亨廷顿银行用AWS从4亿文档中自动识别并删除敏感数据，处理时间从数年缩短至数月

一句话看懂

亨廷顿银行用AWS云服务构建自动化流水线，从4亿+历史文档中检测并删除敏感数据，处理时间从数年缩短至数月，准确率超95%。

详细发生了什么

亨廷顿国家银行（美国前十大银行）的文档管理系统自2015年起存储了数亿份文档，包含大量客户敏感信息（如社保号、账户号）和PCI数据。2025年，作为主动合规计划的一部分，银行需要系统性地处理这些文档并删除敏感数据。

原估算需要数年才能完成。通过设计基于Amazon Textract（OCR服务）、Amazon SageMaker、AWS Step Functions和AWS Lambda的可扩展工作流，银行将处理时间缩短到几个月。核心要求包括：数据加密（传输和存储）、严格访问控制、PCI DSS合规、输出回传本地存储、脱敏准确率≥95%。

数据迁移使用AWS DataSync和Direct Connect，将4亿+文档加密传输至S3。检测阶段，Amazon Textract提取文档中的文本、表格和表单，输出JSON格式的检测字段及坐标。Step Functions编排流程，利用map state分布式模式实现高并发，每天处理约1000万份文档。通过CloudWatch监控请求速率和节流情况，动态调整并发以保持在服务配额内。

脱敏阶段，使用PyMuPDF或PIL等开源库对检测到的敏感字段进行图像级遮盖。Step Functions提供错误处理和重试逻辑，确保大规模处理可靠性。最终，脱敏后的文档通过AWS DataSync回传至本地存储。

项目成果：处理整个文档库的成本仅为原估算的5%，脱敏准确率超过95%，满足合规要求。亨廷顿计划将该框架用于并购等高容量脱敏场景。

中文圈视角

这个案例对国内金融行业有直接参考价值。国内银行同样面临海量历史文档（如开户资料、交易凭证）的合规处理需求，尤其是《个人信息保护法》和《数据安全法》实施后，对敏感数据脱敏的要求日益严格。

国内云厂商（如阿里云、腾讯云、华为云）均有类似OCR和文档处理服务，例如阿里云OCR、腾讯云慧眼、华为云OCR，但缺乏像Amazon Textract这样直接集成脱敏功能的端到端方案。国内银行通常需要自行组合多个服务，或使用第三方厂商（如合合信息、来也科技）的文档处理平台。

一个关键差异：国内银行对数据出境有严格限制，必须使用本地化部署或国内云服务。AWS在中国区（宁夏、北京）提供部分服务，但功能完整性和可用性可能滞后于全球区域。此外，国内银行更倾向于私有化部署，而本案例完全基于公有云，这在国内大型银行中仍存在合规和信任障碍。

另一个盲点：国内银行在处理中文文档时，OCR对中文、混合排版（如表格、手写体）的识别准确率是核心挑战。Amazon Textract对中文支持有限，国内厂商在中文OCR上更有优势。

几条值得记住的细节

• 处理规模：4亿+文档，每天处理约1000万份，从数年缩短至数月。
• 成本：总处理成本仅为原估算的5%。
• 脱敏准确率：超过95%，满足合规要求。
• 核心服务：Amazon Textract（OCR检测）、AWS Step Functions（编排与并发控制）、AWS DataSync（数据迁移与回传）。
• 并发控制：利用Step Functions map state分布式模式，配合CloudWatch监控节流，动态调整并发。

一句话总结

亨廷顿银行用AWS云服务证明了大规模文档脱敏可以又快又省，为金融行业合规处理海量历史数据提供了可复用的技术蓝图。