📚 喵喵的笔记库

第 8 关：守护者 — 理解数据生态

33分钟阅读

第 8 关：守护者 — 理解数据生态

数据分析的最后一步不是产出洞察，是确保数据值得被信任。没有质量和安全，一切归零。

🎯 本关目标

  • 解决"数据不可信、不合规、不安全"的问题
  • 对应现实工程能力：数据脱敏、质量监控、治理体系建设、合规检查

Step 1：本关资料（海量输入）

48h 内尽可能多地摄入本关相关资料，建立感知。不必完全理解，先"见过"。

| 资料类型 | 具体资料 | 用途 | |---------|---------|------| | 书籍 | 《数据治理与数据安全》数据质量章节 + 数据脱敏章节 | 系统理解数据治理框架和脱敏方法论 | | 标准文档 | OWASP Testing Guide → Data Validation | 理解数据安全测试的标准方法 | | 法规原文 | GDPR 第 5 章（个人数据处理原则）+ 第 25 章（隐私设计） | 理解国际数据保护法规的核心原则 | | 法律全文 | 《个人信息保护法》（中国）全文 | 理解中国数据处理的法律要求，和 GDPR 对比 | | 课程材料 | CIT642 PPT 数据安全相关章节 | 课程体系化理解数据安全与治理 | | 论文 | Wang & Strong (1996) "Beyond Accuracy: What Data Quality Means to Data Consumers" | 理解"fitness for use"的数据质量定义 | | 论文 | Dwork et al. (2006) "Calibrating Noise to Sensitivity in Private Data Analysis" | 理解差分隐私的数学基础 | | 论文 | Schafer & Graham (2002) "Missing Data: Our View of the State of the Art" | 系统比较缺失值处理方法 | | 论文 | Aggarwal & Yu (2009) "Outlier Detection: A Survey" | 异常检测算法谱系全景 | | 行业案例 | Cambridge Analytica 数据泄露事件报道 | 理解数据滥用的现实后果 | | 工程实践 | Great Expectations / dbt 文档 | 实用的数据质量测试框架和声明式数据转换 |

Step 2：本关心智模型

模型 1：数据质量模型

  • 核心思想：数据质量是"信任的基础"，不是绝对标准而是"fitness for use"——好不好取决于使用者要做什么。6 个维度互相影响，任何一个维度出问题都会导致分析结论不可靠
  • 6 个维度：
    • 完整性（Completeness）：该有的数据有没有？缺失率是多少？
    • 准确性（Accuracy）：数据值是否正确？和真实世界的偏差多大？
    • 一致性（Consistency）：同一个指标在不同表/系统中是否一致？
    • 及时性（Timeliness）：数据是否在预期时间内到达？延迟多久？
    • 唯一性（Uniqueness）：有没有重复记录？主键是否唯一？
    • 有效性（Validity）：数据是否符合预定义的规则和格式？（如手机号 11 位、年龄 0-150）
  • 关键变量：质量维度（哪个维度出问题）、检查指标（用什么度量，如缺失率、重复率）、阈值（什么程度算"不通过"，如缺失率 > 5%）
  • 应用场景：数据仓库质量监控、ETL 管线异常检测、报表数据对账
  • 局限性：只管"数据好不好"，不管"数据该不该有"——权限和合规问题不在质量维度内
  • 相关资料：Wang & Strong (1996)、Great Expectations 框架、字节跳动数据质量平台案例

模型 2：数据治理成熟度模型

  • 核心思想：数据治理不是一蹴而就，从 L1（无序）到 L5（优化）是逐步演进的过程。治理的核心是组织协同问题，不是技术问题
  • 5 个等级：
    • L1 初始期：没有数据管理意识，数据散落各处，靠人工 Excel 维护
    • L2 可重复：有基本的元数据管理，部分流程可重复，但没有标准化
    • L3 已定义：有数据标准、质量规则、责任人，流程文档化
    • L4 已管理：数据质量可度量、可监控、可告警，定期审计
    • L5 优化期：数据驱动决策成为组织文化，持续改进
  • 关键变量：治理阶段（当前在哪个等级）、关键实践（每个等级需要做什么）、组织成熟度（业务方是否参与、是否有专职数据团队）
  • 应用场景：团队数据治理水平自评、制定治理路线图、向上汇报治理现状
  • 局限性：等级评估主观性强，不同组织对"已定义"和"已管理"的边界理解不一致
  • 相关资料：DAMA-DMBOK、Abraham et al. (2018) 数据治理框架论文

模型 3：差分隐私模型（Differential Privacy）

  • 核心思想：通过添加精心校准的数学噪声，使查询结果不依赖于任何单个个体的数据——无论一个人是否在数据集中，查询结果的分布几乎不变
  • 关键变量：隐私预算 ε（epsilon，越小越安全但噪声越大）、敏感度 Δf（查询对单个数据变化的响应幅度）、噪声机制（拉普拉斯 / 高斯）
  • 应用场景： census 人口统计数据发布、苹果/谷歌的遥测数据收集、医疗数据共享
  • 局限性：ε 的选择是艺术而非科学，隐私-效用权衡没有通用最优解；对低频数据（长尾查询）保护效果差
  • 相关资料：Dwork & Roth (2014) 差分隐私理论完整框架、Dwork et al. (2006) 原始论文

Step 3：本关分歧点

分歧 1：数据脱敏——遮盖 vs 哈希 vs 令牌化

| 维度 | A 方：简单遮盖（星号替换） | B 方：哈希 / 令牌化 | |------|------------------------|-------------------| | 主张 | 手机号前 3 后 4 用 * 替代，简单直接，可读性好 | 单向哈希或令牌化替换，不可逆，安全性更高 | | 优点 | 实现简单、可读性保留（仍能识别格式）、性能好 | 不可逆、无法反推、安全性强 | | 缺点 | 可被反推（运营商号段公开，中间 4 位仅 10000 种组合）、安全性弱 | 可读性丧失、相同输入哈希后无法关联（除非加 salt 策略复杂化）、查询困难 | | 实践倾向 | 日志/展示层脱敏（不需要还原的场景） | 存储/传输层脱敏（需要高安全性保障的场景） | | 为什么重要 | 选错方案可能导致合规风险——简单遮盖在高敏感场景下等于没脱敏 | 令牌化适合需要跨系统关联但保护原始值的场景（如支付系统） |

分歧 2：数据质量——自动规则 vs 人工审核

| 维度 | A 方：全自动化质量规则 | B 方：自动化 + 人工抽样审核 | |------|---------------------|---------------------| | 主张 | 所有质量检查都编码为规则，自动执行、自动告警、自动阻断 | 自动规则做基线监控，关键指标定期人工抽样审核 | | 优点 | 高效、可扩展、不依赖人工、适合大规模数据 | 能发现规则覆盖不到的隐蔽问题、业务语义变化时人工能及时调整 | | 缺点 | 规则永远滞后于业务变化、无法检测"数据正确但语义错误"的问题 | 人工成本高、不可扩展、审核质量依赖审核者能力 | | 实践倾向 | A+B 结合：80% 自动规则 + 20% 关键指标人工审核 | 字节跳动等大厂实践 | | 为什么重要 | 纯自动化会漏掉业务规则变化导致的"合法但错误"数据；纯人工无法应对数据规模 | 核心业务指标（如 GMV）必须有人工兜底 |

分歧 3：数据治理——技术驱动 vs 业务驱动

| 维度 | A 方：IT 部门主导治理 | B 方：业务方 + IT 共同治理 | |------|-------------------|---------------------| | 主张 | 数据团队制定标准、规则、流程，业务方配合执行 | "什么数据是正确的"只有业务方知道，治理必须由业务方发起和参与 | | 优点 | 推进速度快、技术标准统一、不会因为业务方意见不统一而停滞 | 定义准确（如"活跃用户"是登录还是下单）、标准有业务价值 | | 缺点 | 没有业务方参与 = 空谈——技术团队无法定义业务语义 | 推进慢、业务方可能不重视、需要组织文化支持 | | 实践倾向 | B 方：业务方定义业务语义，IT 部门负责实现和监控 | 行业共识 + DAMA 框架 | | 为什么重要 | 很多公司卡在 L2→L3 的跃迁，根本原因不是技术不够，而是业务方没有参与 | 金融行业监管要求"数据治理委员会"必须有业务管理层参加 |

Step 4：闯关任务（动手验证）

任务 1：调研数据泄露案例 ⭐

  • 案例：Cambridge Analytica（2018 年 Facebook 数据泄露）
  • 要求：
    • 500 字分析
    • 回答：数据怎么泄露的？影响了谁？后果是什么？技术上本可以怎么防范？
  • 延伸思考：你日常工作中有没有类似的"数据使用边界模糊"的场景？

任务 2：设计数据脱敏方案 + 自动化脚本 ⭐

  • 方案设计：
    • 确定脱敏字段类型：手机号、身份证、邮箱、姓名、地址、银行卡
    • 每种类型的脱敏策略（部分遮盖 / 哈希 / 令牌化 / 泛化）
    • 脱敏规则：谁能看到什么？开发环境 vs 生产环境
  • Python 自动化脚本：
    • 工具：pandas + re
    • 形式：CLI 工具，输入 CSV，输出脱敏后的 CSV
    • 功能：自动识别敏感字段类型 + 按规则脱敏 + 生成脱敏报告（哪些字段、多少条、什么策略）
  • 进阶：脱敏后数据是否还能用于分析？（可用性 vs 安全性的 trade-off）

任务 3：设计数据质量 6 维度检查指标

  • 针对你工作中的某一张核心表，设计完整的质量检查方案：
    • 每个维度至少 2 个具体检查项
    • 每个检查项定义：检查逻辑、预期结果、告警阈值、责任人
  • 示例：
    • 完整性：device_id 缺失率 < 0.1%
    • 一致性：dws_device_daily.device_count = ods_device_log 去重计数（偏差 < 1%）
    • 及时性：ODS 数据到达时间 < 源系统产生时间 + 5 分钟

任务 4：数据安全与治理检查清单 ⭐

  • 4 大维度，每个维度 10+ 检查项，每项 0/1/2 分（0=未做，1=部分做，2=完全做）
  • 维度：
    1. 数据安全：访问控制、加密、脱敏、审计日志、数据分级
    2. 数据质量：质量规则、监控告警、异常处理、定期审计
    3. 数据合规：隐私政策、用户授权、数据留存策略、跨境传输
    4. 数据治理：元数据管理、数据血缘、责任人机制、数据标准
  • 目标：总分 ≥ 60/80 算"及格"，≥ 70/80 算"良好"
  • 输出：检查清单 + 评分 + 改进计划（Top 5 优先改进项）

Step 4.5：💬 AI 教练对话

4 个 Prompt，按需使用。标注了最佳使用时机。

🎯 Prompt 1：理解问题 — 数据质量诊断

使用时机：任务 3 进行中，遇到具体质量问题需要诊断思路时

我负责的一张数据表出现了质量问题，请帮我诊断。

表名：[表名]
问题描述：[如"业务方反馈昨天报表的 GMV 比实际少了 20%"]
已知信息：[如"昨天的 Flink 任务有报错，部分数据延迟到达"]

请回答：
1. 这个问题最可能属于数据质量的哪个维度？（完整性/准确性/一致性/及时性/唯一性/有效性）
2. 我应该按什么顺序排查？（给出 3-5 步排查路径）
3. 如何防止类似问题再次发生？

⚠️ 禁止直接给 SQL 或脚本，只做诊断思路。

🐛 Prompt 2：Debug — 脱敏方案审查

使用时机：任务 2 完成方案设计后，提交 AI 做安全性审查时

我设计了一个数据脱敏方案，请帮我审查安全性。

脱敏规则：
[粘贴你的脱敏规则，如"手机号：前 3 后 4 保留，中间 4 位用 * 替代"]

请帮我分析：
1. 这些脱敏规则有没有安全隐患？（是否能被反推？）
2. 在什么场景下这些规则不够用？
3. 给我 2 个改进建议。

⚠️ 禁止直接重写方案，只做安全性审查。

🧠 Prompt 3：模型提取 — 治理成熟度评估

使用时机：任务 4 完成检查清单后，想定位团队治理水平时

我正在评估我们团队的数据治理水平。

当前状况：
[描述你的团队现状，如"有数据仓库但没有数据字典，数据质量靠人工检查，没有专门的治理团队"]

请帮我评估：
1. 我们处于数据治理成熟度的哪个等级（L1-L5）？依据是什么？
2. 从当前等级到下一个等级，最关键的 3 个行动是什么？
3. 每个行动的预期投入（人力/时间）和收益是什么？

⚠️ 不要给我泛泛而谈的建议，结合我的具体现状给出可执行的行动项。

🔗 Prompt 4：工程映射 — 合规风险识别

使用时机：任务 4 进行中，想识别工作场景的合规盲区时

我正在做数据安全与治理的检查清单。

我的工作场景：[描述，如"IoT 平台，采集设备数据，数据包含设备位置信息，数据存储在阿里云"]

请帮我识别：
1. 这个场景下最大的 3 个数据安全风险是什么？
2. 有哪些法律法规需要关注？（个人信息保护法 / 数据安全法 / GDPR / …）
3. 我应该优先解决哪个风险？为什么？

⚠️ 不要给我法律建议，帮我建立风险意识和排查思路。

Step 5：关 AI 自测

⚠️ 关闭 AI 前提：先独立思考，写下你的判断和理由，再用 AI 追问验证。不要边看答案边写。

📋 题 1：数据质量排查——你的第一步是什么？

改编自费曼检验场景 2

你打开数据看板，发现扫地机器人的「清扫完成」事件昨天只有 70% 的设备上报了（平时 95%+）。上报链路是：设备 SDK → MQTT → Kafka → Flink → StarRocks。

问题：你会从哪个环节开始排查？给出你的排查优先级和理由。

📋 题 2：异常值处理——删除还是深入分析？

改编自费曼检验场景 3

扫地机器人数据中，有的设备单次清扫 8 小时（正常 30-90 分钟），有的设备一天上报 200 次清扫事件（正常 1-3 次），有的设备上报房间面积 0 平方米。

问题：你怎么判断哪些异常值该删除、哪些该保留并深入分析？给出你的判断框架。

📋 题 3：数据治理——你的团队在哪一级？

改编自费曼检验场景 1 + 模型提取

你的团队有数据仓库，但没有数据字典；数据质量靠人工检查，没有自动化监控；没有专职数据治理团队，但业务方偶尔会来对数据口径。

问题：评估你们处于 L1-L5 哪个等级？从当前等级到下一等级，最关键的行动是什么？

📋 题 4：用户数据该不该给第三方用？

改编自费曼检验场景 4

你们公司和语音助手厂商合作，对方需要清扫数据训练语音指令识别模型。对方承诺只用聚合数据，不要个人识别信息。但埋点数据包含设备地图数据（用户家里哪些房间、多大），用户没有明确同意将地图数据用于第三方训练。

问题：综合考虑个保法、GDPR（如有海外用户）、商业利益和用户信任，你的建议是什么？为什么？

🔍 自测通关标准

  • [ ] 4 道题的判断有理有据（不是猜的）
  • [ ] 能解释每个判断背后的原理
  • [ ] 能回答"如果条件变化，你会改变判断吗"

🤖 AI 追问 Prompt

我刚完成了数据分析第 8 关的 AI 自测，以下是我的回答：

题 1：[你的回答]
题 2：[你的回答]
题 3：[你的回答]
题 4：[你的回答]

请扮演一个持怀疑态度的数据安全合规专家，对我的回答进行追问：
1. 每题至少追问 1 轮
2. 如果我的回答有漏洞，不要直接指出，而是用提问让我自己发现
3. 如果我的回答到位了，说"这个回答到位了"然后进入下一题
4. 追问要有递进性：第一轮问"为什么"，第二轮问"如果条件变了呢"，第三轮问"你确定吗？有没有反例？"
5. 不要直接给答案，永远用提问引导
6. 特别关注题 4——这是数据安全领域最难的实际问题，需要平衡合规要求和数据完整性

Step 6：费曼输出 + 信心校准

一句话版本

用一句话说清楚本关核心——如果说不清，说明还没真懂。

数据质量和安全是数据分析的地基，没有它们，任何洞察都不可信、不合规。

你的版本：________________

三分钟版本

假设对面坐着一个非技术背景的产品经理，3 分钟内讲清楚：数据质量为什么重要、怎么衡量、怎么保障。

你的版本：________________

场景判断表格

| 场景 | 你会用哪个模型？ | 关键判断点 | 信心度（1-5） | |------|----------------|-----------|-------------| | 业务方反馈报表数据对不上 | | | | | 新项目要处理用户手机号和身份证 | | | | | 团队要建立数据质量监控体系 | | | | | 公司考虑出海，需要做合规评估 | | | | | 上游表结构变更导致下游报表异常 | | | |

信心自评

| 维度 | 信心度（1-5） | 证据 | |------|-------------|------| | 我能诊断数据质量问题属于哪个维度 | ⬜⬜⬜⬜⬜ | | | 我能设计合理的数据脱敏方案 | ⬜⬜⬜⬜⬜ | | | 我能评估团队的数据治理成熟度 | ⬜⬜⬜⬜⬜ | | | 我能识别数据安全合规风险 | ⬜⬜⬜⬜⬜ | |

最低信心维度 + 行动计划：________________

📘 精准阅读

| 资源 | 精确到 | 解决什么问题 | |------|--------|-------------| | 《数据治理与数据安全》 | 数据质量章节 + 数据脱敏章节 | 系统理解数据治理框架和脱敏方法论 | | OWASP 官网 | Testing Guide → Data Validation | 理解数据安全测试的标准方法 | | GDPR 官方文本 | 第 5 章（个人数据处理原则）+ 第 25 章（隐私设计） | 理解国际数据保护法规的核心原则 | | 《个人信息保护法》（中国） | 全文 | 理解中国数据处理的法律要求，和 GDPR 对比 | | CIT642 PPT | 数据安全相关章节 | 课程体系化理解数据安全与治理 |

⚠️ 常见误区

误区 1：数据脱敏就是加星号

简单的星号替换可能被反推。手机号前 3 后 4 已知时（运营商号段公开），中间 4 位只有 10000 种可能，暴力枚举即可。对高敏感数据应使用哈希 + 盐值或令牌化。

误区 2：数据治理是 IT 部门的事

"什么数据是正确的"只有业务方知道。比如"活跃用户"的定义（登录？下单？浏览？）必须由业务方确认，IT 部门只负责实现。没有业务方参与的数据治理 = 空谈。

误区 3：GDPR 只和欧洲有关

中国《个人信息保护法》（2021）和 GDPR 的核心原则高度一致（最小必要、知情同意、目的限制）。任何处理用户数据的系统都应该考虑隐私保护，这是全球趋势，不是区域问题。

误区 4：数据质量检查一次就行

数据质量是持续的过程。上游表结构变了、业务规则变了、数据源换了，都可能引入新的质量问题。需要自动化监控 + 告警 + 定期审计，形成闭环。

🔗 工程映射

| 模型 | 真实场景 | 为什么会发生 | |------|---------|-------------| | 数据脱敏 | 日志系统：用户手机号、身份证在日志中必须脱敏才能合规存储 | 日志通常有广泛的访问权限，未脱敏的敏感数据一旦泄露，法律后果严重 | | 数据质量 | 字节跳动数据质量平台：自动检测异常、阻断下游任务、告警通知责任人 | 数据质量问题一旦流入下游（报表、模型），修复成本指数级增长 | | 数据治理 | 金融行业监管合规：银保监会要求银行有完善的数据治理体系 | 金融数据直接关系资金安全，监管要求不是建议而是强制 | | GDPR / 个保法 | 跨境数据传输：中国企业出海必须处理的合规问题 | 欧盟 GDPR 要求数据出境需充分保护，中国个保法也有数据出境安全评估要求 | | 治理成熟度 | 从 L1 到 L3 的跃迁：很多公司卡在"有数据但没有标准" | 数据标准不是文档问题，是组织协同问题——需要业务方、技术方、管理层三方对齐 |

✅ 通关标准

  • [ ] 完成 Cambridge Analytica 案例分析，500 字，包含技术防范建议
  • [ ] 完成数据脱敏方案 + Python CLI 脚本，能处理手机号/身份证/邮箱/姓名 4 种类型
  • [ ] 完成核心表的数据质量 6 维度检查方案，每维度 ≥ 2 个检查项
  • [ ] 完成数据安全与治理检查清单（4 维度 40+ 检查项），评分并给出 Top 5 改进项
  • [ ] 能解释"数据治理为什么不能只靠 IT 部门"
  • [ ] Step 5 自测 4 题判断有理有据
  • [ ] Step 6 费曼输出完成，信心自评最低维度有行动计划

📚 论文阅读清单

阅读策略

泛读（30-40 篇）：读摘要 + 图表 + 结论，3-5 分钟/篇，记一句话笔记 精读（8-10 篇）：逐段读，复现核心方法，记详细笔记 研读（2-3 篇）：跟着做实验/改参数，作为通关论文的参考

搜索渠道：Google Scholar、arXiv、Semantic Scholar、Papers With Code

🔴 必读（精读 8-10 篇）

| # | 论文 | 来源/年份 | 核心方法 | 一句话总结 | 状态 | |---|------|----------|---------|-----------|------| | 1 | Beyond Accuracy: What Data Quality Means to Data Consumers | JMIS 1996 (Wang & Strong) | 数据质量框架 | 数据质量是"fitness for use"——数据好不好取决于使用者要做什么，不是绝对的 | ⬜ | | 2 | Calibrating Noise to Sensitivity in Private Data Analysis | TCC 2006 (Dwork et al.) | 差分隐私 | 提出差分隐私的数学定义——通过添加精心校准的噪声保护个体隐私 | ⬜ | | 3 | The Algorithmic Foundations of Differential Privacy | Foundations and Trends in Theoretical Computer Science 2014 (Dwork & Roth) | 差分隐私理论 | 差分隐私的完整理论框架，包括组合定理、后处理定理等核心性质 | ⬜ | | 4 | Data Lineage in Data Warehouses | （搜索数据血缘经典论文） | 数据血缘 | 数据血缘追踪数据从源到目标的完整路径，是数据治理的基础设施 | ⬜ | | 5 | A Survey on Data Quality Assessment and Management | ACM Computing Surveys (搜索近年综述) | 数据质量综述 | 系统总结了数据质量维度、度量方法、清洗技术的最新进展 | ⬜ | | 6 | Missing Data: Our View of the State of the Art | Statistical Science 2002 (Schafer & Graham) | 缺失值处理 | 系统比较了删除法、单一插补、多重插补等方法，多重插补在大多数场景下最优 | ⬜ | | 7 | Outlier Detection: A Survey | ACM Computing Surveys 2009 (Aggarwal & Yu) | 异常值检测综述 | 从统计方法到距离方法到密度方法，全面梳理了异常检测的算法谱系 | ⬜ | | 8 | Federated Learning: Challenges, Methods, and Future Directions | IEEE TKDE 2020 (Li et al.) | 联邦学习综述 | 数据不出本地的前提下协作训练模型，是隐私保护机器学习的主流范式 | ⬜ | | 9 | Data Governance: A Conceptual Framework, Structured Review, and Research Agenda | Int. J. of Information Management 2018 (Abraham et al.) | 数据治理框架 | 提出了数据治理的整合框架，涵盖组织、流程、技术三个维度 | ⬜ | | 10 | The DAMA-DMBOK Guide (Data Management Body of Knowledge) | DAMA International 2017 | 数据管理知识体系 | 数据管理的百科全书——从数据架构到数据安全到元数据管理的完整框架 | ⬜ |

🟡 推荐阅读（泛读 30-40 篇）

以下为推荐方向和关键词，自行搜索补充。目标是积累 30-40 篇的一行笔记。

搜索关键词：

  • data quality dimensions metrics framework
  • differential privacy applications machine learning
  • GDPR data protection technical measures
  • data profiling anomaly detection
  • data catalog metadata management survey
  • data masking anonymization pseudonymization
  • data governance maturity model assessment
  • data lineage provenance tracking

泛读笔记：

| # | 论文 | 来源 | 跟我什么关系（一句话） | 状态 | |---|------|------|---------------------|------| | 1 | Privacy-Preserving Deep Learning via Targeted Adversarial Training | arXiv 2018 | 理解对抗训练在隐私保护中的应用场景 | ⬜ | | 2 | Great Expectations: A Framework for Data Quality | （搜索 Great Expectations 论文/文档） | 实用的数据质量测试框架，与实际工作直接相关 | ⬜ | | 3 | dbt: A Modern Approach to Data Transformation | （搜索 dbt 相关技术文档） | 声明式数据转换框架，让数据管道可测试、可文档化 | ⬜ | | 4 | （自行搜索补充） | | | ⬜ |

🟢 研读候选（选 2-3 篇）

从精读中选出最有价值的 2-3 篇，作为通关论文写作的主要参考。自行搜索补充。

| # | 论文 | 为什么选这篇 | 状态 | |---|------|------------|------| | 1 | | | ⬜ | | 2 | | | ⬜ | | 3 | | | ⬜ |

关系图谱

反向链接