Støttede enheter
Pseudonymize.io bruker en kombinasjon av ML-modeller, mønstertilpasning og eksakte validatorer for å oppdage sensitive data. Ikke all enhetsdeteksjon er ekvivalent; Å forstå den underliggende detektoren hjelper deg å forutse pålitelighet.
Kapabilitetsmatrise
| Entitet | Eksempel | Detektor | Deterministisk | Vendbar |
|---|---|---|---|---|
| E-post | [email protected] | mønster | ja | ja/nei |
| Telefon | +49 151 2345678 | mønster/bibliotek | ja | ja/nei |
| Person | Alice Rossi | ML (NER) | ja | ja/nei |
| Plassering | München | ML (NER) | ja | ja/nei |
| Organisasjon | Acme Corp | ML (NER) | ja | ja/nei |
| IP-adresse | 192.168.1.1 | mønster | ja | ja/nei |
| IBAN | DE89370400440532013000 | validator | ja | ja/nei |
| Betalingskort | 4532... | validator (Luhn) | ja | ja/nei |
Detektortyper
- Mønster: Ekstremt pålitelige Regex-implementeringer. Forvent nesten 100 % presisjon og tilbakekalling for riktig formaterte strenger (som IP-adresser).
- Validator: Regex etterfulgt av en algoritmisk valideringssjekk (f.eks. Luhn-algoritme for kredittkort, sjekksummer for IBAN). Forhindrer falske positive på tilfeldige 16-sifrede tall.
- ML (NER): Natural Language Processing-modeller (navngitt enhetsgjenkjenning). Svært avhengig av kontekst. Presisjon og tilbakekalling svinger vanligvis mellom 85 % - 95 %. Forvent noen falske negativer hvis et navn er fullstendig isolert uten omgivende grammatisk kontekst.
Egendefinerte enheter
Hvis applikasjonen din bruker proprietære identifikatorer (som interne TK-XXXX støttebillett-IDer), kan du sende tilpassede regex-mønstre i API-nyttelasten under custom_entities (kommer i v1.2).