Entiteter som stöds
Pseudonymize.io använder en kombination av ML-modeller, mönstermatchning och exakta validerare för att upptäcka känslig data. Inte all enhetsdetektering är likvärdig; att förstå den underliggande detektorn hjälper dig att förutse tillförlitlighet.
Capability Matrix
| Entitet | Exempel | Detektor | Deterministisk | Vändbar |
|---|---|---|---|---|
| E-post | [email protected] | mönster | ja | ja/nej |
| Telefon | +49 151 2345678 | mönster/bibliotek | ja | ja/nej |
| Person | Alice Rossi | ML (NER) | ja | ja/nej |
| Plats | München | ML (NER) | ja | ja/nej |
| Organisation | Acme Corp | ML (NER) | ja | ja/nej |
| IP-adress | 192.168.1.1 | mönster | ja | ja/nej |
| IBAN | DE89370400440532013000 | validator | ja | ja/nej |
| Betalkort | 4532... | validator (Luhn) | ja | ja/nej |
Detektortyper
- Mönster: Extremt pålitliga Regex-implementationer. Räkna med nästan 100 % precision och återkallelse för korrekt formaterade strängar (som IP-adresser).
- Validator: Regex följt av en algoritmisk valideringskontroll (t.ex. Luhn-algoritm för kreditkort, kontrollsummor för IBAN). Förhindrar falska positiva på slumpmässiga 16-siffriga nummer.
- ML (NER): Natural Language Processing-modeller (Named Entity Recognition). Mycket beroende av sammanhang. Precision och återkallelse svävar vanligtvis mellan 85 % - 95 %. Förvänta dig några falska negativ om ett namn är helt isolerat utan omgivande grammatisk kontext.
Anpassade enheter
Om din applikation använder egenutvecklade identifierare (som interna "TK-XXXX" stödbiljetter-ID:n), kan du skicka anpassade Regex-mönster i API-nyttolasten under "custom_entities" (kommer i v1.2).