Understøttede enheder
Pseudonymize.io bruger en kombination af ML-modeller, mønstermatchning og eksakte validatorer til at opdage følsomme data. Ikke al enhedsdetektion er ækvivalent; at forstå den underliggende detektor hjælper dig med at forudse pålidelighed.
Kapacitetsmatrix
| Enhed | Eksempel | Detektor | Deterministisk | Vendbar |
|---|---|---|---|---|
| [email protected] | mønster | ja | ja/nej | |
| Telefon | +49 151 2345678 | mønster/bibliotek | ja | ja/nej |
| Person | Alice Rossi | ML (NER) | ja | ja/nej |
| Placering | München | ML (NER) | ja | ja/nej |
| Organisation | Acme Corp | ML (NER) | ja | ja/nej |
| IP-adresse | 192.168.1.1 | mønster | ja | ja/nej |
| IBAN | DE89370400440532013000 | validator | ja | ja/nej |
| Betalingskort | 4532... | validator (Luhn) | ja | ja/nej |
Detektortyper
- Mønster: Ekstremt pålidelige Regex-implementeringer. Forvent næsten 100 % præcision og genkald for korrekt formaterede strenge (som IP-adresser).
- Validator: Regex efterfulgt af en algoritmisk valideringskontrol (f.eks. Luhn-algoritme for kreditkort, kontrolsummer for IBAN'er). Forhindrer falske positiver på tilfældige 16-cifrede tal.
- ML (NER): Natural Language Processing-modeller (Named Entity Recognition). Meget afhængig af kontekst. Præcision og genkald svæver typisk mellem 85 % - 95 %. Forvent nogle falske negativer, hvis et navn er fuldstændig isoleret uden omgivende grammatisk kontekst.
Brugerdefinerede enheder
Hvis din applikation bruger proprietære identifikatorer (såsom interne TK-XXXX support billet-id'er), kan du overføre tilpassede Regex-mønstre i API-nyttelasten under custom_entities (kommer i v1.2).