Unterstützte Entitäten

Pseudonymize.io verwendet eine Kombination aus ML-Modellen, Mustervergleich und exakten Validatoren, um sensible Daten zu erkennen. Nicht jede Entitätserkennung ist gleichwertig; Wenn Sie den zugrunde liegenden Detektor verstehen, können Sie die Zuverlässigkeit vorhersehen.

Fähigkeitsmatrix

Entität	Beispiel	Detektor	Deterministisch	Reversibel
E-Mail	[email protected]	Muster	ja	ja/nein
Telefon	+49 151 2345678	Muster/Bibliothek	ja	ja/nein
Person	Alice Rossi	ML (NER)	ja	ja/nein
Standort	München	ML (NER)	ja	ja/nein
Organisation	Acme Corp	ML (NER)	ja	ja/nein
IP-Adresse	192.168.1.1	Muster	ja	ja/nein
IBAN	DE89370400440532013000	Validator	ja	ja/nein
Zahlungskarte	4532...	Validator (Luhn)	ja	ja/nein

Detektortypen

1. Muster: Extrem zuverlässige Regex-Implementierungen. Bei ordnungsgemäß formatierten Zeichenfolgen (z. B. IP-Adressen) können Sie eine nahezu 100-prozentige Genauigkeit und Wiedererkennung erwarten.
2. Validator: Regex gefolgt von einer algorithmischen Validierungsprüfung (z. B. Luhn-Algorithmus für Kreditkarten, Prüfsummen für IBANs). Verhindert Fehlalarme bei zufälligen 16-stelligen Zahlen.
3. ML (NER): Modelle zur Verarbeitung natürlicher Sprache (Named Entity Recognition). Stark abhängig vom Kontext. Präzision und Erinnerung liegen typischerweise zwischen 85 % und 95 %. Erwarten Sie einige falsche Negative, wenn ein Name vollständig isoliert ist und keinen umgebenden grammatikalischen Kontext aufweist.

Benutzerdefinierte Entitäten

Wenn Ihre Anwendung proprietäre Bezeichner verwendet (wie interne „TK-XXXX“-Supportticket-IDs), können Sie benutzerdefinierte Regex-Muster in der API-Nutzlast unter „custom_entities“ übergeben (in Version 1.2 verfügbar).