化的 DLP 策略

从「知」到「行」，分类分级如何变成动态生成、自我进化的 DLP 策略

模界数智 · AiDClass 团队　|　海外数据安全观察　|　本系列承接上篇《五个人、五个月、5000万美元》

上一篇我们拆了 Cyera 两年五购、条条指向 DLP 的那串收购清单，结论落在一句话上——它买的不是拦截的肌肉，而是把大脑接上肌肉的速度。但大脑不能只是个说法。它得真的指挥拦截动作：在一份文件流出之前，判断这是什么数据、对这家机构意味着什么、该不该拦、怎么拦。

最近 SACR（Software Analyst Cyber Research）出了一份深度报告，正好把「大脑怎么指挥肌肉」这件事讲清楚了。需要先说明：这份报告由 Cyera 提供支持，里面的降噪比例、误报数字都是厂商口径，没有第三方验证——所以我们看它的方法论，不照搬它的营销数。把机制拆开，你会发现它讲的那套东西，和我们做 AiDClass 在做的，是同一件事。

一、老 DLP 的病，到底病在哪

DLP（数据防泄漏）是个三十多年的老品类，也是企业安全里被抱怨最多的之一。报告给了三组挺扎心的数字。

第一组：传统 DLP 的误报率最高能到 90%。安全团队一天收上千条告警，九成是噪音，真正的事故反而淹在里面。第二组：94% 的企业用了至少两个 DLP，平均三个以上，很多组织装了六个还不完全清楚自己装了哪些——工具越堆越多，盲区却没变小。第三组：83% 的企业用端点 DLP，但只有 13% 真正在云上把数据安全能力落地（Forrester，2024 年 7 月）。看得见的地方拼命设防，数据真正流动的地方却几乎裸奔。

病根上一篇说过，这里再点一次：不是拦不住，是不知道该拦什么。传统 DLP 靠正则表达式和关键词识别敏感内容，规则脆弱——调严了挡正常业务、惹恼全公司；调松了形同虚设。三十年就在这两端之间来回摇摆。

生成式 AI 又把泄漏面彻底撕开了。员工把源代码、客户名单、财务模型直接粘进浏览器里的 AI 对话框；而 AI 已经不是几个能单独圈起来保护的「AI 工具」——连 Zoom 都内嵌了 AI。报告里有句话很到位：你没法只保护 AI 工具，因为每一个工具都在变成 AI 工具。数据不再需要「穿过出口」才算泄漏，它在一次对话里就完成了转移。

二、新解法不是「再造一个更大的网关」，而是「加一层大脑」

面对这些裂缝，Cyera 的 Omni DLP 给的解法，反常识的地方在于：它不打算替换你现有的 DLP。

报告反复强调一句话——not a rip-and-replace, but an intelligence layer：不是推倒重来，而是加一层智能。Omni DLP 把自己定位成一个「策略大脑（policy brain）」，坐在客户已经买好、已经在跑的执行工具之上——Microsoft Purview、Zscaler、Netskope 这些不动，通过 API 接进去，对每一个数据流动事件重新打分，再把更聪明的判断下发回这些工具去执行。一句话：不换枪，只换脑，把你手里的存量许可证变聪明。

这个姿态本身就值得国内同行琢磨。在一个三十年的成熟市场里，做「替代者」的销售阻力极大——客户的旧系统深度耦合、迁移成本高、责任人怕担风险。而做「放大器」几乎没有抵抗：我不让你换掉什么，我只让你已经有的东西变好用。这是 AI 切入成熟品类时，一种阻力最小、却最容易被低估的打法。

三、大脑是怎么指挥肌肉的——拆解 Omni DLP 的四步动作

这是全文的核心。把 Omni DLP 运转起来，其实是一个闭环的四步，每一步都踩在「分类」这块底座上。

第一步，喂上下文。 Omni DLP 吃进来的不是泛泛的「信用卡号」正则，而是 Cyera 自家 DSPM 产出的「数据 DNA」——精确到字段、列级别的分类结果，再叠加身份上下文（从 AD、HRIS 拉来的人员信息）。也就是说，系统在判断之前，先知道「这份数据是什么、属于谁、谁在动它」。报告里有个关键数字：在一个客户环境里，大约 20%–40% 的分类类别是这家企业独有的、靠 GenAI 现学出来的——通用规则覆盖不到这部分，而它往往正是最敏感的核心数据。

第二步，重新打分。 数据流过 email、web、SaaS、端点，以及 Copilot、ChatGPT 这些 AI 通道时，大脑对每个事件实时重新评估风险。它背后的大语言模型会读完整的载荷——包括发给 LLM 的 prompt 和返回的响应——并且用大白话解释「为什么拦这一条」。这点很重要：传统 DLP 拦了你也不知道为什么，而能讲清理由，才谈得上让业务方信任。

第三步，自动写策略。 这是最见功力的一步。AI 学会了这家企业独有的敏感数据长什么样之后，自动生成检测规则，再把规则翻译成每个执行工具能听懂的策略语言下发过去——Purview 听 Purview 的话，Zscaler 听 Zscaler 的话。安全团队几乎不用再手写正则。报告把这层关系说得很直白：DSPM 提供「基线逻辑」，DLP 引擎用这套逻辑生成准确的检测规则，人工介入降到最低。

第四步，自我进化。 每一条告警都回流进模型：分析师标注、模型校准，误报往下走、召回往上走；系统还用 A/B 测试持续调优策略。Cyera 宣称这套闭环能把噪音压低 95%（再提醒一次，厂商口径）。重点不在那个数字，而在于——DLP 第一次从「人工调规则的苦役」变成了「会自己学习的活体」。

把这四步连起来看，你会发现一件事：决定整套系统天花板的，不是模型多大、拦得多狠，而是第一步喂进去的分类有多准。分类错了，拦截就是无的放矢；分类粗了，误报卷土重来；分类更新慢了，新业务新数据形态就成了盲区。大脑再聪明，喂进去的认知是糊的，指挥出来的动作也是糊的。

这也解释了 DSPM 与 DLP 为什么必须合在一起：DSPM 供「知」——这是什么数据、属于谁、多敏感；DLP 供「行」——阻断、告警、隔离。两者接上，判断就从「拦下所有含身份证号的文件」这种模式匹配，升级为「拦下那一份被标记为核心数据、正流向个人网盘、操作者两周后离职的文件」这种基于风险的判断。

四、这正是 AiDClass 在做的事——对标那块「数据 DNA」

讲到这里，AiDClass 的位置就很清楚了。如果把 Omni DLP 拆成「数据 DNA / 策略大脑」和「下游执行工具」两半，AiDClass 做的，正是前面那半——给 DLP 装上能理解数据的大脑。

三段几乎是一一对应的。其一，分类分级 = 给大脑装认知。 AiDClass 是业务推理式的分类分级，先把「这是什么数据、对这家机构意味着什么」回答到专家级精度，对应的就是 Cyera 的「数据 DNA」那一层。其二，用分类结果快速构建策略 = 把认知翻译成可执行的规则。 分类的输出不是一张躺在合规档案里的报表，而是直接喂给 DLP、生成拦截规则的原料。其三，AI 分析 + 反馈 = 动态指挥 DLP 干活。 在分类底座之上叠加 AI 的研判与持续校准，DLP 就能从静态规则升级为随业务、身份、场景动态调整的活策略。

Cyera 那个 20%–40% 的数字，反过来恰好印证了我们的判断：通用规则永远覆盖不全，真正值钱、也最敏感的那部分数据，是千企千面、必须靠业务推理现场学出来的。这正是 AiDClass 把「业务推理式分类分级」作为切入点的原因——不是因为分类分级是一项要交差的合规作业，而是因为它是整个数据安全运营的地基：「知」的精度，决定「行」的精度。

五、别只听厂商口径：落地真正的坎

说了这么多机制的好，也得把另一面摆出来——否则就成了替 Cyera 写软文。报告里那些漂亮数字（降噪 95%、误报压到 90% 以下）都没有第三方验证，看个方向就好。

真正的难点，报告自己也承认。一是策略冲突：如果 Purview 和 Omni 同时在跑，同一个场景下听谁的？二是变更管理：这不只是上一套新技术，而是要重排工作流、重新划分团队职责、退役旧系统，对大企业是个跨周、跨月的项目。务实的做法是先让新大脑跑在「审计模式」下做对照，证明准确率之后再灰度切换执行，最后才逐步退役旧工具。三是过渡期的混乱：两套系统同时告警，需要人去调和。

对国内读者，还有一句更要紧的提醒：分类分级如果只当成一次性的合规交付，那这颗大脑就是空的。它得「活」在策略里、能被持续喂养和更新，才有意义。一份做完就归档、半年不动的分类清单，指挥不了任何拦截。

六、写在最后：策略的精度，长在分类的精度上

上一篇我们说，执行力的上限取决于认知的精度。这一篇可以再往前推一步：当认知——也就是分类分级——足够精确、而且能动态更新时，DLP 策略就能从「人工调规则的永恒苦役」，变成一套自己生成、自己进化的活体。

DLP 喊了三十年「防止数据丢失」，缺的从来不是拦截的手，而是理解数据的脑。给它一颗会持续学习的分类大脑，它才知道——这一次，到底该出哪只手。

参考资料

[1] SACR（Software Analyst Cyber Research）: Building the Intelligence Layer for the Next Wave of Data Loss Prevention（2025.6，由 Cyera 支持）

[2] Cyera 官方新闻稿: Cyera Launches Omni DLP（2025.4）

[3] Cyera Blog: DSPM vs DLP — Rethinking Data Security in the Age of AI（2025.7）

[4] Cyera 官方新闻稿: Cyera Acquires Trail Security for $162M（2024.10）

[5] Forrester: The State of Data Security（2024.7）

—— 模界数智