本章的責任是把 LLM 服務的 prompt log / response log / context cache 在累積、儲存、保留、刪除四個階段的 PII 治理拆成可操作的判讀。通用詞彙見 backend pii、data-masking、data-classification、audit-log 卡；模型輸出虛構 PII 的特殊議題見 hallucination 卡。一般資料保護跟 masking 流程沿用 7.4 資料保護與遮罩治理 跟 7.8 資料居住地、刪除與證據鏈、本章聚焦 LLM 場景下的特殊性：prompt 含豐富使用者意圖、response 可能 hallucinate 出 PII、KV cache 跟 context cache 是非典型 log 載體。

本章寫作邊界

本章聚焦 production LLM 服務的 log / cache / context 中的 PII 治理特殊性。個人 dev 場景的隱私資料流見 0.7 隱私資料流；通用資料保護見 7.4；資料居住地與刪除證據鏈見 7.8。

本章 threat scope

In-scope：prompt log 累積的 PII、response log 中模型 hallucinate 出的 PII、context cache 跟 KV cache 中的殘留、跨地區資料居住地對應、log 保留期限與刪除證據。

Out-of-scope（路由到他章）:

• 通用資料保護與 masking → 7.4 data-protection-and-masking-governance
• 資料居住地與刪除證據鏈 → 7.8 data-residency-deletion-and-evidence-chain
• 通用 audit log → 通用 audit-log knowledge-card
• multi-tenant log 隔離 → llm-multi-tenant-isolation
• 偵測訊號 → llm-as-service-detection-coverage

從本章到實作

• Mechanism：問題節點表 → knowledge-card。
• Delivery：交接路由 → 05-deployment-platform / 08-incident-response。

LLM 服務的 log 載體

LLM 服務累積的 log / cache 比一般 service 多幾類載體：

跟一般 service 的差異點：Prompt log / Response log 是新類別、它們含的不是 API meta-data、是使用者實際的「想法 / 內容」、隱私敏感度遠高於一般 API log。

分析模型

LLM log 治理依四個階段分析：

1. 累積階段：哪些載體會累積什麼內容、累積速率多大。
2. 儲存階段：儲存位置（DB / S3 / SIEM）、加密、訪問權。
3. 保留階段：保留期限、保留期內的訪問規則。
4. 刪除階段：刪除觸發條件、刪除證據鏈、合規對應。

判讀流程

判讀流程的責任是把「LLM 服務的 log」轉成「合規可審計的 log」。

1. 先盤點所有 log / cache 載體跟對應內容。
2. 再確認 PII 偵測 / masking 在累積階段是否生效。
3. 接著確認儲存跟訪問權跟一般資料保護一致。
4. 最後確認保留期限跟刪除證據鏈跟資料居住地對齊。

問題節點（案例觸發式）

常見風險邊界

風險邊界的責任是界定何時 LLM log 治理已進入高壓狀態。

• Prompt log 含未 mask 的 PII 時、代表 PII 治理在累積階段失效。
• KV cache / context cache 跨 tenant 共用時、代表 isolation 失效（亦見 llm-multi-tenant-isolation）。
• log 保留期限跟資料居住地政策不一致時、代表治理流程不收斂。
• 客戶刪除請求無法產生證據鏈時、代表合規對應失效。

LLM 場景的特殊判讀

LLM log 治理相對一般資料保護的特殊性：

1. Prompt 跟 Response 比 API log 隱私敏感度高一個量級：一般 API log 主要記 endpoint / status / latency、prompt log 記的是使用者實際「在問什麼」、Response log 是模型「在說什麼」。
2. 模型 hallucinate 的 PII 也是 PII：LLM 生成虛構的姓名 / 電話 / 地址、即使不對應真人、也屬於 PII 處理範圍、需要對應的 masking 跟保留政策。
3. KV cache 是非典型 log 載體：傳統 log 治理工具不掃 GPU memory / RAM cache、但這些 cache 可能跨 request / 跨 tenant 殘留 PII；需要 inference engine 配合做 cache 清理。
4. RAG context 是雙向載體：RAG 既把 corpus 注入 prompt（corpus 中的 PII 進 log）、也把 user query 注入 corpus（user query 變 future retrieval 的對象）；治理範圍要覆蓋雙向。
5. vendor 政策直接影響合規承諾：用雲端 LLM 時、vendor 的 log 保留政策（如 30 天 abuse log）直接限制自家對下游客戶能承諾的最短保留期、合約鏈要對齊。
6. abuse detection 跟 PII 治理的張力：abuse detection 需要 log prompt（看 abuse pattern）、PII 治理要求 minimize、兩者要在 mask 後 detection 跟全文 detection 中找平衡。

防禦設計的核心原則

1. 累積階段做 PII detection + masking：log 寫入前過 PII detector、敏感欄位 mask 或不 log。
2. 儲存階段加密 + 訪問權對齊 IAM：跟一般敏感資料一致。
3. 保留期限明確 + 自動刪除：用 policy-driven 自動 lifecycle、不依賴人工。
4. KV cache / context cache 跨 tenant 清理：inference engine 配合、tenant boundary 明確。
5. 刪除證據鏈：客戶刪除請求觸發時、產生 audit trail、能證明已刪除所有副本（包含 backup / log archive）。
6. vendor 政策對齊：用雲端 LLM 時、vendor 的條款拉進自家政策一致審視。

案例觸發參考

LLM log 治理的公開案例累積中、值得追蹤的方向：

• 大型 LLM vendor 的 log 政策變更引發的合規震盪
• 模型 hallucinate 出真人 PII 的訴訟案例
• KV cache 跨用戶洩漏的 incident 報告

LLM-specific 案例累積後會補入 red-team/cases/llm-log-pii/。一般資料保護案例見 7.4 data-protection-and-masking-governance 跟 7.8 data-residency-deletion-and-evidence-chain。

事實查核註：LLM log / PII 議題的具體 incident 跟法律判例累積還在早期、各 vendor 政策跟監管要求依時段快速變化、建議引用前以最新的監管文件（GDPR、CCPA、AI Act 等）跟 vendor 當前政策為準。

引用標準

引用版本與 cadence 規則見 security-citation-currency-and-precision。Last reviewed: 2026-05-12。

下一步路由

• 通用資料保護：7.4 data-protection-and-masking-governance
• 資料居住地與刪除：7.8 data-residency-deletion-and-evidence-chain
• 多租戶 isolation：llm-multi-tenant-isolation
• 偵測訊號：llm-as-service-detection-coverage
• 事件案例工作流：7.10 incident-case-to-control-workflow