一句话定义：重识别攻击（Re-identification）是指有人拿外部信息当"拼图"，把一份已经抹掉姓名的"匿名"数据重新对回具体某个人。
把全班同学名单上的姓名栏撕掉，只留下"家住朝阳区、3 月出生、是班长"。看起来没人认得出，可同班同学一眼就知道那是谁。匿名化删掉的是标签，留下的却是一串组合起来近乎唯一的指纹。
这些留下的字段有个专门名字，叫准标识符（quasi-identifier）。单看每一个都不敏感，凑在一起区分度就极高。学界常引用的一类经典研究是这样的：研究者拿可以公开买到的选民登记册（上面有邮编、出生日期、性别），去和一份已经去掉姓名的政府雇员健康记录做比对，成功锁定了个别公众人物的病历。这个结论被反复验证过——邮编、性别、生日这三项组合，就足以唯一确定人口中的绝大多数人。不需要黑客技术，只需要两份"合法公开"的表格。
职场数据里，职位是同一类东西。在一家公司里，"杭州、1988 年生、市场部总监"这样的组合可能只有一个人。通讯录、招聘网站、社交平台上的公开履历，都是现成的拼图碎片。所以真正危险的不是姓名和身份证号，而是那些"看着无害"的字段叠加。
它和几个近邻概念容易混：
| 概念 | 干的事 | 关键点 |
|---|---|---|
| 去标识化 / 匿名化（De-identification） | 删掉姓名、证件号等直接标识 | 只做了第一步，准标识符还在 |
| 重识别攻击（Re-identification） | 用外部数据把删掉的拼回来 | 攻击的是"组合"，不是单个字段 |
| k-匿名（k-anonymity） | 要求每条记录至少和 k-1 条长得一样 | 发布前的防御手段之一 |
| 差分隐私（AI 词典：Differential Privacy">Differential Privacy） | 往统计结果里加噪声 | 从机制上保证"有没有你，输出几乎不变" |
| 成员推断攻击（Membership Inference） | 判断某条数据是否在训练集里 | 发生在模型层，和表格重识别是邻居 |
对从业者来说，这意味着"删了姓名就算脱敏"是错觉。发布数据集、做用户画像、导出日志之前，先数一数等价类有多大：某个字段组合下只剩一两条记录，那基本等于实名。要么泛化（把生日降成年龄段、职位降成职级），要么加噪。训练语料和模型输出同样会记忆这类组合，评测集尤其要小心。
对普通人来说，问卷、简历、公开表单里那些"随手一填"的字段，单独看都不算什么，叠起来就是你的指纹。填之前问一句：这几项凑在一起，是不是只剩我一个？
具体合规口径和行业标准，以官方页面为准。