在后台系统中，对加密信息进行模糊查询是一个 复杂 但 可解决 的问题。常见的加密算法（AES、RSA、SHA 等）都难以直接支持模糊查询，因为它们的结果是不可逆和不可预测的。然而，我们可以通过索引、哈希映射、加密搜索等方式来实现模糊查询。
方法 1：哈希前缀索引（适用于部分模糊匹配）
适用场景：
• 需要支持 前缀查询 或 部分匹配。
• 适用于 用户手机号码、姓名、身份证号等场景。
实现方法：
-
对明文数据 计算哈希值（如 SHA-256）。
-
存储时，额外维护前缀哈希索引（例如存储前三位哈希）。
-
查询时，先查询 前缀哈希匹配的记录，然后解密后再过滤精确匹配。
示例
import hashlib
def hash_prefix(data, length=3):
return hashlib.sha256(data.encode()).hexdigest()[:length]
data = "hello"
print(hash_prefix(data)) # 计算前缀哈希
优点
✅ 适用于前缀匹配（如手机号查询）
✅ 降低存储成本，不暴露原始数据
缺点
❌ 不支持完全模糊查询（如“包含”查询）
❌ 有哈希碰撞风险（可用更长的哈希值降低概率）
方法 2：模糊加密索引（适用于大规模数据）
适用场景：
• 需要支持 “包含”查询（如“张”匹配“张三”、“张小龙”）。
• 适用于 大规模数据库（如 MySQL、Elasticsearch） 。
实现方法：
-
将数据拆分为 N-Gram 片段（如“张三”拆分为 [“张”, “三”]）。
-
对每个片段进行哈希加密，存入数据库索引。
-
查询时，也对关键词进行相同的 N-Gram 处理，并匹配加密索引。
示例
def generate_ngrams(text, n=2):
return [text[i:i+n] for i in range(len(text)-n+1)]
text = "张三"
print(generate_ngrams(text)) # ["张三"]
优点
✅ 支持部分模糊查询（“张”能匹配“张三”）
✅ 加密存储，数据不泄露
缺点
❌ 索引存储空间大（需要存多个哈希值）
❌ 查询复杂度高
方法 3：可搜索加密（Searchable Encryption, SE）
适用场景：
• 需要在加密数据上直接进行搜索。
• 适用于 金融、医疗等强隐私保护场景。
实现方法：
• 采用 可搜索加密方案（如 Blind Indexing, Order-Preserving Encryption）。
• 典型算法：Encrypted Bloom Filter、Order-Preserving Encryption ****(OPE) 。
示例
-
使用 Bloom Filter 预计算关键词索引。
-
用户查询时，对关键词加密并匹配 Bloom Filter 里的加密索引。
优点
✅ 支持高效加密查询
✅ 适用于大规模分布式存储
缺点
❌ 实现复杂，计算成本高
❌ 可能存在一定的信息泄露风险
方法 4：Elasticsearch + 令牌化存储
适用场景：
• 需要全文检索 + 加密。
• 适用于日志分析、敏感信息查询。
实现方法：
-
数据存储时，将关键词令牌化（Tokenization）并加密。
-
Elasticsearch 通过倒排索引查询加密关键词。
优点
✅ 适用于大规模数据
✅ 高效的模糊查询
缺点
❌ 存储开销较大（需要建立索引）
❌ 需要额外的 Token 映射管理
最终方案选型
结论
• 如果 只需要前缀匹配，推荐 哈希前缀索引。
• 如果 需要部分模糊匹配，推荐 N-Gram+哈希索引。
• 如果 数据安全性要求极高，推荐 可搜索加密（SE） 。
• 如果 需要全文模糊搜索，推荐 Elasticsearch + 令牌化存储。
最终，需要根据业务需求选择合适的方案，在保证安全性的同时，优化性能和存储成本。🚀
