1 基本概念
1.1 定义
数据完整性是指数据在其生成、传输、存储、处理和归档等生命周期各阶段中，能够保持准确、完整、一致、可验证，并且未被未授权篡改的特性。它强调数据内容与原始信息之间的对应关系，也强调数据在不同系统、不同时间点之间的稳定性和可靠性。
在实际应用中，数据完整性不仅指“数据是否存在”，还包括“数据是否正确”“数据是否前后一致”以及“数据是否能证明自身没有被破坏或篡改”。因此，它是数据库管理、信息安全、审计核查和业务决策中的基础要求。
1.2 核心特征
1.2.1 准确性
准确性是指数据能够真实反映客观事实或原始记录，数值、文本、时间戳等内容不存在明显偏差。若录入的姓名、金额、日期与原始来源不符，即使数据格式完整，也不具备良好的完整性表现。
1.2.2 完整性
完整性强调数据没有缺项、漏项或被截断。对于一条记录而言，关键字段应齐全；对于一个数据集而言，所需样本、区间或字段应当按要求全部存在。缺失关键内容会影响统计、检索与后续分析。
1.2.3 一致性
一致性指同一数据在不同位置、不同系统或不同处理阶段保持逻辑上相互协调，不出现相互矛盾的情况。例如，同一用户的年龄不应在多个表中出现明显冲突；同一订单的状态也应与支付、发货记录相匹配。
1.2.4 可追溯性
可追溯性是指数据的来源、修改过程和流转路径能够被记录并回溯。它通常依赖日志、版本记录、审计轨迹和元数据管理。具备良好可追溯性的数据，便于发现问题来源，也便于责任界定与恢复校正。
1.3 数据完整性与数据质量的关系
数据完整性通常被视为数据质量的重要组成部分，但两者并不完全等同。数据质量覆盖范围更广，除了完整性，还包括准确性、及时性、可理解性、唯一性、相关性等维度；而数据完整性更突出数据未被破坏、未被篡改、前后一致且可验证这一特征。
换言之，数据完整性更偏向“是否可靠地保持原样和逻辑稳定”，数据质量则更关注“数据是否足以满足使用目的”。在许多场景中，良好的完整性是高质量数据的前提。
2 类型划分
2.1 实体完整性
实体完整性主要用于保证每一条记录都能被唯一标识，避免出现没有身份的记录或重复身份冲突。它在关系数据库中常通过主键来实现，是区分不同实体的基础规则。
2.2 域完整性
域完整性要求字段值必须落在预定义的有效范围内，并符合数据类型、格式和取值规则。例如，年龄字段不能录入负数，日期字段应满足日期格式，金额字段应符合数值范围要求。
2.3 参照完整性
参照完整性用于维持表与表之间的关联关系有效。若某一记录引用了另一表中的对象，则被引用对象应真实存在，不能出现“指向空对象”的情况。它有助于减少孤立记录和关联断裂。
2.4 用户定义完整性
用户定义完整性是根据特定业务规则设定的附加约束，通常超出数据库通用规则之外。比如某些业务要求“发货日期不得早于下单日期”，或“同一证件号只能对应一个有效账户”。这类规则往往更贴近实际流程。
2.5 物理完整性与逻辑完整性
物理完整性主要指数据在存储介质上未受损坏，例如文件块损坏、磁盘错误、介质老化等问题不会导致数据不可读或异常丢失。逻辑完整性则强调数据在结构、关系和业务含义上保持正确，表间关联、字段约束和业务规则都应成立。
两者侧重点不同：物理完整性面向存储层，逻辑完整性面向语义层。实际系统通常需要同时维护这两类完整性。
3 影响因素
3.1 人为录入错误
人工输入、抄录、审核或转换过程中，容易出现漏填、错填、重复录入和格式不统一等问题。这类错误通常属于最常见的数据完整性风险，尤其在手工处理比例较高的环境中更为明显。
3.2 系统故障与硬件损坏
服务器宕机、磁盘故障、内存异常、电源中断等情况，可能导致数据写入不完整、文件损毁或事务未正常结束。若缺少恢复机制，数据可能出现缺页、碎片化或不可访问状态。
3.3 网络传输异常
数据在网络传输过程中可能受到丢包、延迟、重复发送、乱序到达或中断影响，从而造成内容不一致或传输不全。对于远程同步、分布式复制和在线业务，这类问题尤为重要。
3.4 软件缺陷与并发冲突
程序错误、接口逻辑缺陷、版本兼容问题或并发访问冲突，都可能使数据在处理过程中被错误覆盖、重复提交或部分回滚。多个用户同时修改同一资源时，若缺乏协调机制，也容易产生不一致状态。
3.5 恶意篡改与未授权访问
未经授权的访问、非法修改或恶意删除，都会直接威胁数据完整性。攻击者可能通过篡改记录、注入伪造数据或破坏日志来掩盖行为，因此需要结合访问控制、检测机制与审计手段加以防护。
4 保障机制
4.1 完整性约束
完整性约束是数据库和信息系统中最基础的保护手段之一，通过规则限制数据的输入、更新与关联方式，从结构上减少错误数据进入系统。
4.1.1 主键约束
主键约束用于唯一标识表中的每一条记录，要求主键值不能重复，也不能为空。它能够有效避免记录混淆，是实体完整性的核心实现方式。
4.1.2 唯一性约束
唯一性约束用于保证某一字段或字段组合在表内不出现重复值，但与主键相比，允许表中存在其他可为空字段。它常用于用户名、邮箱、编号等需要保持唯一的业务属性。
4.1.3 外键约束
外键约束用于维护表之间的引用关系，防止出现引用不存在对象的情况。通过外键规则，可以降低孤立记录、错误关联和级联异常带来的风险。
4.2 校验技术
4.2.1 校验和
校验和是一种通过计算数据摘要值来检测传输或存储过程中是否发生错误的方法。系统在发送和接收时分别计算校验值，若两者不一致，则说明数据可能发生变化。
4.2.2 哈希校验
哈希校验通过对数据生成固定长度的哈希值，判断内容是否一致。只要原始数据发生细微改动，哈希结果通常也会明显变化，因此常用于文件完整性验证、镜像比对和版本校验。
4.2.3 数字签名
数字签名不仅可用于验证数据是否被修改，还能确认数据来源的真实性。签名方对数据进行签名后，接收方可通过公钥验证内容是否被篡改，以及是否由对应主体生成。
4.3 事务管理
4.3.1 原子性
原子性要求事务中的操作要么全部完成，要么全部不执行。这样可以避免只写入部分结果而导致数据处于中间状态，减少更新中断带来的完整性问题。
4.3.2 一致性
一致性强调事务执行前后，数据应从一个合法状态转变为另一个合法状态，不应破坏既定规则与约束。它与数据库约束、业务校验和事务控制密切相关。
4.3.3 隔离性
隔离性用于防止多个并发事务相互干扰。若隔离不足，可能出现脏读、不可重复读或幻读等现象，进而造成结果不稳定或判断失真。
4.3.4 持久性
持久性保证事务一旦提交，其结果就会被可靠保存，即使系统随后发生故障，已提交的数据也不应轻易丢失。它通常依赖日志、刷盘和恢复机制实现。
4.4 备份与恢复
备份与恢复是应对数据丢失、损坏和误操作的重要手段。通过定期备份、增量备份、快照或异地保存，可以在故障发生后恢复到可用状态，减少完整性破坏造成的影响。
4.5 访问控制与审计日志
访问控制用于限制哪些用户、程序或设备可以查看、修改、删除数据，从源头降低未授权篡改的概率。审计日志则记录关键操作的时间、主体、内容和结果，便于事后核查异常变更并追踪责任链条。
5 常见问题
5.1 数据缺失
数据缺失指应有的数据未被记录、传输或保存，可能表现为字段空值、记录丢失或文件片段缺少。它常由录入遗漏、同步失败或系统中断引起。
5.2 数据重复
数据重复是指相同或高度相似的数据被多次写入系统，造成统计膨胀、逻辑冲突或资源浪费。重复问题常见于重复提交、同步机制失效或主键设计不当的场景。
5.3 数据冲突
数据冲突通常出现在多源数据合并、并发更新或版本同步过程中，不同来源对同一对象给出了不同结果。若缺少冲突解决策略，系统可能无法判断最终应采用哪一份数据。
5.4 数据损坏
数据损坏是指数据在存储或传输后出现结构异常、内容乱码、文件无法读取等情况。它可能源于介质故障、程序错误、异常断电或传输中断。
5.5 数据漂移
数据漂移是指数据分布、含义或来源随时间逐渐变化，导致同一指标或字段在长期使用中出现偏差。虽然它不一定表现为直接错误，但会削弱历史数据与当前数据之间的可比性。
6 应用场景
6.1 数据库管理
在数据库管理中，数据完整性直接关系到表结构设计、约束设置、事务控制和备份策略。管理员需要通过规则、索引和日志系统，确保业务数据长期稳定可靠。
6.2 数据仓库与商业分析
数据仓库和商业分析高度依赖汇总数据的准确与一致。如果源数据存在缺失、重复或冲突，分析结果、报表趋势和预测模型都可能产生偏差。
6.3 金融与交易系统
金融与交易系统对完整性要求极高，因为账务记录、订单状态和资金流转必须可核对、可回溯、不可随意修改。任何数据异常都可能直接影响结算、对账和风险控制。
6.4 医疗与科研数据
医疗与科研数据往往涉及样本记录、实验过程、诊疗信息和统计结论。保持完整性有助于确保研究可重复、结论可验证，也便于避免因记录缺漏影响诊断或实验分析。
6.5 云存储与分布式系统
云存储和分布式系统通常面临多副本同步、跨节点传输和高并发访问等问题，因此更需要一致性校验、冗余备份和故障恢复机制。只有保持数据完整性，系统才能在复杂环境下维持可用和可信。
7 检查与评估
7.1 完整性检查方法
完整性检查通常包括格式校验、范围校验、主外键检查、重复检测、哈希比对和日志核验等方式。根据业务复杂度，还可结合抽样审查、交叉验证和规则引擎进行多层次检查。
7.2 自动化验证工具
自动化验证工具可在数据导入、同步、发布或定时巡检过程中自动执行规则检测，及时发现异常。常见工具包括数据库校验脚本、ETL验证模块、数据质量平台和审计监控系统。
7.3 指标与度量
7.3.1 错误率
错误率用于衡量数据中存在错误记录的比例，通常反映录入、转换或传输环节的质量水平。该指标越低，通常说明数据完整性越好。
7.3.2 缺失率
缺失率表示应有字段或记录中未被填充、未被保留的比例。它常用于评估数据采集和处理环节是否存在明显遗漏。
7.3.3 重复率
重复率用于衡量相同对象或相同内容重复出现的程度。较高的重复率往往意味着去重机制不足，或数据整合流程存在问题。
7.3.4 一致性通过率
一致性通过率是指经过规则检查后，符合前后逻辑、关联关系和业务约束的数据占比。它能够从整体上反映系统在协调多源数据和多步骤处理方面的表现。
8 相关概念
8.1 数据可用性
数据可用性指数据在需要时能够被及时访问和使用。它关注的是系统是否能够提供数据，而数据完整性更关注提供出来的数据是否真实、完整且未被破坏。
8.2 数据保密性
数据保密性强调数据不被未授权主体获取或泄露，主要面向访问权限和信息隐藏。它与完整性相互独立，但在安全体系中通常需要同时保障。
8.3 数据质量
数据质量是对数据是否适用于特定用途的综合评价，涵盖完整性、准确性、及时性、一致性等多个方面。完整性是数据质量中的关键维度之一。
8.4 数据可信度
数据可信度描述数据被信任和采纳的程度，通常与来源可靠、过程透明、记录可验证有关。完整性越高，数据的可信度通常也越强。
8.5 数据治理
数据治理是对数据资产进行制度化管理的体系，涉及标准制定、责任分工、流程控制、质量监督和安全合规等内容。良好的数据治理为数据完整性提供长期保障。