Protezione con oscuramento dei dati personali
Prima che il testo dell'utente arrivi a un modello, a un log o a una tabella di analisi, dovresti togliere i dati personali identificativi (PII). Per un prodotto che mette la privacy al primo posto non è una rifinitura facoltativa, è il cancello che tiene email, numeri di telefono e numeri di carta fuori dai posti in cui non devono mai finire. La tecnica è il riconoscimento di schemi con le espressioni regolari, sostituendo ogni corrispondenza con un segnaposto tipizzato.
Tre schemi comuni ti portano quasi fino in fondo:
- Email: qualcosa come
name@host.tld-> sostituisci con[EMAIL]. - Telefono: un numero di 10 cifre, magari raggruppato con spazi, trattini, punti, o un prefisso internazionale ->
[PHONE]. - Carta: 16 cifre in quattro gruppi da quattro, separati da spazi o trattini facoltativi ->
[CARD].
Oscura per primo lo schema più lungo e più specifico (la carta da 16 cifre) così uno schema del telefono più avido non può mangiarsela. Mentre sostituisci, registra quali tipi hai trovato, così chi chiama può verificare che cosa è stato ripulito. Un testo pulito torna intatto con una lista vuota.
import re
EMAIL = re.compile(r"\b[A-Za-z0-9._%+\-]+@[A-Za-z0-9.\-]+\.[A-Za-z]{2,}\b")Lo faresti girare all'ingresso di qualsiasi modello. Per esempio, prima di passare il testo a un motore sul dispositivo faresti safe, _ = redact(user_text) e manderesti safe, mai la stringa grezza. La chiamata al modello in sé è illustrativa; l'oscuratore è la parte che costruisci e che viene valutata. Conosci i suoi limiti prima di farci affidamento: gli schemi di cifre producono falsi positivi (un numero d'ordine come "#2026071234" sembra un numero di telefono) e perdono ciò che non descrivono (nomi, indirizzi, numeri di conto scritti con spazi). L'oscuramento con le regex è un primo passaggio economico; un sistema vero aggiunge un riconoscitore di entità e, soprattutto, manda al modello solo i campi che servono al compito.
Costruisci redact(text). Restituisci una tupla (masked_text, types) dove masked_text ha ogni email, telefono e carta sostituiti dal loro segnaposto, e types è una lista ordinata dei tipi di entità distinti trovati (tra "card", "email", "phone"). Un testo pulito torna invariato con [].
Scrivi redact(text) che restituisce (masked_text, types). Sostituisci ogni email con [EMAIL], numero di telefono con [PHONE], e carta da 16 cifre con [CARD]; types è la lista ordinata dei tipi distinti trovati tra "card", "email", "phone". Una stringa con un'email e un telefono li restituisce entrambi oscurati e ['email', 'phone']; un testo pulito torna invariato con []; un diverso mix di dati personali dà un insieme di tipi diverso.
Hai notato un problema in questa lezione? Segnalalo · Chiedi qualcosa su questa lezione
Questo esercizio si apre presto
Finisci la lezione precedente e questa si sblocca. L'intero corso è gratuito, senza account, e puoi leggere questa lezione subito.
Questo browser blocca i cookie per learn.floati.life, quindi le lezioni che hai finito qui non si possono aprire in ordine. Consenti i cookie per questo sito e ricarica.