Search
E-mail
RSS

Journal of Cybersecurity >

2026 0

DOI: https://doi.org/10.20172/j.issn.2097-3136.260525

Data security risk assessment method based on AHP-TOPSIS fusion model

  • Chen Lin 1 ,
  • Liu Xize 1 ,
  • Li Shaohu , 2, * ,
  • Guo Chong 3
Expand
  • 1. National Research Center for Information Technology Security, Beijing 100085, China
  • 2. Beijing University of Technology, Beijing100124, China
  • 3. Communication University of China, Beijing 100024, China

Online published: 2026-06-01

Copyright

Copyright ©2026 Journal of Aeronautical Materials. All rights reserved.
Fold

Abstract

With the in-depth development of digital transformation, data security risk assessment is confronted with challenges such as incomplete assessment indicators, strong subjectivity in weight distribution, and non-intuitive risk ranking. This paper proposes a data security risk assessment model integrating analytic hierarchy process (AHP) and technique for order preference by similarity to ideal solution (TOPSIS). Based on the national standard GB/T45577-2025, an assessment system is established covering three primary indicators including data security management, data processing activity security and data security technology, as well as 24 secondary indicators. Secondly, the double-layer AHP method is used to calculate index weights, and subjective deviation is reduced via expert scoring and consistency test. Finally, TOPSIS is adopted to comprehensively rank hazard degrees of different data security risks and realize quantitative assessment of data security risks. Case analysis shows that this model can effectively identify hazard degrees of various data security risks, providing a scientific basis for decision-making of data security risk management.

Key words： data security; risk assessment; quantitative assessment; AHP; TOPSIS

Cite this article

Chen Lin , Liu Xize , Li Shaohu , Guo Chong . Data security risk assessment method based on AHP-TOPSIS fusion model[J]. Journal of Cybersecurity, 2026 . DOI: 10.20172/j.issn.2097-3136.260525

0 引言

在在数字经济时代，数据已成为驱动经济社会发展的核心动能。这一趋势的加速演进，离不开大数据[1]、云计算[2]、人工智能[3]、物联网[4]等新兴技术的深度融合与广泛应用。这些技术不仅深刻改变了传统生产流程，推动智能制造、智慧城市和数字医疗等新模式兴起，同时也重塑了人们的消费习惯、社交方式乃至社会治理体系。在此过程中，万物互联的终端设备、实时响应的智能算法以及高效协同的云端平台，持续生成、传输并处理海量数据，为数字经济的持续发展提供源源不断的燃料。这些数据不仅是优化技术架构、提升服务精准度的核心依据，更是推动产业升级、激发创新活力和重塑经济社会运行模式的关键性战略资源[5-6]。国家层面也高度重视数据的作用，将其明确为新型生产要素。2022年12月，国务院发布的《关于构建数据基础制度更好发挥数据要素作用的意见》，从制度上强化了数据的基础性、战略性地位，并着力推动数据要素市场的培育与发展。
然而，随着数字化基础设施的深度互联、数据资源的高度集中与跨域流动性的增强，在释放巨大价值的同时，也带来了日益严峻且复杂的数据安全挑战[7-8]。由于技术防护体系存在漏洞与滞后性，数据泄露、未授权访问、恶意篡改、勒索软件攻击等安全事件频发[9-11]。这些安全事件造成的后果不仅包括巨额经济损失和用户隐私侵犯，还可能危及关键基础设施稳定运行，甚至对国家利益构成威胁。因此，建立科学、系统、动态的数据安全风险评估机制，已成为识别潜在威胁、量化风险水平、指导安全资源有效配置和制定精准防护策略的迫切需求。
准确的风险评估不仅是构建有效数据安全防护体系、保障数据要素安全流通与价值释放的基石[12-14]，还是满足日趋严格的法律法规要求的重要途径。当前，数据安全风险评估研究主要遵循定性[15-16]、定量[17-18]及混合方法[19]三类范式。定性方法依赖经验判断，具体包括专家访谈、检查表法等。该类方法具备操作简便的优势，但存在主观性较强、结果难以量化、可比性较差等局限[20]。相比之下，定量方法更侧重客观数据，主要包括通用漏洞评分系统、概率风险模型等[21-22]。然而，定量方法往往受限于威胁概率与损失数据的获取困难，且难以有效整合管理、制度、人员等软性因素[19]。
为平衡主客观要素，混合评估方法逐渐成为主流。其中，多属性决策（Multi-Criteria Decision Making，MCDM）模型因能系统处理多层次、多准则的复杂风险指标而备受关注[23]。层次分析法（Analytic Hierarchy Process，AHP）和逼近理想解排序法（Technique for Order Preference by Similarity to Ideal Solution，TOPSIS）是两种典型的MCDM工具，并被广泛用于风险评估指标体系构建与方案排序[24]。AHP通过构建判断矩阵并开展一致性检验，可较好体现决策者的知识经验与主观偏好，在处理层次化指标权重方面具有优势。Adewuyi等[25]针对物联网信任服务组合管理问题，采用AHP计算一致权重以更新信任分数。Guo等[26]针对无线接入系统，在AHP和模糊评估法基础上提出了一套安全风险评估指标体系。然而，AHP的输出结果通常为各指标及评估对象对应总目标的权重数值，在面对多个评估对象时，难以直观体现各评估对象的风险等级差异与处置优先级。
TOPSIS具有排序逻辑清晰、可充分利用原始评价信息的优势，在风险排序场景中适用性更强。Khan等[27]利用模糊TOPSIS识别云计算大数据环境中的主要安全挑战，以辅助云服务提供商实施安全加固。Guo等[28]针对在线社交网络中的信息泄露问题，基于模糊TOPSIS设计了隐私得分计算模型，以量化用户隐私披露情况。Zhang等[29]通过TOPSIS筛选最优模型，提出了面向图像分类场景的机器学习算法安全评估指标体系。Li[30]针对电子垃圾回收过程中的个人信息安全风险问题，结合模糊集理论、灰色关联分析和TOPSIS，提出了个人信息安全风险分析模型，以优化故障模式及影响分析。尽管TOPSIS在排序方面具有明显优势，但其评价结果高度依赖指标权重设定；若仅采用等权赋值或简单人工赋值，将难以充分体现各风险因素的层次关联与重要性差异。
总体来看，已有研究已尝试将AHP、TOPSIS及其扩展方法应用于物联网、云计算、在线社交网络、无线接入系统、个人信息保护等特定场景的安全评估，并为多指标综合评价提供了有益参考。然而，与数据安全风险评估的实际需求相比，现有研究仍存在以下三方面不足。
第一，现有方法缺乏适配数据安全场景的标准化指标构建机制。不少AHP/TOPSIS研究主要面向某一具体应用场景自定义指标，虽然能够在局部问题中发挥作用，但往往缺少与国家标准条款的系统映射，导致指标体系在覆盖性、可复用性与可解释性方面存在明显短板。第二，现有方法大多停留在静态排序，难以响应数据安全状态的持续变化。现有研究大多基于单一时点的专家评分与横截面数据开展评估，其结果更适用于一次性排序，而难以刻画漏洞暴露、告警强度、安全控制改进、异常事件变化等运行期因素对风险状态的持续影响。第三，现有工作往往只给出单一赋权或示例性计算，欠缺主客观权重融合分析与实证比对验证。部分研究主要依赖专家经验赋权，部分研究则侧重数值排序，但对“主观知识—客观数据—动态更新”的闭环构建机制考虑不足。
为更直观地说明本文与现有AHP-TOPSIS类研究的差异，表1对相关代表性工作进行了比较。可以看出，现有研究多聚焦于特定应用场景，在标准驱动、指标筛选过程说明、主客观组合赋权、动态更新机制以及真实或准真实数据验证等方面仍存在不足。基于此，本文不以AHP与TOPSIS的常规组合形式作为核心创新点，而是面向数据安全风险评估需求，提出一种标准驱动、组合赋权、支持动态修正的AHP-TOPSIS评估方法，以实现从指标构建、权重确定到风险排序和持续更新的一体化评估。
表 1 相关工作对比

Table 1 Comparison of related work

文献 是否
标准
驱动		 是否说明
指标筛选
过程		 是否主客观
组合赋权		 是否支持
动态更新		 是否真实／
淮真实验证
Adewuyi等[25] 否 否 否 否 否
Guo等[26] 否 部分 否 否 否
Khan等[27] 否 否 否 否 否
Guo等[28] 否 否 否 否 否
Zhang等[29] 否 部分 否 否 否
Li[30] 否 否 部分 否 否
本文 是 是 是 是 是
本文的主要贡献如下：
（1）提出一种标准驱动的指标构建方法，将GB/T 45577—2025中的关键要求转化为“数据安全管理—数据处理活动安全—数据安全技术”三维架构，构建包含3个一级指标与24个二级指标的可量化评估体系，并明确对应的标准条款映射关系与指标筛选依据。
（2）提出一种主客观融合的双层赋权机制，在依托AHP融合专家主观知识的基础上，引入客观赋权法构建组合权重，有效削弱单一主观赋权带来的偏差，提升权重分配的合理性与稳健性。
（3）提出一种面向持续评估的动态修正机制，将安全控制优化、漏洞暴露情况、告警强度、异常事件等动态运行指标纳入评分更新体系，实现从静态时点评估到动态持续评估的升级拓展。
（4）基于真实或准真实业务样本，设置AHP、等权TOPSIS、客观赋权TOPSIS等多种方法的对比实验，从排序一致性、风险区分能力、模型稳健性等维度验证所提方法的有效性，为数据安全风险识别与防护决策提供更加可靠的依据。

1 层次分析法

本文采用层次化递阶结构构建数据安全风险评估指标体系。对于数据安全风险评估领域，层次分析法的实施流程主要包含以下两个关键步骤。
第一步是构造层次结构。层次结构模型的构建是数据安全风险评估体系设计的核心环节，其核心原理为通过系统分解法实现复杂评估对象的结构化拆解。如图1所示，数据安全风险评估层次模型采用三级递阶结构。顶层为目标层，对应本文研究核心目标，即实现数据安全风险的综合量化评价。中间层为准则层，以危害程度（threat level）、发生可能性（occurrence probability）二元组模型为核心，构建数据安全风险评估的核心维度。底层为指标层，涵盖各准则维度对应的具体量化参数与可测安全属性指标。该层级划分方式不仅契合从抽象到具体的认知逻辑，还可实现复杂风险要素的系统性解构与可操作化评估。
图 1 典型的数据安全风险评估层次模型

Fig.1 A typical hierarchical model for data security risk assessment

第二步是构造比较判断矩阵。对于同一层中待比较的 $ \mathrm{n} $ 个评价元素，其两两比较判断矩阵的一般形式如公式（1）所示，其中 $ {\mathrm{a}}_{\text{ij}} $ 表示元素 $ \mathrm{i} $ 相对于元素 $ \mathrm{j} $ 的重要性比值，其取值含义见表2 。
表 2 比较判断矩阵元素取值

Table 2 Values of the elements in the comparison judgment matrix

$ {a}_{ij} $取值含义
1指标i与j指标同等重要
3指标i比j指标略微重要
5指标i比j指标明显重要
7指标i比j指标特别重要
9指标i比j指标极其重要
2，4，6，8介于对应判断之间
对应倒数指标j与指标i重要性之比：$ {a}_{ji}=1/{a}_{ij} $
$ A=\left[\begin{matrix}{a}_{11} & {a}_{12} & \ldots & {a}_{1n}\\{a}_{21} & {a}_{22} & \ldots & {a}_{2n}\\\vdots & \vdots & \ddots & \vdots \\{a}_{n1} & {a}_{n2} & \ldots & {a}_{nn}\end{matrix}\right] $
为避免矩阵计算误差太大问题，需对矩阵A开展一致性检验，具体步骤如下：
（1）层次单排序：求解判断矩阵A的最大特征根$ {\lambda }_{\max } $，获取$ {\lambda }_{\max } $对应的特征向量w，对w做标准化处理，即可得到该层级元素对应上一层级的权重向量。
（2）一致性检验：计算矩阵A的一致性指标CI，计算公式如公式(2)所示。CI的值越大，代表矩阵一致性误差越大，需对判断矩阵A进行调整优化。
$ CI=\frac{{\lambda }_{\max }-n}{n-1} $
（3计算一致性比率CR，计算公式如式（3）所示。其中RI为随机一致性指标，对应取值如表3所示。若CR<0.1，则判断矩阵A一致性良好，权重向量误差在合理范围；反之则需修正矩阵A内元素取值，直至检验结果满足一致性要求。
表 3 一致指标取值

Table 3 Value of the consistent index

nRInRI
1061.26
2071.36
30.5281.41
40.9091.46
51.12101.49
$ CR=\frac{CI}{RI} $

2 数据安全风险影响因素指标体系构建

2.1 指标体系构建原则与筛选流程

本本文数据安全风险影响因素指标体系遵循风险管理思路，结合GB/T 45577—2025《数据安全技术 数据安全风险评估方法》构建。需要说明的是，本文并非直接罗列标准条款，而是在标准要求基础上，结合数据安全风险评估实际需求，对候选指标开展结构化提炼、专家筛选与冗余合并，最终形成含3个一级指标与24个二级指标的层次化评估框架。采用该构建方式的原因在于，数据安全风险具备多维性、层次性与场景依赖性，风险成因不仅包含技术缺陷，还与制度治理、业务流程、安全防护能力密切相关。因此，指标体系需在保留标准语义的基础上，兼顾可计算性、可比较性与可操作性。
在一级指标设置上，本文将数据安全风险影响因素归纳为数据安全管理、数据处理活动安全、数据安全技术三个方面。该维度划分依托“治理—过程—技术”的分层逻辑框架完成。其中，数据安全管理反映组织在制度建设、职责划分、人员管理、外包合作、安全应急与开发运维等方面的治理能力，是风险管控的管理基础；数据处理活动安全覆盖数据收集、存储、使用、加工、提供、公开、删除等全生命周期环节，是风险暴露的直接业务载体；数据安全技术体现网络防护、访问控制、监测预警、数据脱敏、数据防泄露、接口保护、备份恢复与安全审计等技术管控能力，是风险缓释的重要实现手段。三者分别从治理基础、业务流程、技术保障三个层面刻画数据安全风险的关键影响因素，共同构成完整的风险评估闭环体系。
在二级指标确定上，本文采用“候选提取—专家筛选—冗余合并”的方法。首先，依托GB/T 45577—2025国家标准与现有相关研究提取候选指标，形成覆盖制度、流程、技术管控的初始指标集合。其次，邀请相关领域专家从相关性、可测性、独立性和可操作性四个维度对候选指标进行评估。本文优先保留平均相关性评分不低于4.0、变异系数不高于0.25，且可通过制度文件、技术记录、审计材料及流程证据有效佐证的指标；对语义重复、边界交叉显著、难以落地赋值的指标予以合并或剔除。经多轮筛选优化，最终确定24个二级指标，兼顾标准符合性、体系完整性与评估可实施性。
具体而言，数据安全管理维度包含数据安全管理制度、安全组织机构、分类分级管理、人员安全管理、外包合作管理、安全威胁与应急管理、开发运维管理、云数据安全等指标，主要反映组织治理、协同管控与安全保障的整体成熟度；数据处理活动安全维度包含数据收集安全、数据存储安全、数据使用与加工安全、数据提供安全、数据公开安全、数据删除安全及其他数据处理活动安全指标，用于表征数据全生命周期各环节的合法性、安全性与规范性；数据安全技术维度包含网络安全防护、身份鉴别与访问控制、监测预警、数据脱敏、数据防泄露、数据接口安全、数据备份恢复与安全审计等指标，用于反映技术管控在风险发现、阻断、缓释、追溯过程中的支撑作用。
本文未采用纯统计降维方法，原因在于本指标体系为规范驱动型评估体系，核心目标并非基于大样本提取最优特征组合，而是在保留标准要求、监管内涵与风险治理逻辑的前提下，构建可解释的评估框架。在样本规模有限、部分指标具备强合规属性的前提下，直接采用PCA、因子分析等统计方法虽可实现维度压缩，但会弱化指标与标准条款的对应关系，降低评估结果的可解释性。因此，本文优先采用“标准映射+专家筛选+冗余控制”的构建思路，通过独立性与可操作性评价规避指标重叠，在保留规范内涵的同时有效降低体系冗余。

2.2 基于数据资产敏感度与防护成熟度的基准评分规则

需要说明的是，本文构建的二维指标矩阵并非最终风险排序模型，而是可将数据资产敏感度、安全防护措施实施程度映射为二级指标基准分值的基础评分工具。
本文参照GB/T 45577—2025《数据安全技术 数据安全风险评估方法》等相关标准制定评判规则，依托二维指标矩阵，从数据资产敏感度、安全防护措施实施程度双维度开展评估，实现各类风险严重程度的量化判定与关键风险识别。其中，数据资产敏感度划分为高敏感、较高敏感、一般敏感、低敏感四个等级；防护措施实施程度划分为严重缺陷、基本不足、较好、最佳实践四个等级。
本文依托风险评估指数矩阵设定风险评分规则：最高风险指数赋值为0，对应高敏感数据且防护措施存在严重缺陷的场景，代表极高安全风险；最低风险指数赋值为9，对应低敏感数据且防护措施达到最佳实践的场景，代表风险处于可控状态，如表4所。
表 4 数据安全风险影响因素评价分数矩阵

Table 4 Data security risk influencing factors evaluation score matrix

防护程度严重缺陷基本不足较好最佳实践
高敏感0246
较高敏感1357
一般敏感2468
低敏感3579
在实际数据安全风险评估工作中，数据资产敏感度与安全防护措施实施程度会随业务环境动态变化。因此，需构建动态更新机制，实现指标的周期性复评与动态校准。当出现以下情形时，需重新判定数据资产敏感度等级：
（1）数据类型发生变更，如新增敏感数据、个人信息等；
（2）数据规模发生显著变动，如数据体量大幅增长；
（3）数据共享范围扩张，如跨部门、跨组织共享；
（4）数据跨境流动规则或业务场景发生重大变更。
数据资产敏感度的具体分级依据、典型数据类型及对应评分等级如表5所示。
表 5 数据资产敏感度分级标准

Table 5 Data asset sensitivity classification criteria

敏感度等级判定依据典型示例评分等级
高敏感涉及核心业务运行或大规模个人敏感信息，数据泄露
可能造成重大经济损失、法律风险或社会影响		大规模用户身份信息、金融交易数据、核心业务
数据库、关键基础设施运行数据		0
较高敏感与重要业务决策或经营活动相关，泄露可能影响企业
竞争力或客户利益		企业经营数据、供应链数据、客户交易记录、
跨部门共享业务数据		1
一般敏感与日常业务管理相关，但泄露后影响相对有限内部管理文件、普通业务记录、一般业务统计数据2
低敏感数据公开性较高或泄露后影响较小公开资料、已发布报告、非敏感统计信息3
与此同时，当安全防护实施状态发生明显变动时，需重新判定防护等级。具体情形如下：
（1）漏洞扫描检测出新的高危漏洞；
（2）安全审计核查发现安全控制措施执行缺位；
（3）补丁更新滞后、安全配置失效；
（4）系统频繁出现异常行为或安全告警事件。
常规场景下，建议以季度或半年度为周期开展风险复评；当系统架构、业务模式、数据处理流程发生重大变更时，即刻启动重新评估。该动态更新机制可保障评估结果真实、精准地反映系统安全状态的动态变化。安全防护措施实施程度的判定依据及典型表现如表6所示。
表 6 安全防护措施实施程度分级标准

Table 6 Classification criteria for security protection implementation Levels

防护实施等级判定证据典型表现对应等级
严重缺陷关键安全控制未部署或制度缺失未建立数据安全管理制度，无访问控制策略，无日志审计严重缺陷
基本不足已部署部分安全措施，但覆盖不足
或执行不稳定		有基础安全制度，但部分系统未实施访问控制或安全监测基本不足
较好主要安全控制已部署并稳定运行建立较完善的管理制度，具备访问控制、日志审计和漏洞扫描机制较好
最佳实践形成完整安全治理体系并持续改进建立制度—执行—监测—整改闭环机制，并具备持续安全监测能力最佳实践

3 数据安全风险评估模型

在在专家依据上一小节构建的数据安全风险影响因素指标体系，完成各业务场景风险指标评分后，本文采用层次分析法（AHP）与逼近理想解排序法（TOPSIS）相结合的模型，确定多业务场景下数据安全风险的危害程度排序与优先级。本文两次引入AHP算法，分别用于指标评分整合与层级指标权重赋值。具体而言，在二级指标层，AHP依托专家先验知识确定各细化指标的重要性，将多项子指标评分融合为维度综合得分；在一级指标层，AHP进一步完成各核心评价维度的权重求解。TOPSIS依托待评方案趋近最优解的排序原理，完成各风险样本的危害程度排序，完整的数据安全风险评估流程如图2所示。
图 2 数据安全风险评估流程

Fig.2 Process of data security risk assessment

3.1 利用层次分析法整合指标评分

由于各一级指标下辖的二级指标对风险的影响程度存在差异，本文首先采用层次分析法求解各一级指标项下8个二级指标的相对权重。

3.1.1 构造两两对比判断矩阵

对于第 $ \mathrm{k} $ 个一级指标下的 $ {\mathrm{m}}_{\mathrm{k}} $ 个二级指标，依据1－9标度法进行两两比较，构造判断矩阵 $ {\mathrm{A}}^{(\mathrm{k})} $ ，如公式（4）所示。其中，$ \mathrm{a}_{\text{ij}}^{(\mathrm{k})} $ 表示该一级指标下第 $ \mathrm{i} $ 个二级指标相对于第 $ \mathrm{j} $ 个二级指标的重要性比较值，其取值规则与表2一致。公式（4）是公式（1）在本文二级指标层中的具体应用。
$ {A}^{\left(k\right)}=\left[\begin{matrix}{a}_{11} & {a}_{12} & \ldots & {a}_{1n}\\{a}_{21} & {a}_{22} & \ldots & {a}_{2n}\\\vdots & \vdots & \ddots & \vdots \\{a}_{n1} & {a}_{n2} & \ldots & {a}_{nn}\end{matrix}\right] $

3.1.2 特征向量法求权重

首先，计算矩阵主特征向量，计算方式如公式（5）所示。
$ {\mathbf{A}}^{\left(k\right)}{\mathbf{w}}^{\left(k\right)}=\lambda _{\text{max}}^{\left(k\right)}{\mathbf{w}}^{\left(k\right)} $
其次，提取最大特征值$ \lambda _{\text{max}}^{\left(k\right)} $的对应特征向量$ {\mathbf{w}}^{\left(k\right)}={\left(w_{1}^{\left(k\right)},\ldots ,w_{n}^{\left(k\right)}\right)}^{\top } $。
最后，对特征向量做归一化处理，得到指标权重向量，如公式（6）所示。
$ w_{i}^{\left(k\right)}=\frac{w_{i}^{\left(k\right)}}{\displaystyle\sum \nolimits_{j=1}^{n}w_{j}^{\left(k\right)}}\text{，}i=1,\ldots ,n $
若采用几何平均法，可先计算 $ {g}_{i}={\left(\displaystyle\prod \nolimits_{j=1}^{n}{a}_{ij}\right)}^{1/n} $，再通过归一化处理得到$ {w}_{i}={g}_{i}/\displaystyle\sum {g}_{i} $。当矩阵一致性良好时，两种权重求解方法的计算结果基本一致。

3.1.3 一致性检验

依次计算公式(7)至公式(9)，其中$ C{I}^{\left(k\right)} $为一致性指标，$ C{R}^{\left(k\right)} $为一致性比率，$ R{I}_{n} $为随机一致性指标常数表，具体取值如表3所示。若$ C{R}^{\left(k\right)} \lt 0.10 $，则判断矩阵一致性检验合格，否则需修改专家评分。
$ \lambda_{\max }^{(i)}=\frac{1}{n} \sum_{i=1}^{n} \frac{\left(\mathrm{~A}^{(i)} w^{(i)}\right)_{i}}{w_{i}^{(i)}} $
$ C{I}^{\left(k\right)}=\frac{\lambda _{\text{max}}^{\left(k\right)}-n}{n-1} $
$ C{R}^{\left(k\right)}=\frac{C{I}^{\left(k\right)}}{R{I}_{n}} $

3.1.4 计算一级指标

设第$ k $个一级指标下有8个二级指标，各二级指标的权重向量为$ {W}^{\left(k\right)} $，某风险在第$ k $个一级指标下对应8个二级指标的评价分数为$ {S}^{\left(k\right)} $，则该风险在第$ k $个一级指标上的综合评价分数$ {F}^{\left(k\right)} $如公式(10)所示。
$ {F}^{\left(k\right)}={W}^{\left(k\right)}\cdot {\left({S}^{\left(k\right)}\right)}^{\text{T}} $

3.1.5 获取TOPSIS中的一级指标权重

为进一步体现评估决策者对各维度的评估侧重性，本文沿用上述AHP方法，求解三个一级指标的相对重要性权重。具体而言，首先组织专家对数据安全管理、数据处理活动安全、数据安全技术三类一级指标开展两两对比，构建一级指标判断矩阵，通过求解矩阵最大特征值与对应特征向量，得到一级指标权重向量。经一致性检验合格后，将该权重向量代入TOPSIS模型，对各一级指标综合评分进行加权计算，得到各待评估风险的最终综合评价结果。

3.1.6 主客观组合赋权优化

在多维度风险评估体系中，指标权重的精准赋值直接决定评价结果的科学性与准确性。本文依托层次分析法（AHP）整合专家经验与领域知识，通过构建两两判断矩阵、开展一致性检验，求解得到各指标的主观权重。但单纯依托专家主观打分，易受个体经验差异与主观偏好干扰，存在一定赋值偏差。因此，为进一步提升权重赋值的客观性与模型稳健性，本文在AHP主观权重基础上引入客观赋权算法，构建主客观组合赋权机制。
设某指标 $ \mathrm{j} $ 的AHP 权重为 $ \mathrm{w}_{\mathrm{j}}^{\text{AHP}} $ ，客观方法计算得到的权重为 $ \mathrm{w}_{\mathrm{j}}^{\text{Obj}} $ ，则组合权重可表示为：
$ {\mathrm{w}}_{\mathrm{j}}\mathrm{=\alpha w}_{\mathrm{j}}^{\mathrm{AHP}}\mathrm{+(1-\alpha )w}_{\mathrm{j}}^{\mathrm{Obj}}\mathrm{, 0\leqslant \alpha \leqslant 1} $
其中：
$ {\text{w}}_{\text{j}} $ ：指标 $ \mathrm{j} $ 的组合权重
$ \text{w}_{\text{j}}^{\text{AHP}} $ ：通过层次分析法得到的主观权重
$ \text{w}_{\text{j}}^{\text{Obj}} $ ：通过客观赋权方法得到的权重
$ \alpha $ ：为主权系数，用于调控主观权重与客观权重的配比关系。
当 $ \alpha $ 取值越大，组合权重越侧重专家先验知识；$ \alpha $取值越小，组合权重越依托数据驱动的客观特征。在实际评估场景中，可依据样本数据完备度与领域专家经验水平合理设定参数取值。
客观权重 $ \mathrm{w}_{\mathrm{j}}^{\text{Obj}} $ 可通过多种数据驱动算法求解，典型方法包括熵权法（Entropy Weight Method，EWM）与CRITIC（Criteria Importance Through Inter-criteria Correlation）法。其中，熵权法通过分析指标数据离散程度量化指标信息量，以此判定指标重要度；CRITIC法同时兼顾指标标准差与指标间相关性，依托信息对比强度完成权重求解。两类方法均可依托数据统计特征客观量化指标重要度，有效弱化专家主观赋权带来的偏差。
本文引入的组合赋权机制可有效平衡专家先验知识与客观数据特征，使评估模型在保留专业判断优势的基础上，强化数据驱动能力，为复杂场景下的数据安全风险决策提供更可靠的支撑。

3.2 基于TOPSIS的综合评价

在获取各一级指标的综合评分与对应权重后，本文采用 TOPSIS 模型完成多风险样本的综合评价分析。TOPSIS 的核心思想为构造正理想解（最优目标）与负理想解（最劣目标），通过测算各风险评估样本与正负理想解的欧式距离，实现风险优劣程度的量化判定。

3.2.1 构建决策矩阵

设有$ m $个风险和$ n $个评价指标，记决策矩阵如公式（12）所示，其中$ i=1,\ldots ,m $以及$ j=1,\ldots ,n $。
$ \mathbf{D}={\left[{x}_{ij}\right]}_{m\times n} $
此外，$ {x}_{ij} $表示第$ i $个风险在第$ j $个指标上的原始评价值。若指标中存在成本型指标，可先对成本型数据取倒数等方法进行同趋势变换，使所有指标均为效益型。

3.2.2 标准化决策矩阵

为消除不同量纲差异带来的评价影响，需对决策矩阵进行归一化处理，记作$ \mathbf{R}=\left[{r}_{ij}\right] $。$ {r}_{ij} $的计算方法如公式(13)所示。
$ {r}_{ij}=\frac{{x}_{ij}}{\sqrt{\displaystyle\sum \nolimits_{i=1}^{m}x_{ij}^{2}}} $

3.2.3 加权标准化矩阵

将指标权重引入标准化矩阵得到加权决策矩阵。令权重向量为$ \mathbf{W}={\left[{w}_{1},{w}_{2},\ldots ,{w}_{n}\right]}^{\top } $，其中$ {w}_{j} $来自AHP。因此，加权的标准化矩阵记作$ \mathbf{V}=\left[{v}_{ij}\right] $，其中$ {v}_{ij} $如公式(14)所示。
$ {v}_{ij}={w}_{j}{r}_{ij} $

3.2.4 确定正理想解与负理想解

根据加权的标准化矩阵记作$ \mathbf{V}=\left[{v}_{ij}\right] $确定正理想解$ {\mathbf{v}}^{+}=\left(v_{1}^{+},\ldots ,v_{n}^{+}\right) $和负理想解$ {\mathbf{v}}^{-}= $ $ \left(v_{1}^{-},\ldots ,v_{n}^{-}\right) $。对与本文制定的风险评估指标，风险分数越大代表风险危害程度越低。因此，正理想解取最大值$ v_{j}^{+}=\underset{1\leqslant i\leqslant m}{\text{max}}\left\{{v}_{ij}\right\} $、负理想解取最小值$ v_{j}^{-}=\underset{1\leqslant i\leqslant m}{\text{min}}\left\{{v}_{ij}\right\} $。

3.2.5 计算贴近度系数

计算每个风险与正/负理想解的欧氏距离，如公式(15)所示。由此求得贴近度系数$ {C}_{i} $如公式(16)所示。$ {C}_{i} $取值越大，表明风险越接近正理想解、越远离负理想解，对应风险危害程度越低。
$ \left\{\begin{aligned} &d_{i}^+=\sqrt{{\sum}_{j=1}^{n}\left(v_{i j}-v_{j}^+\right)^{2}} \\&d_{i}^-=\sqrt{{\sum}_{j=1}^{n}\left(v_{i j}-v_{j}^-\right)^{2}}\end{aligned}\right. $
$ {C}_{i}=\frac{d_{i}^-}{d_{i}^++d_{i}^-} $

3.2.6 排序与选优

根据贴近度系数$ {C}_{i} $的取值大小，完成完成所有风险样本的优劣排序，$ {C}_{i} $值最大，其数据安全风险危害程度最低。

3.3 动态修正机制与持续评估流程

在在实际数据安全治理过程中，风险状态并非静态恒定，而是随系统运行环境、威胁态势与安全控制措施的动态变化持续演化。因此，仅依靠单一时点的静态评分开展评估，无法及时、精准地反映安全态势的动态波动。为提升评估模型对环境变动的适配能力，本文在二维基准评分矩阵基础上引入动态修正机制，实现二级指标评分的周期性迭代更新，完成持续性风险评估。
设风险对象 $ \mathrm{i} $ 在指标 $ \mathrm{j} $ 下的初始评分为 $ \mathrm{s}_{\text{ij}}^{0} $ ，该分值由 3.2 节构建的二维指标矩阵依据 “数据资产敏感度 — 安全防护措施实施程度” 评价维度确定。考虑到系统运行过程中安全控制能力、漏洞暴露状态、威胁告警频次及异常事件的动态波动，本文对初始基准评分进行动态修正，得到t时刻的实时评分，计算公式如下：
$ \begin{array}{c}{\text{s}}_{\text{ij}}\left(\mathrm{t}\right)=\mathrm{clip}\left(\begin{array}{c}\text{s}_{\text{ij}}^{0}+{\gamma}_{1}{\tilde{\text{m}}}_{\text{ij}}\left(\mathrm{t}\right)-{\gamma}_{2}{\tilde{\text{v}}}_{\text{ij}}\left(\mathrm{t}\right)-\\{\gamma}_{3}{\tilde{\text{a}}}_{\text{ij}}\left(\mathrm{t}\right)-{\gamma}_{4}{\tilde{\text{e}}}_{\text{ij}}\left(\mathrm{t}\right),\mathrm{0{,}9}\end{array}\right)\end{array} $
其中，$ {\mathrm{s}}_{\text{ij}}(\mathrm{t}) $ 表示风险对象 $ \mathrm{i} $ 在指标 $ \mathrm{j} $ 下时刻 $ \mathrm{t} $ 的动态评分；$ \mathrm{s}_{\text{ij}}^{0} $ 为由二维评分矩阵得到的基准分值；$ {\tilde{\mathrm{m}}}_{\text{ij}}(\mathrm{t}) $、 $ {\tilde{\mathrm{v}}}_{\text{ij}}(\mathrm{t})、{\tilde{\mathrm{a}}}_{\text{ij}}(\mathrm{t}) $ 和 $ {\tilde{\mathrm{e}}}_{\text{ij}}(\mathrm{t}) $ 分别表示经归一化处理后的安全防护措施有效性提升量、漏洞暴露程度、威胁告警强度和异常事件频度，均取值于 $ [0{,}1] $ 区间； $ \mathrm{clip}(\cdot ) $ 为截断函数，用于将动态评分限定在$ [0{,}9 $区间，保证动态评分与前文二维基准评分矩阵的尺度统一。
其中，$ {\tilde{\mathrm{m}}}_{\text{ij}}(\mathrm{t}) $ 用于表征安全策略优化、防护措施迭代、安全技术升级带来的防护能力增益；$ {\tilde{\mathrm{v}}}_{\text{ij}}(\mathrm{t}) $ 用于刻画当期漏洞暴露的数量与危害程度；$ {\tilde{\mathrm{a}}}_{\text{ij}}(\mathrm{t}) $ 用于刻画当期漏洞暴露的数量与危害程度；$ {\tilde{\mathrm{e}}}_{\text{ij}}(\mathrm{t}) $ 用于量化周期内安全异常行为与安全事件的发生频次及影响程度。由于四类变量的数据来源不同、量纲不统一，本文采用极差标准化方法将其统一映射至 $ [0{,}1] $ 区间，转换公式如下：
$ {\tilde{\text{x}}}_{\text{ij}}\left(\mathrm{t}\right)=\frac{{\text{x}}_{\text{ij}}\text{(t)-x}_{\text{ij}}^{\min }}{\text{x}_{\text{ij}}^{\max }\text{-x}_{\text{ij}}^{\min }} $
其中，$ \mathrm{x} $ 可分别表示 $ \mathrm{m},\mathrm{v},\mathrm{a},\mathrm{e} $ 四类动态变量。 为保障模型参数的可解释性与物理意义明确性，本文对动态修正系数施加如下约束条件：
$ {\gamma}_{\text{k}}\geqslant 0,\sum\limits_{\text{k=1}}^{4}\,\,{\gamma}_{\text{k}}=1 $
因此，$ {\gamma }_{1},{\gamma }_{2},{\gamma }_{3},{\gamma }_{4} $ 可定义为四类动态因子对评分修正结果的相对影响权重。。 对于 $ {\gamma }_{1},{\gamma }_{2},{\gamma }_{3},{\gamma }_{4} $ 的取值，本文采用 “专家初判赋值 — 归一化权重求解 — 敏感性分析验证” 的参数确定思路。首先，邀请数据安全管理、网络安全运营、风险评估领域专家，针对 “安全控制改进、漏洞暴露、威胁告警、异常事件” 四类因子对动态评分修正的影响程度开展两两对比，构建判断矩阵，依托 AHP 算法求解各因子的初始相对权重。设由判断矩阵得到的原始权重为$ {\omega }_{1},{\omega }_{2},{\omega }_{3},{\omega }_{4} $ ，则动态调整系数取为
$ {\gamma}_{\text{k}}=\frac{{\Omega}_{\text{k}}}{\displaystyle\sum\nolimits_{\text{r=1}}^{4}\,\,{\Omega}_{\text{r}}},~~~~~~~\mathrm{k}=\mathrm{1{,}2},\mathrm{3{,}4} $
若检验结果合格，则将归一化结果作为动态修正系数初始值；若一致性检验不达标，则迭代修正判断矩阵，直至检验合格。结合数据安全场景下各类动态因素对风险变化的影响特点，本文最终取：
$ {\gamma }_{1}=0.20,{\gamma }_{2}=0.30,{\gamma }_{3}=0.30,{\gamma }_{4}=0.20 $
即安全防护措施有效性提升量、漏洞暴露程度、威胁告警强度和异常事件频度的影响权重分别为 0.20、0.30、0.30 和 0.20。该参数取值的内在逻辑如下：安全控制优化可有效缓释安全风险，但治理效果存在一定滞后性，因此赋予适中的正向权重；漏洞暴露与威胁告警可直接反映系统攻击面与实时威胁压力，对风险态势变动的敏感度更高，因此赋予较高权重；异常事件频度为安全状态变化的结果性表征，对风险修正同样具备参考价值，但相较于实时漏洞、告警数据存在事后滞后性，因此权重取值略低。
在具备完备历史监测数据的场景下，该组参数可通过样本数据校准进一步优化。具体而言，以各周期真实风险状态为参照基准，通过最小化模型预测值与历史评估真值的偏差，实现修正系数$ \gamma $的精细化校准，优化模型拟合效果，目标函数如下：
$ \underset{\gamma}{\min }\,\sum\limits_{\text{t}}\,\,{\left(\hat{\text{R}}\text{(t;γ)-}{\text{R}}^{\text{obs}}\text{(t)}\right)}^{2}\mathrm{s}.\mathrm{t}.{\gamma}_{\text{k}}\geqslant 0,\sum\limits_{\text{k=1}}^{4}\,\,{\gamma}_{\text{k}}=1 $
其中，$ \hat{\mathrm{R}}(\mathrm{t};\gamma ) $ 表示由动态修正模型计算得到的风险评估结果，$ {\mathrm{R}}^{\text{obs}}(\mathrm{t}) $ 表示历史安全事件、专家复核结论或阶段性评估结果对应的参考风险值。若样本数量有限，无法支持稳定的数据校准，则采用式（21）给出的参数作为本文实验与案例分析中的固定取值，并在后续评估中结合新增数据滚动修正。
在该修正机制下，安全防护能力提升可抬高指标评分，漏洞暴露、威胁告警、异常事件等负面风险因子会拉低指标评分，精准刻画系统安全状态的时序动态演化特征。完成各二级指标评分的动态更新后，可重新迭代计算一级指标综合得分，再通过 AHP-TOPSIS 组合模型输出t时刻的风险排序结果，实现风险态势的持续跟踪与动态比对。
在工程落地层面，该动态修正机制可无缝对接现有数据安全监测体系，依托周期性数据采集实现常态化持续评估。结合业务治理需求，本文将评分更新模式划分为三类：一是定期更新，以月度、季度为周期迭代风险评分，适配常态化安全治理与阶段性复盘评估；二是事件触发更新，当发生重大安全事件、爆出高危漏洞或系统架构发生重大变更时，即刻重启风险评分计算；三是实时持续更新，依托日志分析、安全监测平台、威胁情报系统实时采集数据，完成重点指标评分的动态滚动修正。为验证参数设置的稳健性与模型可靠性，本文对$ {\gamma }_{1},{\gamma }_{2},{\gamma }_{3},{\gamma }_{4} $ 进行 $ \pm 10\% \text{参数} $ 扰动分析，若风险排序结果变化较小，则证明该动态修正机制具有较好的稳定性。

4 准真实业务样本实证验证与对比实验

本节所用样本取自某企事业单位脱敏后的真实数据安全评估资料，能够真实反映数据安全管理、数据处理活动安全、数据安全技术三个维度的风险差异。在此基础上，本文从排序一致性、区分能力、稳健性三个维度，验证本文所提 AHP-TOPSIS 融合模型的有效性。

4.1 研究对象与数据来源

为增强评估结果的实证支撑，本文将原 “示例性企业业务场景” 替换为基于真实业务环境的准真实样本开展研究。研究对象取自某企事业单位脱敏后的真实数据安全评估资料。考虑到不同业务系统在数据类型、处理流程、安全控制水平上存在差异，本文采用 “业务系统 — 风险类型” 二元组构建评估对象，将数据泄露、数据篡改、数据破坏、数据丢失四类典型风险映射至各业务系统，最终形成 24 个风险样本。
如表7 所示，样本依托的原始证据主要分为三类：一是数据安全管理类材料，包括数据分类分级制度、岗位职责说明、外包管理台账、应急预案及安全培训记录；二是数据处理活动类材料，包括数据收集、存储、使用、提供、公开、删除等环节的流程文档、审批记录及合规审查材料；三是数据安全技术类材料，包括访问控制策略、日志审计记录、漏洞扫描报告、安全告警工单、数据备份恢复记录及近 12 个月异常事件处置记录。上述材料均来自该单位日常数据安全治理与安全运营工作，可客观反映各风险对象在治理、流程、技术层面的实际状态。由于涉及业务敏感信息，本文对单位名称、系统名称、资产规模及部分原始量化指标开展匿名化与区间化处理，该处理方式不会改变样本间的相对关系与最终评估结论。
表 7 数据安全风险评估指标体系各风险评分以及二级指标权重

Table 7 Scores of each scheme and the weights of secondary indicators in the data security risk assessment indicator system

一级指标 二级指标 风险A 风险B 风险C 风险D 权重
数据安全
管理
（U1）		 数据安全管理制度 9 7 8 6 0.12
安全组织机构 8 7 8 6 0.10
分类分级管理 9 8 7 6 0.14
人员安全管理 8 6 7 5 0.11
合作外包管理 8 5 7 6 0.09
安全威胁和应急管理 9 7 9 6 0.15
开发运维管理 8 7 8 6 0.11
云数据安全 8 6 8 7 0.12
数据处理
活动安全
（U2）		 数据收集安全 9 8 7 6 0.12
数据存储安全 9 8 8 6 0.15
数据使用和加工安全 8 7 6 5 0.11
数据提供安全 8 7 6 5 0.12
数据公开安全 7 6 5 5 0.10
数据删除安全 8 7 6 5 0.12
其他数据处理活动安全 7 6 5 5 0.11
数据处理合规性 9 8 7 6 0.14
数据安全
技术
（U3）		 网络安全防护 9 8 9 7 0.13
身份鉴别与访问控制 9 9 8 7 0.15
监测预警 8 9 7 6 0.13
数据脱敏 8 7 6 5 0.12
数据防泄露 9 8 7 6 0.14
数据接口安全 8 7 6 6 0.11
数据备份恢复 7 8 9 7 0.12
安全审计 7 9 8 6 0.13
为降低单纯专家打分造成的主观偏差，本文采用 “客观证据初评分 + 专家复核校准” 的方式完成 24 个二级指标赋值。首先，依据 3.2 节提出的数据资产敏感度与防护成熟度评分规则，结合漏洞暴露、告警强度、异常事件等客观证据，将各风险样本的二级指标状态转换为 0—9 区间的初始分值。其次，邀请 5 名具备数据安全治理、网络安全运营从业经验的专家，对初始分值开展独立复核。若单项指标评分差值超过 2 分，则组织专家复审研讨，取评分中位数作为该指标最终分值。经上述流程处理后，最终构建得到 24×24 的样本 - 指标评价矩阵，以此开展后续 AHP-TOPSIS 综合评估与对比实验。

4.2 权重设置

综合考量各指标对数据安全风险的相对重要程度，本文采用 AHP 法完成指标权重求解，先计算一级指标权重，再依次求解各一级指标下辖二级指标的权重。全部判断矩阵均基于多名领域专家的两两对比打分构建，并通过一致性检验保障计算结果有效性。

4.2.1 一级指标权重计算

针对 3 项一级指标，邀请多名数据安全领域专家依据 1–9 标度法开展重要性两两对比，构建判断矩阵。专家判定数据安全管理（U1）与数据处理活动安全（U2）同等重要，且二者均明显重要于数据安全技术（U3）。判断矩阵内元素$ {a}_{ij} $代表第i行指标相对第j列指标的重要性分值。例如矩阵元素$ {a}_{13}=3 $代表U1相对U3的重要性取值为 3，说明U1明显重要于U3；其对应倒数元素$ {a}_{31}=3 $则体现U3相对U1的重要程度。通过成对比较可构建判断矩阵如公式 (23) 所示。
$ A=\left[\begin{matrix}1 & 3 & 2\\{1}/{3} & 1 & {1}/{2}\\{1}/{2} & 2 & 1\end{matrix}\right] $
对判断矩阵求解特征向量并做归一化处理，得到一级指标权重向量为$ w=\left(0.50,0.28,0.22\right) $。这表明数据安全管理（U1）为最重要因素，占约50%的权重；数据处理活动安全（U2）次之，权重约28%；数据安全技术（U3）最低，权重约0.22。为了验证判断矩阵的一致性，需要计算最大特征值$ {\lambda }_{\max } $以及一致性指标CI和一致性比率CR。对于3阶矩阵，随机一致性指数$ RI=0.58 $。因此，可得到判断矩阵的$ {\lambda }_{\max }=3.1 $。再代入公式(8) 可以得到CI=0.05，进而有CR= 0.086。由于$ CR \lt 0.1 $，该判断矩阵一致性检验合格，专家打分结果合理，可采用上述一级指标权重。

4.2.2 二级指标权重计算

在确定一级指标权重后，沿用 AHP 法依次完成各一级指标下辖二级指标的权重分配。各一级指标分属不同评估维度，专家针对每组二级指标分别构建 8 阶判断矩阵，完成权重计算与一致性检验。全部二级指标判断矩阵的CR值均小于 0.1，符合一致性标准，权重结果有效。表7 汇总了各一级指标项下 8 项二级指标的 AHP 权重。在数据安全管理（U1）维度中，“安全威胁与应急管理” 权重为 0.15，数值最高，体现其在抵御外部攻击中的关键作用；在数据处理活动安全（U2）维度中，“数据存储安全” 权重同样为 0.15，排名首位，反映出敏感数据防护在安全治理体系中的核心地位；在数据安全技术（U3）维度中，“身份鉴别与访问控制” 权重最高，取值 0.15，凸显身份核验与访问管控在业务运行中的重要价值。

4.3 综合评估分析

确定指标体系权重后，本文结合各风险样本原始得分与对应权重，采用 TOPSIS 法开展综合评估。首先，根据表7 中的二级指标得分和二级指标权重，计算每个风险在一级指标层面的加权得分。具体计算规则为：单一样本在某一一级指标下的加权得分，由其所属 8 项二级指标得分与对应权重加权求和得到，计算公式见式（24）。
$ {S}_{\text{U1}} =\sum \limits_{j=1}^{8}\left({S}_{j}\cdot {w}_{j}\right) $
以风险 A 为例，其在数据安全管理（U1）维度的加权得分计算如式（25）所示。
$ S_{\text{U1}}^{\text{A}} =\sum \limits_{j=1}^{8}\left({S}_{j}\cdot {w}_{j}\right)=9\times 0.12+8\times 0.10\cdots =7.93$
表8 列出各风险样本在一级指标层面的加权得分结果。由表8 可见，不同风险在各一级指标维度的表现存在明显差异：风险 A 在数据安全管理、安全技术维度得分偏高；风险 B 的优势集中在数据安全技术层面；风险 C 在数据安全管理方面表现较好，但数据处理活动安全存在明显短板。
表 8 各风险在一级指标层的加权得分

Table 8 Weighted scores of each plan at the first-level indicator level

风险类别 数据安全
管理（U1）		 数据处理活
动安全（U2）		 数据安全
技术（U3）
数据泄露风险 8.4 8.0 8.3
数据篡改风险 7.3 7.0 8.0
数据破坏风险 8.5 6.8 7.5
数据丢失风险 6.4 6.0 5.8
在获得表8 所示的风险评价矩阵后，运用 TOPSIS 优劣解距离法对风险进行最终排序，具体步骤如下。首先对评价矩阵各列（一级指标得分）做标准化处理，消除量纲差异；再结合一级指标权重$ w=\left(0.50,0.28,0.22\right) $对标准化矩阵加权，构建加权归一化矩阵。随后确定正理想解与负理想解，分别由各指标加权归一化结果的最大值、最小值构成理想解向量。通过式（14）分别计算各风险样本到正、负理想解的欧氏距离，再结合距离结果，利用式（15）求解各样本综合得分。综合得分$ {C}_{i} $取值越大，代表样本越趋近正理想解，对应风险危害程度越低。表9 汇总四类风险的正负理想解距离、综合得分指数，并依据综合得分完成降序排名。
表 9 基于TOPSIS的综合评价结果

Table 9 Comprehensive evaluation results based on TOPSIS

风险类别$ d_{i}^{+} $距离$ d_{i}^{-} $距离综合得分$ {C}_{i} $排名
数据泄露风险0.0100.1350.9291
数据破坏风险0.0900.0800.4712
数据篡改风险0.0800.1000.4533
数据丢失风险0.1200.0000.0004
由由表9 可知，数据泄露风险到正理想解的距离最小、到负理想解的距离最大，综合得分在四类风险中最高，排名首位。表明该类风险在数据安全管理、数据处理活动安全、数据安全技术三项一级指标上表现均衡且整体优良，最接近理想安全状态。数据破坏风险排名第二，其数据安全管理、数据安全技术维度得分较高，但数据处理活动安全存在短板，因此综合得分略低于数据泄露风险。数据篡改风险综合指数排名第三，该类风险在数据安全技术维度表现突出，但受数据安全管理、数据处理活动安全短板影响，整体评分偏低。数据丢失风险综合得分最低，位列第四，三项一级指标评分均偏低，整体评价最差。
综上，数据泄露风险因三项一级指标表现均衡，整体危害程度最低；数据破坏风险、数据篡改风险均需重点强化数据处理活动安全；数据丢失风险则需同步完善数据安全管理、数据处理活动与安全技术防护体系。本文结合 AHP 赋权与 TOPSIS 综合评价方法，实现多类数据安全风险危害程度的量化比对，为风险治理优先级判定提供科学依据。需要说明的是，本案例仅用于演示模型流程与评价效果，数据依托专家评估与示例业务场景得到，不代表真实企业环境下的大样本统计结论。因此，本次评估结果主要用于验证模型的可行性与可解释性。后续研究可结合企业真实安全监测数据，持续完成模型验证与迭代优化。

4.4 稳健性与敏感性分析与组合赋权验证

4.4.1 稳健性、敏感性分析

为进一步验证模型的稳定性与可靠性，本文对所提数据安全风险评估方法开展敏感性分析与对比分析。
（1）一级指标权重敏感性分析
实际评估场景中，指标权重易受专家判断差异影响而出现小幅波动。为此，本文在原始权重基础上对一级指标权重施加\(\pm10\%\)扰动，重新计算 TOPSIS 综合得分，观测风险排序的变动情况。
实验结果显示，权重小幅扰动后，各类风险综合排序保持不变，具体顺序为：数据泄露风险＞数据破坏风险＞数据篡改风险＞数据丢失风险。由此可见，该评估模型对一级指标权重的小幅波动具备良好稳定性，整体鲁棒性较强。
（2）与等权TOPSIS方法的对比 为进一步验证 AHP 赋权的有效性，本文将 AHP-TOPSIS 方法与等权 TOPSIS 方法开展对比实验。等权 TOPSIS 假定三项一级指标权重均等，计算公式见式（26）。
$ {\text{w}}_{1}={\text{w}}_{2}={\text{w}}_{3}=\frac{1}{3} $
按等权规则重新计算综合得分后可见，各类风险得分虽出现变动，但整体排序趋势基本保持一致。而 AHP-TOPSIS 方法可有效体现指标间的重要性差异，使评价结果更贴合数据安全治理的实际需求。例如 AHP 赋权下数据安全管理指标权重更高，可充分凸显数据泄露风险在该维度的表现优势。
综上，相较于等权 TOPSIS，AHP-TOPSIS 融合模型可更合理区分指标重要程度，提升评估结果的可解释性与决策参考价值。

4.4.2 组合赋权验证

为验证 4.1.6 节提出的主客观组合赋权方案，本文在 AHP 主观权重基础上引入熵权法求解客观权重，构建组合权重模型如下：
$ {\mathrm{w}}_{\mathrm{i}}\mathrm{=\alpha w}_{\mathrm{i}}^{\mathrm{AHP}}\mathrm{+(1-\alpha)w}_{\mathrm{i}}^{\mathrm{E}}\mathrm{, 0\leqslant\alpha\leqslant 1} $
其中，$ \mathrm{w}_{\mathrm{i}}^{\text{AHP}} $ 为AHP权重，$ \mathrm{w}_{\mathrm{i}}^{\mathrm{E}} $ 为熵权法权重。本文分别取 $ \alpha =0.3、0.5、0.7 $ 进行对比，结合 TOPSIS 重新计算各风险样本的贴近度与排序结果，详见表10、表11。对比结果表明，组合赋权与单一 AHP 赋权的风险识别结论高度一致，仅部分样本贴近度略有偏差，整体排序波动幅度较小。这说明组合赋权既保留专家经验的优势，又可融入样本数据特征，降低单一主观赋权造成的偏差，具备更优的客观性、稳健性与适用性。
表 10 不同赋权方法下一级指标权重对比

Table 10 Comparison of first-level indicator weights under different weighting methods

赋权方法数据资产
敏感度 $ {\mathrm{U}}_{1} $		安全脆
弱性 $ {\mathrm{U}}_{2} $		威胁可利
用性 $ {\mathrm{U}}_{3} $
AHP主观权重0.5000.2800.220
熵权法客观权重0.3130.2540.433
组合权重（ $ \alpha =0.3 $ ）0.3690.2620.369
组合权重（ $ \alpha =0.5 $ ）0.4070.2670.326
组合权重（ $ \alpha =0.7 $ ）0.4440.2720.284
表 11 不同赋权方法下TOPSIS综合评价结果对比

Table 11 Comparison of TOPSIS comprehensive evaluation results under different weighting methods

风险类型AHP－TOPSIS
贴近度		螪权－TOPSIS
贴近度		$ \alpha =0.5 $
数据泄露风险0.96310.97810.9699
数据复改风险0.52170.68490.6025
数据破坏风险0.73530.67730.7037
数据丢失风险0.00000.00000.0000

4.5 动态修正机制示例验证

为进一步说明第 4 节动态修正机制在实际评估中的应用流程，本文以 “数据泄露风险” 为案例，对部分指标评分开展示例性动态调整。本次示例不改动原有评估框架，仅用于演示系统安全态势变化时，模型依托动态修正机制更新评分的过程。
假设系统运行一段时间后，企业针对数据安全技术环节开展安全加固，部署新型数据防泄露系统、优化访问控制策略，整体安全防护能力得到提升。与此同时，安全监测平台检测到多项高危漏洞，并触发多条安全告警。因此，动态修正模型需综合考量防护能力提升、威胁因素增加两类变化带来的影响。
依据第 4 节给出的动态修正公式（17），对部分二级指标评分完成示例性调整。表12 列出初始评分经动态修正后，部分指标的分值变动情况。
表 12 动态修正示例指标评分变化

Table 12 Example of indicator score adjustment based on dynamic correction mechanism

指标 初始评分 防护提
升量 m(t)		 漏洞暴
露 v(t)		 告警强
度 a(t)		 修正后
评分
数据防泄露 9.0 +0.5 0 0 9.0
身份鉴别与访问控制 9.0 +0.3 0 0 9.0
网络安全防护 9.0 0 0.4 0.3 8.3
监测预警 8.0 0 0.2 0.4 7.4
可以看到，系统部署新安全控制措施后，部分指标评分随之提升；若暴露新增漏洞、产生大量安全告警，对应指标评分则有所下降。完成指标评分动态修正后，可重新计算一级指标综合得分，再依托 AHP-TOPSIS 模型得到更新后的风险排序。
本示例中，安全控制能力整体增强，使得数据泄露风险在数据安全技术维度的综合评分小幅上升，但漏洞暴露与安全告警在一定程度上抵消了该部分增益。重新计算得到该风险综合贴近度系数为 0.914，与初始结果 0.929 基本持平，表明系统安全态势虽有波动，但整体风险水平未发生明显变化。
该示例验证，引入动态修正机制后，本文模型既可完成静态风险排序，也可随系统运行状态实时更新评估结果，将传统单次评估拓展为常态化风险监测与持续评估。该机制可帮助安全管理人员及时研判风险变化趋势，为安全策略优化提供决策支撑。

4.6 对比实验设计与结果分析

为进一步检验本文模型的有效性，在评价对象、指标体系、原始数据完全一致的前提下，选取纯 AHP、等权 TOPSIS、熵权 TOPSIS 三种主流方法开展对照实验。其中，纯 AHP 通过层次分析法求解权重并完成线性加权求和；等权 TOPSIS 默认所有指标权重均等，不区分指标重要度；熵权 TOPSIS 基于样本数据离散程度计算客观权重。通过横向对比，可直观分析本文方法在数据安全风险排序中的应用效果。
对比结果如表13 所示。纯 AHP 方法下，四类风险得分依次为：数据泄露风险 8.266、数据篡改风险 7.370、数据破坏风险 7.804、数据丢失风险 6.156；等权 TOPSIS 对应贴近度分别为 0.975、0.618、0.648、0.000；熵权 TOPSIS 分别为 0.978、0.685、0.677、0.000；本文 AHP-TOPSIS 方法结果依次为 0.963、0.522、0.735、0.000。整体而言，纯 AHP、等权 TOPSIS 与本文方法的风险排序结果一致：数据泄露风险危害最低，其次为数据破坏风险、数据篡改风险，数据丢失风险危害最高，证明本文方法整体判断结果具备良好的稳定性与合理性。
表 13 不同方法下数据安全风险评估结果对比

Table 13 Comparison of data security risk assessment results under different methods

方法 数据泄露
风险		 数据篡改
风险		 数据破坏
风险		 数据丢失
风险
单纯AHP（加权求和） 8.266 7.370 7.804 6.156
等权TOPSIS 0.975 0.618 0.648 0.000
熵权TOPSIS 0.978 0.685 0.677 0.000
本文AHP－TOPSIS 0.963 0.522 0.735 0.000
进一步对比可见，各方法对中等风险样本的排序结果存在差异。熵权 TOPSIS 将数据篡改风险置于数据破坏风险之前，说明仅依靠数据离散程度客观赋权时，局部指标波动易干扰最终排序。纯 AHP 虽可融入专家经验，但属于线性加权评价，无法充分刻画不同风险样本的相近程度；等权 TOPSIS 可区分风险样本的相对优劣，但未考虑各项指标在风险评估中的重要度差异。本文方法结合 AHP 赋权与 TOPSIS 优劣解距离模型，既保留层次赋权的可解释性，又提升了不同风险的区分度，更适用于数据安全风险综合评估。

5 结束语

本文面向数据安全风险评估场景，提出融合层次分析法与逼近理想解排序法的综合评估模型。本文构建由 3 项一级指标、24 项二级指标组成的评价体系，实现对数据安全风险危害程度的多维度、系统化评估。双层 AHP 赋权机制可有效整合专家经验，同时依托一致性检验保障权重分配的客观合理。引入 TOPSIS 完成风险危害程度排序，弥补了传统评估方法在决策支撑能力上的短板。实例验证表明，该模型可精准判定各类数据安全风险的危害等级，能够为管理决策提供科学、直观的评估依据。

References

Publishing order | Descend order by publishing year | Descend order by cited within
1
Ahmad Jan M, Adil M, Brik B, et al. Making sense of big data in intelligent transportation systems: current trends, challenges and future directions[J]. ACM Computing Surveys, 2025, 57 (8): 1- 43.

DOI

2
Demirbaga Ü, Aujla G S, Jindal A, et al. Cloud computing for big data analytics[M]//Big Data Analytics: Theory, Techniques, Platforms, and Applications. Cham: Springer Nature Switzerland, 2024: : 43-77.

3
Wang H C, Fu T F, Du Y Q, et al. Scientific discovery in the age of artificial intelligence[J]. Nature, 2023, 620 (7972): 47- 60.

DOI

4
Sun P J, Shen S G, Wan Y, et al. A survey of IoT privacy security: architecture, technology, challenges, and trends[J]. IEEE Internet of Things Journal, 2024, 11 (21): 34567- 34591.

DOI

5
Karpatne A, Deshwal A, Jia X W, et al. AI-enabled scientific revolution in the age of generative AI: second NSF workshop report[J]. npj Artificial Intelligence, 2025, 1, 18.

DOI

6
Wang D D, Yang T F. Research on the promotion effect of the marketization of data elements on the digital transformation of manufacturing enterprises: an empirical evaluation of a multiperiod DID model[J]. Sustainability, 2025, 17 (7): 3199.

DOI

7
LIU J, HAN T, ZHAO J, et al. An Intelligent Risk Assessment Methodology for the Full Lifecycle Security of Data[J]. Symmetry, 2025, 17 (6): 820.

DOI

8
Bhatt P, Valecha R, Rao H R. Situational awareness about data breaches and ransomware attacks: a multi-dimensional cyber threat impact framework and content analyses of practitioner-public discourses[J]. International Journal of Information Management, 2025, 83, 102902.

DOI

9
Badshah A, Daud A, Alharbey R, et al. Big data applications: overview, challenges and future[J]. Artificial Intelligence Review, 2024, 57 (11): 290.

DOI

10
Cheimonidis P, Rantos K. A novel proactive and dynamic cyber risk assessment methodology[J]. Computers & Security, 2025, 154, 104439.

DOI

11
Gao L J, Chen Z Y, Zhao W, et al. Does cybersecurity regulation reduce corporate data-breach risk[J]. Finance Research Letters, 2025, 78, 107171.

DOI

12
Lai L Y. Research and design of data security risk assessment model based on fusion of deep learning and analytic hierarchy process （AHP）[J]. Procedia Computer Science, 2025, 262, 747- 756.

DOI

13
Santos-Olmo A, Sánchez L E, Rosado D G, et al. Towards an integrated risk analysis security framework according to a systematic analysis of existing proposals[J]. Frontiers of Computer Science, 2024, 18 (3): 183808.

DOI

14
Zhang X, Shen W, Liang Z, et al. Data Security Risk Assessment Method Based on Big Data Technology[C]//2024 IEEE 16th International Conference on Computational Intelligence and Communication Networks (CICN). IEEE, 2024: 589-594.

15
Saeedi K, HASSAN M A, ALARIFI S, ALMAGWASHI H. An intuitive approach to cybersecurity risk assessment for non-governmental organizations[J]. Transforming Government: People, Process and Policy, 2025, 19 (1): 159- 182.

DOI

16
Azem Qashou A M, Bahar N, Mohamed H. Qualitative exploration of data security risks in mobile cloud computing for higher education[J]. Security and Privacy, 2025, 8 (2): e70001.

DOI

17
Shukla A, Katt B, Yamin M M. A quantitative framework for security assurance evaluation and selection of cloud services: a case study[J]. International Journal of Information Security, 2023, 22 (6): 1621- 1650.

DOI

18
ZHANG X, SHEN W, LIANG Z, et al. Data Security Risk Assessment Method Based on Big Data Technology[C]//2024 IEEE 16th International Conference on Computational Intelligence and Communication Networks (CICN). Indore, India: IEEE, 2024: 589-594. DOI: 10.1109/CICN63059.2024.10847402.

19
Moreira F, Canedo E, Nunes R, et al. Cybersecurity risk assessment through analytic hierarchy process: integrating multicriteria and sensitivity analysis[C]//Proceedings of the 27th International Conference on Enterprise Information Systems. SCITEPRESS - Science and Technology Publications, 2025: 117-128.

20
Wang K N, Hong Y, Li C X. Fuzzy risk assessment method for airborne network security based on AHP-TOPSIS[J]. Computers, Materials & Continua, 2024, 80(1): 1123-1142.

21
Kostelić K. TOPSIS-based framework for evaluating employee cybersecurity risk[J]. Croatian Operational Research Review, 2025, 16 (1): 31- 44.

DOI

22
Elder S, Rahman M R, Fringer G, et al. A survey on software vulnerability exploitability assessment[J]. ACM Computing Surveys, 2024, 56 (8): 1- 41.

23
Bhol S G. Applications of multi criteria decision making methods in cyber security[M]//Choudhury A, Kaushik K, Kumar V, et al. Cyber-Physical Systems Security: A Multi-disciplinary Approach. Singapore: Springer Nature Singapore, 2025: : 233-258.

24
Mohammed S, Oleiwi A K, kh Asman T, et al. A survey of MCDM-based software engineering method[J]. Babylonian Journal of Mathematics, 2024, 2024, 13- 18.

DOI

25
Adewuyi A A, Cheng H, Shi Q, et al. SC-TRUST: a dynamic model for trustworthy service composition in the Internet of Things[J]. IEEE Internet of Things Journal, 2022, 9 (5): 3298- 3312.

DOI

26
Guo C P, Wang X W, Chu P. Fuzzy AHP-based security evaluation for wireless integrated access system[C]//Proceedings of the 2021 International Conference on Intelligent Transportation, Big Data & Smart City (ICITBS). Piscataway: IEEE Press, 2021: 554-557.

27
Khan A W, Khan M U, Ali Khan J, et al. Identification and prioritization of security challenges of big data on cloud computing based on SLR: a fuzzy-TOPSIS analysis approach[J]. Journal of Software: Evolution and Process, 2021, 33 (12): e2387.

DOI

28
Guo L J, Yao Z Q, Lin M W, et al. Fuzzy TOPSIS-based privacy measurement in multiple online social networks[J]. Complex & Intelligent Systems, 2023, 9 (6): 6089- 6101.

DOI

29
Zhang Z H, Liu Z Y, Yang L, et al. Security risk assessment of image classification model based on ANP-TOPSIS[C]//Proceedings of the 2023 International Conference on Networking and Network Applications (NaNA). Piscataway: IEEE Press, 2023: 300-306.

30
Li X T. Personal information security risk assessment for E-waste recycling based on fuzzy–GRA–TOPSIS and FMEA[J]. IEEE Transactions on Engineering Management, 2024, 71, 8240- 8250.

DOI

Options
Outlines

/

〈 〉

Website Copyright © Editorial Office of Journal of Cybersecurity.
Tel: 010-89061756/89061778　
E-mail：wlkjaqkxxb@caasse.cn
Powered by Beijing Magtech Co. Ltd,.

京ICP备16032046号-20