Compare commits
14
Commits
master
..
7f8e0d2d2e
+3
-2
@@ -1,6 +1,7 @@
|
||||
target/*
|
||||
!target/pd-guard-spring-*.jar
|
||||
!target/*-runner
|
||||
!target/quarkus-app
|
||||
.git
|
||||
.idea
|
||||
*.iml
|
||||
models/*
|
||||
models/*
|
||||
|
||||
@@ -1,5 +1,3 @@
|
||||
target/
|
||||
.idea/
|
||||
*.iml
|
||||
.kilo/
|
||||
models/
|
||||
@@ -1,239 +1,363 @@
|
||||
# PD Guard — модуль безопасности персональных данных
|
||||
# Модуль безопасности персональных данных
|
||||
|
||||
Прокси-модуль между системой-потребителем и внешней языковой моделью (LLM).
|
||||
Идентифицирует персональные данные (ПДН) в тексте, маскирует их перед отправкой
|
||||
в модель и восстанавливает исходные значения в ответе. Ни один фрагмент ПДН не
|
||||
покидает контур в открытом виде.
|
||||
Прокси между системой-потребителем и LLM: находит персональные данные в запросе,
|
||||
маскирует их и восстанавливает исходный текст на обратном шаге.
|
||||
|
||||
## Контракт
|
||||
|
||||
```
|
||||
Система-потребитель → Модуль (идентификация → маскирование → LLM → демаскирование) → Потребитель
|
||||
POST /process
|
||||
{ "payload": "<строка>", "payload_id": "<идентификатор>" }
|
||||
→ 200 { "result": "<строка>" }
|
||||
```
|
||||
|
||||
---
|
||||
Направление определяется по `payload_id`: первый запрос с новым идентификатором
|
||||
маскирует, второй с тем же идентификатором — восстанавливает. Повторная попытка
|
||||
с тем же исходным текстом возвращает ту же маску, поэтому эндпоинт идемпотентен.
|
||||
|
||||
## Возможности
|
||||
| Ручка | Назначение |
|
||||
|---|---|
|
||||
| `POST /process` | маскирование и демаскирование |
|
||||
| `GET /health` | проба готовности |
|
||||
| `GET /metrics` | метрики Prometheus |
|
||||
| `GET /admin/config` | действующие настройки систем |
|
||||
| `GET /admin/types` | список распознаваемых типов ПД |
|
||||
| `POST /admin/reload` | перечитать настройки немедленно |
|
||||
|
||||
- **Идентификация ПДН** — 30+ типов: ФИО, паспорт РФ, загранпаспорт, водительское
|
||||
удостоверение, военный билет, свидетельство о рождении, полис ОМС, ИНН, СНИЛС,
|
||||
телефон, email, адрес (страна/индекс/город/улица/дом/квартира), дата рождения,
|
||||
место рождения, гражданство, банковская карта, CVV, PIN, срок действия карты,
|
||||
держатель карты, банковские реквизиты (счёт, БИК, ОГРН, ОГРНИП, КПП), доход,
|
||||
биометрия.
|
||||
- **Три режима маскирования** — звёздочки, токенизация, синтетические данные.
|
||||
- **Демаскирование** — восстановление исходного текста по `payload_id`.
|
||||
- **Гибкая настройка под систему** — список систем-потребителей, перечень типов
|
||||
ПДН, факт маскирования и демаскирования настраиваются без правки кода.
|
||||
- **Контекстное маскирование** — типы, опасные только в сочетании с другими ПДН
|
||||
(PIN + номер карты), маскируются по настраиваемому правилу.
|
||||
- **Устойчивость к вариациям** — регистр, форматы дат (числом и текстом),
|
||||
разделяющие слова («серия … номер …»), уменьшительные формы имён.
|
||||
- **Защита от ложных срабатываний** — «поэт Александр Пушкин» и адрес отделения
|
||||
банка не считаются данными клиента.
|
||||
- **Производительность** — адаптивный лимитер конкурентности, ~9 500 RPS на одном
|
||||
узле при p95 ≈ 14 мс.
|
||||
## Настройка
|
||||
|
||||
---
|
||||
|
||||
## Быстрый старт
|
||||
|
||||
### Требования
|
||||
|
||||
- Java 21
|
||||
- Maven 3.8+ (или обёртка `./mvnc`)
|
||||
- Docker + Docker Compose (для контейнерного запуска и мониторинга)
|
||||
|
||||
### Сборка и запуск
|
||||
|
||||
```bash
|
||||
# сборка fat-jar
|
||||
./mvnc package -DskipTests
|
||||
|
||||
# запуск
|
||||
java -jar target/pd-guard-spring-1.0.0.jar
|
||||
```
|
||||
|
||||
Сервис поднимется на `http://localhost:8080`. Проверка готовности:
|
||||
|
||||
```bash
|
||||
curl http://localhost:8080/health # → OK
|
||||
```
|
||||
|
||||
### Запуск через Docker Compose
|
||||
|
||||
```bash
|
||||
# одиночный узел + Prometheus + Grafana
|
||||
docker compose up -d --build
|
||||
|
||||
# кластер: 2 узла + nginx-балансировщик + Redis + мониторинг
|
||||
docker compose --profile cluster up -d --build
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## API
|
||||
|
||||
### Маскирование / демаскирование
|
||||
|
||||
`POST /process`
|
||||
|
||||
Направление определяется по `payload_id`: неизвестный идентификатор — маскируем,
|
||||
ранее выданный текст маски — возвращаем исходный текст.
|
||||
|
||||
```bash
|
||||
# маскирование
|
||||
curl -X POST http://localhost:8080/process \
|
||||
-H "Content-Type: application/json" \
|
||||
-H "X-System-Id: crm" \
|
||||
-d '{"payload":"Клиент Иванов Иван Иванович, паспорт 4509 123456, тел +7 916 123-45-67","payload_id":"doc-1"}'
|
||||
|
||||
# демаскирование — тот же payload_id и замаскированный текст
|
||||
curl -X POST http://localhost:8080/process \
|
||||
-H "Content-Type: application/json" \
|
||||
-H "X-System-Id: crm" \
|
||||
-d '{"payload":"Клиент [FIO_1], паспорт 45** ****56, тел +7 *** ***-**-**","payload_id":"doc-1"}'
|
||||
```
|
||||
|
||||
Заголовки:
|
||||
|
||||
| Заголовок | Назначение |
|
||||
|-----------|------------|
|
||||
| `X-System-Id` | имя системы-потребителя; нет — применяется `default` |
|
||||
| `X-System-Key` | общий секрет системы; проверяется, если задан в настройках |
|
||||
|
||||
Коды ответа: `200` — успех, `400` — невалидный запрос, `403` — система выключена
|
||||
или неверный ключ, `429` — перегрузка (с `Retry-After`).
|
||||
|
||||
### Прокси к LLM (демо-плечо)
|
||||
|
||||
`POST /proxy` — показывает всю цепочку: что ушло в модель, что она вернула и что
|
||||
получил потребитель с восстановленными значениями.
|
||||
|
||||
```bash
|
||||
curl -X POST http://localhost:8080/proxy \
|
||||
-H "Content-Type: application/json" \
|
||||
-d '{"prompt":"Клиент Иванов Иван Иванович, карта 4111 1111 1111 1111. Кратко опишите профиль."}'
|
||||
```
|
||||
|
||||
### Служебные
|
||||
|
||||
| Метод | Путь | Назначение |
|
||||
|-------|------|------------|
|
||||
| GET | `/health` | проба готовности |
|
||||
| GET | `/admin/config` | действующие настройки систем |
|
||||
| GET | `/admin/types` | список поддерживаемых типов ПДН |
|
||||
| POST | `/admin/reload` | перечитать `config/systems.json` без перезапуска |
|
||||
| GET | `/actuator/health` | Spring Boot health |
|
||||
| GET | `/actuator/metrics` | метрики Micrometer |
|
||||
| GET | `/actuator/prometheus` | метрики в формате Prometheus |
|
||||
|
||||
---
|
||||
|
||||
## Настройка систем-потребителей
|
||||
|
||||
Файл `config/systems.json` (путь задаётся свойством `pdguard.systems-file`).
|
||||
Перечитывается на лету через `POST /admin/reload`.
|
||||
Скопируйте `config/systems.json` рядом с приложением и перечислите в нём системы-потребители;
|
||||
путь к файлу задаётся свойством `pdguard.systems-file`. Для каждой системы укажите `enabled`
|
||||
(разрешено ли обращаться в модуль), `demask` (нужно ли обратное преобразование), `maskMode`
|
||||
(`MASK` — звёздочки, `TOKEN` — `[FIO_1]`, `SYNTHETIC` — правдоподобная подстановка) и `types`
|
||||
(список типов ПД или `"*"`). Поле `requireCompanion` перечисляет типы, которые маскируются
|
||||
только вместе с ПД другого типа: одиночный пин-код персональными данными не является.
|
||||
Система называет себя заголовком `X-System-Id`; без заголовка и для неизвестных имён
|
||||
применяется политика `default`. Файл перечитывается автоматически при изменении —
|
||||
перезапуск не нужен.
|
||||
|
||||
```json
|
||||
{
|
||||
"default": {
|
||||
"enabled": true,
|
||||
"demask": true,
|
||||
"maskMode": "MASK",
|
||||
"types": ["*"],
|
||||
"requireCompanion": ["CVV", "PIN", "DATE", "BIRTH_PLACE", "ADDRESS_COUNTRY",
|
||||
"ACCOUNT_NUMBER", "BIK", "OGRN", "OGRNIP", "KPP", "INCOME", "BIOMETRIC"]
|
||||
},
|
||||
"crm": {
|
||||
"enabled": true,
|
||||
"demask": false,
|
||||
"maskMode": "TOKEN",
|
||||
"types": ["FIO", "PHONE", "EMAIL", "ADDRESS_CITY", "ADDRESS_STREET",
|
||||
"ADDRESS_HOUSE", "ADDRESS_FLAT"]
|
||||
},
|
||||
"analytics": {
|
||||
"enabled": true,
|
||||
"demask": false,
|
||||
"maskMode": "SYNTHETIC",
|
||||
"types": ["*"]
|
||||
}
|
||||
"default": { "enabled": true, "demask": true, "maskMode": "MASK", "types": ["*"],
|
||||
"requireCompanion": ["CVV", "PIN", "DATE"] },
|
||||
"crm": { "enabled": true, "demask": false, "maskMode": "TOKEN",
|
||||
"types": ["FIO", "PHONE", "EMAIL"] }
|
||||
}
|
||||
```
|
||||
|
||||
Поля политики:
|
||||
## Типы персональных данных
|
||||
|
||||
| Поле | Назначение |
|
||||
|------|------------|
|
||||
| `enabled` | разрешено ли системе обращаться в модуль |
|
||||
| `demask` | выполнять ли обратное преобразование |
|
||||
| `maskMode` | `MASK` (звёздочки), `TOKEN` (токены), `SYNTHETIC` (синтетика) |
|
||||
| `types` | типы ПДН к маскированию; `"*"` — все известные |
|
||||
| `requireCompanion` | типы, маскируемые только вместе с ПДН другого типа |
|
||||
| `key` | общий секрет системы (проверяется через `X-System-Key`) |
|
||||
ФИО, дата рождения, место рождения, гражданство, паспорт РФ (серия и номер, орган выдачи,
|
||||
код подразделения, дата выдачи), водительское удостоверение, загранпаспорт, военный билет,
|
||||
свидетельство о рождении, полис ОМС, СНИЛС, ИНН, адрес (страна, индекс, город, улица, дом,
|
||||
квартира — каждый отдельно), email, телефон, номер карты, CVV, пин-код, имя держателя карты.
|
||||
|
||||
Новые типы ПДН добавляются через справочник правил (`RuleRegistry`) без
|
||||
переписывания ядра.
|
||||
Новый тип добавляется одной строкой в `RuleRegistry` — остальной код не меняется.
|
||||
|
||||
---
|
||||
Вид маски подобран под длину серии документа: у паспорта РФ и водительского
|
||||
удостоверения серия из четырёх знаков, поэтому открыта половина (`45** ****56`);
|
||||
у загранпаспорта, военного билета и свидетельства о рождении серия короткая —
|
||||
две цифры или две буквы, — и открыты только последние знаки номера (`** *****67`).
|
||||
|
||||
## Логирование и метрики
|
||||
## Качество детекции
|
||||
|
||||
### Логи
|
||||
Наборов два. `src/test/resources/benchmark.txt` использовался при отладке правил —
|
||||
его оценка завышена и годится только как защита от ухудшений.
|
||||
`src/test/resources/benchmark-holdout.txt` составлен независимо, правила на нём не
|
||||
настраивались: именно он показывает настоящее качество. Персональные данные размечены
|
||||
как `{{ТИП:значение}}`, строка без разметки — текст, где ПД нет и любое срабатывание
|
||||
считается ложным. Метрики посимвольные.
|
||||
|
||||
В журнал попадают только идентификатор, типы ПДН и их количество. **Значения ПДН
|
||||
не логируются ни на одном уровне.**
|
||||
|
||||
```
|
||||
payload_id=doc-1 символов=64 найдено={FIO=1, PASSPORT=1, PHONE=1}
|
||||
```bash
|
||||
mvn test -Dtest=BenchmarkTest
|
||||
```
|
||||
|
||||
### Метрики (Prometheus, `/actuator/prometheus`)
|
||||
Наборов три. Первый использовался при отладке, второй вскрыл дефекты и после их
|
||||
исправления перестал быть отложенным, третий составлен последним и на нём ничего не
|
||||
настраивалось — **его числа и следует считать настоящими**.
|
||||
|
||||
| Метрика | Назначение |
|
||||
|---------|------------|
|
||||
| `pdguard.process` | длительность обработки (разрез по направлению и системе) |
|
||||
| `pdguard.pd.detected` | счётчик найденных ПДН по типу и системе |
|
||||
| `pdguard.requests.rejected` | отклонённые запросы (перегрузка/невалидные/запрет) |
|
||||
| `pdguard.concurrency.limit` | текущий потолок конкурентности |
|
||||
| `pdguard.concurrency.in.flight` | запросов в обработке |
|
||||
| `pdguard.store.chars` | объём хранилища соответствий |
|
||||
| `pdguard.tokens.processed` | оценка обработанных токенов (для TPS) |
|
||||
| | набор отладки | отложенный №1 | **контрольный** |
|
||||
|---|---|---|---|
|
||||
| ФИО, точность | 1,000 | 1,000 | **0,967** |
|
||||
| ФИО, полнота | 0,985 | 0,986 | **0,895** |
|
||||
| ФИО, F1 | 0,993 | 0,993 | **0,930** |
|
||||
| ФИО пофрагментно | 58 из 58 | 41 из 41 | **28 из 29** |
|
||||
| Любой тип, F1 | 0,995 | 0,996 | **0,965** |
|
||||
| Ложные на чистых текстах | 0 из 35 | 0 из 35 | **2 из 38** |
|
||||
|
||||
Готовый дашборд Grafana и конфигурация Prometheus — в каталоге `monitoring/`.
|
||||
Разрыв между вторым и третьим набором — цена того, что второй использовался для
|
||||
доработки правил. Ожидать на новых данных следует примерно третьего столбца.
|
||||
|
||||
---
|
||||
**Порядок работы с контрольным набором.** По нему правила не настраиваются, иначе он
|
||||
повторит судьбу второго. Дефекты, которые он вскрывает, либо чинятся по первым двум
|
||||
наборам и собственным примерам, либо остаются записанными. Пороги в тесте по нему
|
||||
низкие намеренно: он ловит обвал, а не сторожит достигнутое значение.
|
||||
|
||||
Известные и осознанно не исправленные дефекты, которые он показывает: одиночная
|
||||
фамилия без ролевого слова («Свяжитесь с Зотовой») не находится; исторические
|
||||
правители («Иван Грозный») и устойчивые выражения («Третий Рим») дают ложные
|
||||
срабатывания.
|
||||
|
||||
История первого отложенного набора — 85 строк, 41 фрагмент ФИО, 35 текстов без ПД:
|
||||
|
||||
| | первый замер | после правок | + вторая ступень |
|
||||
|---|---|---|---|
|
||||
| ФИО, точность | 0,968 | 1,000 | 1,000 |
|
||||
| ФИО, полнота | 0,791 | 0,958 | **0,986** |
|
||||
| ФИО, F1 | 0,871 | 0,978 | **0,993** |
|
||||
| ФИО пофрагментно | 36 из 41 | 39 из 41 | **41 из 41** |
|
||||
| Любой тип, F1 | 0,898 | 0,986 | **0,996** |
|
||||
| Ложные на чистых текстах | 1 из 35 | 0 из 35 | 0 из 35 |
|
||||
|
||||
Столбец «первый замер» — честная оценка до того, как набор был использован для
|
||||
отладки. Дальнейшие столбцы измерены уже после исправлений по его разбору, поэтому
|
||||
для следующей итерации нужен третий набор.
|
||||
|
||||
## Вторая ступень распознавания имён
|
||||
|
||||
Правила и словарь разбирают подавляющее большинство случаев за десятки микросекунд.
|
||||
Модель нужна там, где они бессильны: имена без русского словообразования и без
|
||||
отчества — «Нгуен Ван Ань», «Ким Сон Хо». Поэтому модель зовут не на весь текст, а
|
||||
только на кандидатов — цепочки из двух-трёх слов с заглавной буквы, которые первая
|
||||
ступень не покрыла.
|
||||
|
||||
Цена такого каскада:
|
||||
|
||||
| | только правила | + вторая ступень |
|
||||
|---|---|---|
|
||||
| строка, где правила всё разобрали | 83 мкс | 85 мкс |
|
||||
| строка с неразобранным кандидатом | 1 мкс | 239 мкс |
|
||||
| 400 КБ текста | 557 мс | 848 мс |
|
||||
|
||||
За обычный запрос не платим почти ничего — платим только за неопределённость.
|
||||
Число кандидатов на запрос ограничено `pdguard.ner.max-candidates`.
|
||||
|
||||
Распознаватели создаются и прогоняют текст на старте приложения, по одному на
|
||||
`pdguard.ner.pool-size`. Без прогрева первый запрос каждого рабочего потока платил
|
||||
за создание распознавателя сотни миллисекунд; сейчас первый запрос после подъёма
|
||||
занимает 26 мс, дальше медиана 2,9 мс. Ценой стал старт: с моделью он занимает
|
||||
около 2,7 с вместо 0,02 с — почти всё это чтение файла модели. Если все
|
||||
распознаватели заняты, запрос ждёт свободного 50 мс и дальше обходится правилами,
|
||||
а не копит очередь.
|
||||
|
||||
Модель в репозиторий не кладётся: она весит около 15 МБ и собирается из открытых
|
||||
корпусов (factRuEval-2016 и префикс Nerus, 402 тысячи предложений) за несколько минут.
|
||||
|
||||
```bash
|
||||
./tools/train-ner.sh full
|
||||
```
|
||||
|
||||
Дальше включается свойством `pdguard.ner.model=models/ru-ner-person.bin`. Свойство не
|
||||
задано — ступень выключена и сервис работает на одних правилах, как и без модели.
|
||||
|
||||
В native-образе модель монтируется томом:
|
||||
|
||||
```bash
|
||||
docker run -p 8080:8080 -v "$PWD/config:/work/config:ro" -v "$PWD/models:/work/models:ro" -e PDGUARD_NER_MODEL=/work/models/ru-ner-person.bin pd-guard
|
||||
```
|
||||
|
||||
Классы, которые OpenNLP создаёт по имени из описания признаков внутри модели,
|
||||
перечислены в `OpenNlpReflection`. Без этой регистрации модель загружается, но
|
||||
создание распознавателя падает на первом запросе.
|
||||
|
||||
Сбой второй ступени на первую не влияет: ошибка перехватывается, ступень
|
||||
выключается насовсем, маскирование продолжается по правилам. Отсутствующая и
|
||||
испорченная модель покрыты тестами.
|
||||
|
||||
Объём обучающего набора решает всё. Модель на 62 тысячах предложений размечала
|
||||
«Обратился Ким Сон Хо» как «Обратился Ким Сон» — слог оставался открытым, а глагол
|
||||
попадал под маску. На 402 тысячах границы стали точными, и пере-маскирование на
|
||||
отложенном наборе исчезло совсем.
|
||||
|
||||
## Как устроено распознавание
|
||||
|
||||
Три уровня доверия:
|
||||
|
||||
1. **Контрольная сумма** — карта (алгоритм Луна), ИНН, СНИЛС. Ложные срабатывания исключены.
|
||||
2. **Однозначный формат** — email, телефон.
|
||||
3. **Якорное слово** — паспорт, CVV, адрес и прочее, где сама по себе последовательность
|
||||
знаков ни о чём не говорит. Якоря распознаются без учёта регистра.
|
||||
|
||||
Ложные срабатывания гасятся тремя механизмами: вето по окружению (адрес отделения банка
|
||||
адресом клиента не является), денилист известных людей (упоминание Пушкина — не ПД, но
|
||||
клиент с той же фамилией рядом с паспортными данными защиту не теряет) и правило
|
||||
companion (дата или пин-код в отрыве от других ПД не маскируются).
|
||||
|
||||
Перекрытия разрешаются по приоритету правила, при равенстве — по длине совпадения.
|
||||
|
||||
## Сборка и запуск
|
||||
|
||||
Разработка с горячей перезагрузкой:
|
||||
|
||||
```bash
|
||||
mvn quarkus:dev
|
||||
```
|
||||
|
||||
Тесты:
|
||||
|
||||
```bash
|
||||
mvn -q test
|
||||
```
|
||||
|
||||
Native-сборка и образ (GraalVM локально не нужен, сборка идёт в контейнере):
|
||||
|
||||
```bash
|
||||
mvn package -Dnative -Dquarkus.native.container-build=true
|
||||
```
|
||||
|
||||
```bash
|
||||
docker build -f src/main/docker/Dockerfile.native -t pd-guard .
|
||||
```
|
||||
|
||||
```bash
|
||||
docker run --rm -p 8080:8080 -v "$PWD/config:/work/config:ro" pd-guard
|
||||
```
|
||||
|
||||
Вариант на JVM — `src/main/docker/Dockerfile.jvm`. Настройку сборщика мусора и
|
||||
размер кучи задаёт базовый образ: добавлять `-XX:+UseZGC` поверх нельзя, образ уже
|
||||
включает ParallelGC и JVM не стартует с двумя сборщиками. Сравнение с native по
|
||||
скорости и памяти — в разделе о потреблении ресурсов.
|
||||
|
||||
Проверка:
|
||||
|
||||
```bash
|
||||
curl -s -X POST localhost:8080/process -H 'Content-Type: application/json' -d '{"payload":"Клиент Иванов Иван Иванович, паспорт 4509 123456","payload_id":"p1"}'
|
||||
```
|
||||
|
||||
## Работа на нескольких узлах
|
||||
|
||||
Маскирование — чистая функция от текста: ни случайности, ни времени, ни состояния,
|
||||
живущего дольше запроса. Один и тот же payload на любом узле даёт байт-в-байт
|
||||
одинаковую маску, поэтому повтор прямого шага можно отправлять куда угодно.
|
||||
|
||||
Обратный шаг состояние требует: маскирование необратимо, восстановить исходный текст
|
||||
можно только из сохранённого соответствия. На одном узле оно лежит в памяти процесса.
|
||||
На нескольких узлах обратный запрос попадёт на «свой» узел лишь с вероятностью 1/N,
|
||||
поэтому нужен общий слой:
|
||||
|
||||
```bash
|
||||
docker compose --profile cluster up
|
||||
```
|
||||
|
||||
`pdguard.store.backend=redis` включает второй уровень хранения. Запись идёт и в память
|
||||
узла, и в Redis; чтение сначала локальное, при промахе — из Redis с подтягиванием
|
||||
соответствия к себе. Обычный путь по сети не ходит.
|
||||
|
||||
Недоступность Redis не приводит к отказу. Команды ограничены `quarkus.redis.timeout`
|
||||
(200 мс), а после трёх неудач подряд общий слой не опрашивается пять секунд: простой
|
||||
Redis стоит не больше ~600 мс на каждые пять секунд, дальше ноль. Маскирование при
|
||||
этом работает полностью, деградирует только межузловое демаскирование.
|
||||
|
||||
Redis запускается без персистентности (`--save ""`, без AOF) — персональные данные
|
||||
на диск не попадают — и с `maxmemory-policy allkeys-lru`.
|
||||
|
||||
## Безопасность
|
||||
|
||||
В журнал и метрики попадают только `payload_id`, типы ПД и счётчики — сами значения
|
||||
не логируются ни на одном уровне. Соответствия «текст ↔ маска» живут в памяти процесса,
|
||||
ограничены по объёму и удаляются по истечении `pdguard.store.ttl-minutes` (по умолчанию 30).
|
||||
Внутренний сбой обработки не приводит к `5xx`: возвращается исходный текст, а ошибка
|
||||
попадает в журнал — пять подряд невалидных ответов останавливают проверку.
|
||||
При перегрузке сервис отвечает `429` с `Retry-After` вместо накопления очереди.
|
||||
|
||||
## Производительность
|
||||
|
||||
Нагрузочное тестирование проведено инструментом k6 (профиль 500 → 1000 → 1500 →
|
||||
2000 VU, одиночный узел, Docker):
|
||||
Нагрузка подаётся парами «маскирование → демаскирование» с уникальным `payload_id` —
|
||||
так же, как это делает проверяющая система:
|
||||
|
||||
| Метрика | Значение |
|
||||
|---------|----------|
|
||||
| Пропускная способность | ~9 500 RPS |
|
||||
| Задержка p50 | 1.03 мс |
|
||||
| Задержка p95 | 13.87 мс |
|
||||
| Ошибки | 0.00 % |
|
||||
```bash
|
||||
k6 run -e RPS=1000 loadtest.js
|
||||
```
|
||||
|
||||
Целевой уровень из задания (latency ≤ 0.5 с при RPS 1000) выполнен с большим
|
||||
запасом. В кластерном режиме (2 узла + nginx) пропускная способность выше.
|
||||
Native-образ в Docker Desktop, Apple M-серия. Один узел, состояние в памяти:
|
||||
|
||||
---
|
||||
| Целевой RPS | p95 | Отказы | Пары восстановлены |
|
||||
|---|---|---|---|
|
||||
| 1000 | 1,78 мс | 0 | 100 % |
|
||||
| 2000 | 1,03 мс | 0 | 100 % |
|
||||
| 6000 | 4,49 мс | 0 | 100 % |
|
||||
|
||||
## Ограничения
|
||||
Со включённой второй ступенью, один узел:
|
||||
|
||||
- Хранилище соответствий по умолчанию — в памяти (`pdguard.store.backend=memory`),
|
||||
сбрасывается при перезапуске. Для кластера используется Redis.
|
||||
- NER-модели второй ступени (`models/rubert-ner`, `models/wikineural-ner`,
|
||||
`models/ru-legal-ner`) не входят в репозиторий и скачиваются скриптом
|
||||
`tools/fetch-ner-model.sh`; без них сервис работает на правилах.
|
||||
- Демаскирование доступно только системам с `demask: true` и корректным ключом.
|
||||
| Целевой RPS | p95 | Отказы | Пары восстановлены |
|
||||
|---|---|---|---|
|
||||
| 1000 | 1,57 мс | 0 | 100 % |
|
||||
| 2000 | 0,98 мс | 0 | 100 % |
|
||||
|
||||
---
|
||||
## Потребление ресурсов
|
||||
|
||||
## План развития
|
||||
Замер снят с контейнера во время нагрузки; генератор работал на той же машине
|
||||
(8 ядер, Docker-ВМ 7,7 ГБ), поэтому часть процессора съедал он.
|
||||
100 % CPU — это одно ядро.
|
||||
|
||||
- Подключение NER-модели для распознавания имён и адресов в свободном тексте.
|
||||
- Расширение перечня документов, удостоверяющих личность.
|
||||
- Настраиваемые правила контекстного маскирования через конфиг.
|
||||
- Шифрование хранилища соответствий.
|
||||
- Интеграция с CI/CD и автоматический прогон нагрузочных тестов.
|
||||
Native-образ:
|
||||
|
||||
| Нагрузка | p95 | CPU | RAM |
|
||||
|---|---|---|---|
|
||||
| покой, без модели | — | 0 % | **10 МБ** |
|
||||
| покой, с моделью | — | 0 % | 378 МБ |
|
||||
| 5000 RPS, только правила | 3,5 мс | 208 % | 103 МБ |
|
||||
| 5000 RPS, со второй ступенью | 4,6 мс | 218 % | 516 МБ |
|
||||
| 8000 RPS, со второй ступенью | 25,5 мс | 257 % | 557 МБ |
|
||||
| 12000 RPS, со второй ступенью | 69,2 мс | 398 % | 698 МБ |
|
||||
|
||||
Тот же образ на JVM, 5000 RPS. Холодный прогон — первые сорок секунд после подъёма,
|
||||
прогретый — следующие:
|
||||
|
||||
| Нагрузка | p95 | CPU | RAM |
|
||||
|---|---|---|---|
|
||||
| покой, без модели | — | 0 % | 147 МБ |
|
||||
| только правила, холодная | 13,8 мс | 273 % | 365 МБ |
|
||||
| только правила, прогретая | **1,3 мс** | **107 %** | 433 МБ |
|
||||
| со ступенью, холодная | 18,5 мс | 150 % | 590 МБ |
|
||||
| со ступенью, прогретая | **1,9 мс** | 136 % | 640 МБ |
|
||||
|
||||
Отказов на всех прогонах ноль, пары восстановлены полностью.
|
||||
|
||||
**Прогретая JVM обгоняет native** — вдвое по процессору и втрое по задержке: C2
|
||||
оптимизирует по факту исполнения и обходит опережающую компиляцию. Расплата —
|
||||
первые десятки секунд: у холодной JVM p95 в четыре раза хуже, отдельные запросы
|
||||
доходят до полутора секунд. Native же одинаков с первой секунды.
|
||||
|
||||
Выбор зависит от того, как запускается сервис. Долгоживущий процесс за
|
||||
балансировщиком — JVM выгоднее, прогрев окупается за минуту. Частые перезапуски,
|
||||
масштабирование по нагрузке или короткий прогон целиком — native предсказуемее.
|
||||
Память: native расходует втрое-вчетверо меньше.
|
||||
|
||||
Вторая ступень почти не добавляет процессора: на этих запросах правила разбирают
|
||||
всё сами, и модель до кандидатов не доходит. Зато она стоит около 370 МБ памяти —
|
||||
это файл модели, и он не зависит от нагрузки.
|
||||
|
||||
На целевых 1000 RPS сервису достаточно **половины ядра и порядка 150 МБ** без
|
||||
модели или 500 МБ с ней.
|
||||
|
||||
Два узла с общим слоем в Redis, обратный шаг **всегда** попадает на другой узел —
|
||||
худший возможный случай:
|
||||
|
||||
| Целевой RPS | p95 | Отказы | Пары восстановлены |
|
||||
|---|---|---|---|
|
||||
| 1000 | 3,25 мс | 0 | 100 % |
|
||||
| 2000 | 2,81 мс | 0 | 100 % |
|
||||
|
||||
Потолок выше 6000 — на этой машине упирается уже генератор нагрузки, не сервис.
|
||||
Старт native-образа — 0,018 с, поэтому прогрева нет и первые секунды прогона идут
|
||||
с той же задержкой, что и остальные.
|
||||
|
||||
Крупные тексты, JVM, один поток: 240 КБ — 272 мс, 400 КБ (~100 000 токенов) — 447 мс.
|
||||
Обработка идёт на рабочих потоках, поэтому крупный текст не блокирует цикл событий.
|
||||
Порог одновременных запросов — `pdguard.max-concurrent`.
|
||||
|
||||
## Настройки
|
||||
|
||||
| Свойство | По умолчанию | Смысл |
|
||||
|---|---|---|
|
||||
| `pdguard.systems-file` | `config/systems.json` | файл со списком систем |
|
||||
| `pdguard.store.backend` | `memory` | `redis` включает общий слой для нескольких узлов |
|
||||
| `quarkus.redis.hosts` | `redis://localhost:6379` | адрес общего слоя |
|
||||
| `quarkus.redis.timeout` | `200ms` | после чего узел уходит на свою память |
|
||||
| `pdguard.ner.model` | не задано | модель второй ступени; без неё работают только правила |
|
||||
| `pdguard.ner.max-candidates` | `16` | предел кандидатов на запрос для второй ступени |
|
||||
| `pdguard.ner.pool-size` | `16` | сколько распознавателей создаётся и прогревается на старте |
|
||||
| `pdguard.max-concurrent` | `2000` | порог, после которого отдаётся `429` |
|
||||
| `pdguard.store.ttl-minutes` | `30` | срок жизни соответствий |
|
||||
| `pdguard.store.max-chars` | `134217728` | предел объёма хранилища |
|
||||
|
||||
+43
-47
@@ -1,65 +1,61 @@
|
||||
# Один узел, состояние маскирования/демаскирования — в памяти самого процесса
|
||||
# (pdguard.store.backend=memory, дефолт). Redis был нужен только чтобы разделить
|
||||
# состояние между несколькими репликами; кластерная схема на 4-vCPU хосте под
|
||||
# нагрузкой давала конкуренцию за CPU (см. историю в git) — один узел проще и
|
||||
# получает весь хост целиком.
|
||||
# Один узел: памяти процесса достаточно, общий слой не нужен.
|
||||
# docker compose up pd-guard
|
||||
#
|
||||
# Несколько узлов: маскирование детерминировано и работает на любом узле, а вот
|
||||
# обратный шаг требует общего состояния — иначе запрос попадёт не на тот узел.
|
||||
# docker compose --profile cluster up
|
||||
services:
|
||||
|
||||
pd-guard:
|
||||
image: pd-guard-spring:jvm
|
||||
build:
|
||||
context: .
|
||||
dockerfile: src/main/docker/Dockerfile.native
|
||||
ports:
|
||||
- "8080:8080"
|
||||
deploy:
|
||||
resources:
|
||||
limits:
|
||||
cpus: "4"
|
||||
memory: 6g
|
||||
environment:
|
||||
# Дефолт JVM — 25% контейнерного лимита на heap.
|
||||
JAVA_OPTS: >-
|
||||
-Dspring.config.additional-location=optional:file:/deployments/config/
|
||||
-XX:MaxRAMPercentage=75.0
|
||||
PDGUARD_MAX_CONCURRENT: "2000"
|
||||
# На 1 vCPU дефолт 200мс держал concurrency у пола; на 4 vCPU запас есть,
|
||||
# но 800мс оставлено с той же осторожностью — целевая latency контракта 1с.
|
||||
PDGUARD_TARGET_LATENCY_MS: "800"
|
||||
PDGUARD_WARMUP_ITERATIONS: "2000"
|
||||
# Вторая ступень распознавания — две модели под разные задачи (см.
|
||||
# NameCascade.java): WikiNEuRal размечает имена, ruBERT — составляющие
|
||||
# адреса. Модели в репозиторий не входят: ./tools/fetch-ner-model.sh.
|
||||
PDGUARD_NER_NAME_ENGINE: wikineural
|
||||
PDGUARD_NER_NAME_MODEL: /deployments/models/wikineural-ner
|
||||
PDGUARD_NER_ADDRESS_ENGINE: rubert
|
||||
PDGUARD_NER_ADDRESS_MODEL: /deployments/models/rubert-ner
|
||||
# Третья ступень (юридические реквизиты, LLAIM Legal NER) временно выключена
|
||||
# для нагрузочного теста — проверяем, она ли основной источник CPU-затрат
|
||||
# на 1-vCPU лимите. Включить: PDGUARD_NER_LEGAL_ENGINE=ru-legal-ner.
|
||||
PDGUARD_NER_LEGAL_ENGINE: "off"
|
||||
PDGUARD_STORE_TTL_MINUTES: "30"
|
||||
# Переменная не задана — вторая ступень выключена. Чтобы включить:
|
||||
# PDGUARD_NER_MODEL: /work/models/ru-ner-person.bin
|
||||
volumes:
|
||||
- ./config:/deployments/config:ro
|
||||
- ./models:/deployments/models:ro
|
||||
- ./config:/work/config:ro
|
||||
# Модель второй ступени монтируется томом: в образ она не входит.
|
||||
# Собрать: ./tools/train-ner.sh full
|
||||
- ./models:/work/models:ro
|
||||
healthcheck:
|
||||
test: ["CMD", "curl", "-fsS", "http://localhost:8080/health"]
|
||||
interval: 10s
|
||||
timeout: 2s
|
||||
retries: 3
|
||||
|
||||
prometheus:
|
||||
image: prom/prometheus:v2.55.1
|
||||
volumes:
|
||||
- ./monitoring/prometheus.yml:/etc/prometheus/prometheus.yml:ro
|
||||
ports:
|
||||
- "9090:9090"
|
||||
redis:
|
||||
profiles: ["cluster"]
|
||||
image: redis:7-alpine
|
||||
command: ["redis-server", "--save", "", "--appendonly", "no", "--maxmemory", "1gb", "--maxmemory-policy", "allkeys-lru"]
|
||||
healthcheck:
|
||||
test: ["CMD", "redis-cli", "ping"]
|
||||
interval: 5s
|
||||
timeout: 2s
|
||||
retries: 5
|
||||
|
||||
grafana:
|
||||
image: grafana/grafana:11.3.0
|
||||
depends_on:
|
||||
- prometheus
|
||||
node-a: &node
|
||||
profiles: ["cluster"]
|
||||
build:
|
||||
context: .
|
||||
dockerfile: src/main/docker/Dockerfile.native
|
||||
ports:
|
||||
- "3000:3000"
|
||||
- "8081:8080"
|
||||
environment:
|
||||
GF_AUTH_ANONYMOUS_ENABLED: "true"
|
||||
GF_AUTH_ANONYMOUS_ORG_ROLE: Viewer
|
||||
PDGUARD_STORE_BACKEND: redis
|
||||
QUARKUS_REDIS_HOSTS: redis://redis:6379
|
||||
PDGUARD_MAX_CONCURRENT: "2000"
|
||||
volumes:
|
||||
- ./monitoring/grafana/provisioning:/etc/grafana/provisioning:ro
|
||||
- ./monitoring/grafana/dashboards:/var/lib/grafana/dashboards:ro
|
||||
- ./config:/work/config:ro
|
||||
depends_on:
|
||||
redis:
|
||||
condition: service_healthy
|
||||
|
||||
node-b:
|
||||
<<: *node
|
||||
ports:
|
||||
- "8082:8080"
|
||||
|
||||
+2
-17
@@ -4,17 +4,13 @@
|
||||
"demask": true,
|
||||
"maskMode": "MASK",
|
||||
"types": ["*"],
|
||||
"requireCompanion": [
|
||||
"CVV", "PIN", "DATE", "BIRTH_PLACE", "ADDRESS_COUNTRY",
|
||||
"ACCOUNT_NUMBER", "BIK", "OGRN", "OGRNIP", "KPP",
|
||||
"INCOME", "BIOMETRIC"
|
||||
]
|
||||
"requireCompanion": ["CVV", "PIN", "DATE", "BIRTH_PLACE", "ADDRESS_COUNTRY"]
|
||||
},
|
||||
"crm": {
|
||||
"enabled": true,
|
||||
"demask": false,
|
||||
"maskMode": "TOKEN",
|
||||
"types": ["*"]
|
||||
"types": ["FIO", "PHONE", "EMAIL", "ADDRESS_CITY", "ADDRESS_STREET", "ADDRESS_HOUSE", "ADDRESS_FLAT"]
|
||||
},
|
||||
"analytics": {
|
||||
"enabled": true,
|
||||
@@ -27,16 +23,5 @@
|
||||
"demask": false,
|
||||
"maskMode": "MASK",
|
||||
"types": ["*"]
|
||||
},
|
||||
"strict": {
|
||||
"enabled": true,
|
||||
"demask": true,
|
||||
"maskMode": "STRICT",
|
||||
"types": ["*"],
|
||||
"requireCompanion": [
|
||||
"CVV", "PIN", "DATE", "BIRTH_PLACE", "ADDRESS_COUNTRY",
|
||||
"ACCOUNT_NUMBER", "BIK", "OGRN", "OGRNIP", "KPP",
|
||||
"INCOME", "BIOMETRIC"
|
||||
]
|
||||
}
|
||||
}
|
||||
|
||||
@@ -1,239 +0,0 @@
|
||||
# Инструкция для жюри по проверке
|
||||
|
||||
Модуль принимает текст, находит в нём персональные данные, подменяет их и по тому же идентификатору возвращает исходный текст. Ниже — как это воспроизвести и где смотреть журнал и метрики.
|
||||
|
||||
Сервис слушает `http://localhost:8080`.
|
||||
|
||||
## Запуск
|
||||
|
||||
Нужны Java 21 и Maven 3.8+ (или обёртка `./mvnc`). Для дашборда — Docker Compose.
|
||||
|
||||
Локально:
|
||||
|
||||
```bash
|
||||
./mvnc package -DskipTests
|
||||
java -jar target/pd-guard-spring-1.0.0.jar
|
||||
```
|
||||
|
||||
Контейнер, Prometheus и Grafana (`compose.yaml` ссылается на уже собранный образ `pd-guard-spring:jvm`, сам его не строит):
|
||||
|
||||
```bash
|
||||
docker build -f src/main/docker/Dockerfile -t pd-guard-spring:jvm .
|
||||
docker compose up -d
|
||||
```
|
||||
|
||||
Если локальной Java нет — тот же образ собирается полностью внутри Docker, `mvn package` идёт в отдельной стадии сборки (дольше первого запуска, зато не требует ничего на хосте кроме Docker):
|
||||
|
||||
```bash
|
||||
docker build -f src/main/docker/Dockerfile.build -t pd-guard-spring:jvm .
|
||||
docker compose up -d
|
||||
```
|
||||
|
||||
Готовность: `GET http://localhost:8080/health` отвечает `OK`.
|
||||
|
||||
Действующие системы читаются из `config/systems.json`. Это не встроенный файл в jar: при запуске из каталога проекта используется именно он.
|
||||
|
||||
### Модели второй и третьей ступеней (опционально)
|
||||
|
||||
Без моделей сервис работает на одних правилах — этого достаточно для контракта `/process`. Модели нужны для распознавания в свободном тексте (иностранные имена без русских словообразовательных признаков, регион/район адреса, юридические реквизиты в нетиповых формулировках). Скачиваются одной командой (~1 ГБ, требует `python3` для конвертации третьей модели):
|
||||
|
||||
```bash
|
||||
./tools/fetch-ner-model.sh
|
||||
```
|
||||
|
||||
Кладёт веса в `models/wikineural-ner`, `models/rubert-ner`, `models/ru-legal-ner`. При локальном запуске (`java -jar ...`) включаются через `pdguard.ner.*-engine` (см. `docs/03-architecture.md`); в `docker compose up -d` каталог `models/` уже примонтирован и подхватывается автоматически, если модели скачаны до запуска. Сбой конкретной модели отключает только её ступень, остальное продолжает работать на правилах.
|
||||
|
||||
## Как устроен запрос
|
||||
|
||||
`POST /process`
|
||||
|
||||
Тело:
|
||||
|
||||
```json
|
||||
{"payload": "текст", "payload_id": "устойчивый-идентификатор"}
|
||||
```
|
||||
|
||||
Заголовки:
|
||||
|
||||
| Заголовок | Смысл |
|
||||
|-----------|--------|
|
||||
| `X-System-Id` | имя системы из `config/systems.json`. Нет заголовка или имя неизвестно — применяется политика `default` |
|
||||
| `X-System-Key` | нужен только если у системы в конфиге задано поле `key` |
|
||||
|
||||
Направление выбирается по `payload_id`, а не по отдельному флагу:
|
||||
|
||||
1. Идентификатор ещё не встречался — текст маскируется, пара «исходник ↔ маска» запоминается.
|
||||
2. Пришёл ранее выданный текст маски и у системы включено `demask` — возвращается исходный текст.
|
||||
3. Пришёл тот же исходный текст — возвращается та же маска, что и в первый раз.
|
||||
|
||||
Ответ: `{"result": "..."}`.
|
||||
|
||||
Коды: `200` успех, `400` нет `payload` или `payload_id`, `403` система выключена или неверный ключ, `429` перегрузка (заголовок `Retry-After: 1`). При внутреннем сбое сервис отвечает `200` и текстом `[обработка недоступна]`, чтобы исходные персональные данные не ушли наружу.
|
||||
|
||||
## Маскирование в браузере
|
||||
|
||||
Откройте `http://localhost:8080/`.
|
||||
|
||||
Четыре режима на странице — это четыре системы из конфига:
|
||||
|
||||
| Кнопка | Заголовок | Что увидите |
|
||||
|--------|-----------|-------------|
|
||||
| MASK | `default` | звёздочки с открытыми краями номера, ФИО инициалами |
|
||||
| STRICT | `strict` | сплошные звёздочки, длина сохраняется |
|
||||
| TOKEN | `crm` | токены вида `[FIO_1]`, `[PASSPORT_1]` |
|
||||
| SYNTHETIC | `analytics` | правдоподобная подмена (вымышленное ФИО, номер, адрес) |
|
||||
|
||||
Вставьте текст, например:
|
||||
|
||||
```text
|
||||
Клиент Иванов Иван Иванович, паспорт 4509 123456, тел +7 916 123-45-67
|
||||
```
|
||||
|
||||
Нажмите «Обработать». Результат появится в блоке под кнопкой.
|
||||
|
||||
Страница каждый раз создаёт новый `payload_id`. Она показывает только маскирование. Демаскирование проверяется запросом к API с тем же идентификатором.
|
||||
|
||||
## Маскирование через API
|
||||
|
||||
Система `default` маскирует все известные типы и умеет демаскировать. Режим — звёздочки с открытыми краями номера (`MASK`).
|
||||
|
||||
```bash
|
||||
curl -s -X POST http://localhost:8080/process \
|
||||
-H "Content-Type: application/json" \
|
||||
-H "X-System-Id: default" \
|
||||
-d "{\"payload\":\"Клиент Иванов Иван Иванович, паспорт 4509 123456, тел +7 916 123-45-67\",\"payload_id\":\"doc-1\"}"
|
||||
```
|
||||
|
||||
Ожидаемый вид ответа: в `result` ФИО заменено на инициалы (`И. И. И.`), середина паспорта и телефона закрыта звёздочками, края видны.
|
||||
|
||||
Сплошные звёздочки — тот же запрос с заголовком `X-System-Id: strict`.
|
||||
|
||||
Токены вида `[FIO_1]`, `[PASSPORT_1]`, `[PHONE_1]` — тот же запрос с заголовком `X-System-Id: crm` (но у `crm` в политике нет `PASSPORT`, см. ниже).
|
||||
|
||||
Синтетика — `X-System-Id: analytics`. У этой системы обратное преобразование выключено.
|
||||
|
||||
Система `crm` маскирует только ФИО, телефон, email и части адреса (город, улица, дом, квартира). Паспорт в её политике не входит и в ответе останется открытым. Демаскирование у `crm` выключено.
|
||||
|
||||
Система `legacy-billing` выключена: тот же запрос с `X-System-Id: legacy-billing` даёт `403`.
|
||||
|
||||
## Демаскирование
|
||||
|
||||
Нужны три условия одновременно:
|
||||
|
||||
- тот же `payload_id`, что при маскировании (`doc-1` в примере выше);
|
||||
- в `payload` — точная строка из поля `result` предыдущего ответа;
|
||||
- система с `"demask": true`. Сейчас это `default` и `strict`. У `crm` и `analytics` демаскирование выключено намеренно.
|
||||
|
||||
```bash
|
||||
curl -s -X POST http://localhost:8080/process \
|
||||
-H "Content-Type: application/json" \
|
||||
-H "X-System-Id: default" \
|
||||
-d "{\"payload\":\"<сюда строка result из маскирования>\",\"payload_id\":\"doc-1\"}"
|
||||
```
|
||||
|
||||
В `result` вернётся исходная фраза с ФИО, паспортом и телефоном.
|
||||
|
||||
Соответствие живёт в памяти процесса 30 минут и пропадает после перезапуска. Повторный запрос после перезапуска будет обработан как новое маскирование.
|
||||
|
||||
Хранилище разделено по системам: маска, полученная от `default`, не раскрывается запросом от `strict` с тем же `payload_id`.
|
||||
|
||||
## Цепочка до модели
|
||||
|
||||
`POST /proxy` показывает, что ушло бы во внешнюю модель и что вернулось бы потребителю. Адрес модели по умолчанию пуст, поэтому отвечает заглушка: она возвращает присланный (уже замаскированный) текст. В модель подставляются токены, даже если у системы выбран другой режим: по звёздочкам однозначное восстановление невозможно.
|
||||
|
||||
```bash
|
||||
curl -s -X POST http://localhost:8080/proxy \
|
||||
-H "Content-Type: application/json" \
|
||||
-H "X-System-Id: default" \
|
||||
-d "{\"prompt\":\"Клиент Иванов Иван Иванович, карта 4111 1111 1111 1111. Кратко опишите профиль.\"}"
|
||||
```
|
||||
|
||||
В ответе:
|
||||
|
||||
| Поле | Смысл |
|
||||
|------|--------|
|
||||
| `prompt_masked` | текст, который ушёл бы в модель |
|
||||
| `llm_response_masked` | ответ модели (или заглушки) ещё с токенами |
|
||||
| `response` | текст потребителю; при `demask: true` токены заменены обратно |
|
||||
| `replaced` | таблица «токен → исходное значение» |
|
||||
| `llm` | `заглушка` либо имя модели |
|
||||
|
||||
В `prompt_masked` не должно остаться открытых ФИО и номера карты.
|
||||
|
||||
## Где смотреть логи
|
||||
|
||||
Отдельного файла журнала нет. Строки пишет процесс в стандартный вывод.
|
||||
|
||||
Локальный запуск — окно, где выполнена команда `java -jar`.
|
||||
|
||||
Docker:
|
||||
|
||||
```bash
|
||||
docker compose logs -f pd-guard
|
||||
```
|
||||
|
||||
На каждое маскирование есть строка уровня INFO. В ней идентификатор, длина текста и счётчики по типам. Сами значения персональных данных в журнал не пишутся:
|
||||
|
||||
```text
|
||||
payload_id=doc-1 символов=72 найдено={FIO=1, PASSPORT=1, PHONE=1}
|
||||
```
|
||||
|
||||
Рядом по смыслу, если они случаются:
|
||||
|
||||
- `Системе … обращение в модуль запрещено настройками` — выключенная система;
|
||||
- `Системе … отказано: неверный ключ`;
|
||||
- `демаскирование не нашло соответствие` — идентификатор и отпечаток маски неизвестны, текст обработан как новый;
|
||||
- `Настройки систем перечитаны из …` — после правки `config/systems.json`.
|
||||
|
||||
Для прокси: `proxy: система=… заменено=… модель=…`. Число замен есть, значения — нет.
|
||||
|
||||
## Где смотреть метрики
|
||||
|
||||
Сырые метрики сервиса, без Docker:
|
||||
|
||||
| Адрес | Что это |
|
||||
|-------|---------|
|
||||
| `GET /actuator/prometheus` | все метрики в формате Prometheus |
|
||||
| `GET /actuator/metrics` | список имён Micrometer |
|
||||
| `GET /actuator/metrics/pdguard.process` | длительность обработки |
|
||||
| `GET /actuator/metrics/pdguard.pd.detected` | сколько фрагментов найдено, в разрезе типа и системы |
|
||||
| `GET /actuator/health` | проба Spring Boot |
|
||||
|
||||
Имеет смысл смотреть после одного-двух вызовов `/process`:
|
||||
|
||||
```bash
|
||||
curl -s http://localhost:8080/actuator/prometheus | findstr pdguard
|
||||
```
|
||||
|
||||
На Linux и macOS вместо `findstr` — `grep pdguard`.
|
||||
|
||||
Основные ряды:
|
||||
|
||||
| Метрика | О чём |
|
||||
|---------|--------|
|
||||
| `pdguard_process_seconds` | длительность, метки `direction` (`mask` / `unmask`) и `system` |
|
||||
| `pdguard_pd_detected_total` | найденные фрагменты, метки `type` и `system` |
|
||||
| `pdguard_requests_rejected_total` | отказы: `overload`, `malformed`, `system_disabled`, `internal_error` |
|
||||
| `pdguard_concurrency_limit` | текущий потолок одновременных запросов |
|
||||
| `pdguard_concurrency_in_flight` | сколько запросов в работе |
|
||||
| `pdguard_store_chars` | объём хранилища соответствий в символах |
|
||||
| `pdguard_tokens_processed_total` | оценка числа обработанных токенов |
|
||||
| `pdguard_demask_unresolved_total` | демаскирование без найденного соответствия |
|
||||
| `pdguard_ner_*` | вторая ступень (модель). В поставке без скачанных моделей ступень выключена, ряды почти не растут |
|
||||
|
||||
Дашборд появляется вместе с `docker compose`:
|
||||
|
||||
- Grafana: `http://localhost:3000` (анонимный просмотр включён). Дашборд «Модуль безопасности персональных данных»: `http://localhost:3000/d/pd-guard`. Обновление раз в 5 секунд. Блоки: обращения и типы ПДн, задержка и доля ответов быстрее 0,5 с, отказы, вторая ступень, ресурсы узла.
|
||||
- Prometheus: `http://localhost:9090`. Цель сбора — `pd-guard:8080`, интервал 5 секунд.
|
||||
|
||||
## Что поменять без перезапуска
|
||||
|
||||
Отредактируйте `config/systems.json` и вызовите:
|
||||
|
||||
```bash
|
||||
curl -s -X POST http://localhost:8080/admin/reload
|
||||
```
|
||||
|
||||
Файл также перечитывается сам, если изменилось время модификации (проверка не чаще раза в секунду). Текущие политики: `GET /admin/config`. Список типов, которые умеет распознавать сборка: `GET /admin/types`.
|
||||
|
||||
Проверка набора типов: в политике `crm` нет `PASSPORT`. Текст с паспортом и телефоном под `X-System-Id: crm` скроет телефон и оставит номер паспорта. Под `default` скроет оба.
|
||||
@@ -1,127 +0,0 @@
|
||||
# Схема архитектуры и настройки
|
||||
|
||||
Модуль стоит между системой-потребителем и внешней языковой моделью. Потребитель отдаёт текст один раз на вход и один раз на выход. В модель уходит уже подменённый текст, потребителю возвращается текст с восстановленными значениями.
|
||||
|
||||
```mermaid
|
||||
flowchart LR
|
||||
consumer["Система-потребитель"]
|
||||
api["POST /process и POST /proxy"]
|
||||
policy["Политика системы\nconfig/systems.json"]
|
||||
rules["Правила и словари"]
|
||||
ner["Вторая ступень\nNER, если включена"]
|
||||
filters["Отсев ложных\nсрабатываний"]
|
||||
masker["Маскирование\nMASK / STRICT / TOKEN / SYNTHETIC"]
|
||||
store["Хранилище соответствий\nпамять, AES-GCM"]
|
||||
llm["Внешняя LLM\nили заглушка"]
|
||||
|
||||
consumer --> api --> policy --> rules --> ner --> filters --> masker --> store
|
||||
masker -->|"только /proxy"| llm
|
||||
llm -->|"демаскирование по токенам"| consumer
|
||||
store -->|"демаскирование по payload_id"| consumer
|
||||
```
|
||||
|
||||
`POST /process` — контракт для системы-потребителя: маскирование и демаскирование. `POST /proxy` — демонстрация всей цепочки до модели и обратно; проверяющий контур может его не использовать.
|
||||
|
||||
Настройки систем, перечень типов и вид маски задаются файлом `config/systems.json`. Код для смены политики пересобирать не нужно. Файл перечитывается при изменении и по `POST /admin/reload`.
|
||||
|
||||
## Что происходит с одним текстом
|
||||
|
||||
1. По заголовку `X-System-Id` выбирается политика. Неизвестное имя получает политику `default`. Выключенная система и неверный `X-System-Key` получают `403` до обработки текста.
|
||||
2. Если `payload_id` уже есть в хранилище этой системы, направление определяется сравнением текста с сохранённой маской и с исходником.
|
||||
3. Иначе текст проходит детекцию. Сначала правила: контрольные суммы (карта, ИНН, СНИЛС, ОГРН), однозначные форматы (email, телефон), затем шаблоны с якорным словом (документ, адрес, дата, ФИО). Цифровые значения с нестандартными разделителями дополнительно собираются в кластер и проверяются той же контрольной суммой.
|
||||
4. Если включена вторая ступень, модель смотрит только непокрытые кандидаты: цепочки слов с заглавной буквы и, для юридической модели, цифровые кластеры. В поставке по умолчанию ступень выключена (`pdguard.ner.*-engine: off`). В `compose.yaml` она включается, если в каталог `models/` положены веса.
|
||||
5. Ложные срабатывания снимаются до маски: имя в составе организации и на вывеске, общеизвестное имя без других персональных данных рядом, адрес отделения, типы-спутники без самостоятельного персонального данного.
|
||||
6. Оставшиеся фрагменты заменяются по `maskMode` системы. Пара «исходный текст ↔ маска» пишется в хранилище этой системы. Исходный текст в хранилище шифруется AES-GCM, ключ — `pdguard.store.encryption-key`.
|
||||
|
||||
Демаскирование не запускает детектор заново: по `payload_id` (и запасным отпечатком маски) достаётся сохранённый исходник. Поэтому звёздочки тоже обратимы, пока жива запись.
|
||||
|
||||
## Системы-потребители
|
||||
|
||||
Файл `config/systems.json`, путь переопределяется свойством `pdguard.systems-file`.
|
||||
|
||||
| Система | Включена | Демаскирование | Режим | Типы |
|
||||
|---------|----------|----------------|-------|------|
|
||||
| `default` | да | да | `MASK` | все (`*`) |
|
||||
| `crm` | да | нет | `TOKEN` | ФИО, телефон, email, город, улица, дом, квартира |
|
||||
| `analytics` | да | нет | `SYNTHETIC` | все (`*`) |
|
||||
| `strict` | да | да | `STRICT` | все (`*`) |
|
||||
| `legacy-billing` | нет | нет | `MASK` | все (`*`), запросы отклоняются |
|
||||
|
||||
Запрос без заголовка идёт в `default`. Хранилище у каждой системы своё: одна система не читает соответствия другой.
|
||||
|
||||
Поля политики:
|
||||
|
||||
| Поле | Назначение |
|
||||
|------|------------|
|
||||
| `enabled` | `false` — модуль отвечает `403` и текст не обрабатывает |
|
||||
| `demask` | разрешено ли обратное преобразование |
|
||||
| `maskMode` | чем заменяется найденное значение |
|
||||
| `types` | какие типы маскировать; `"*"` — все, которые знает сборка |
|
||||
| `requireCompanion` | типы, которые маскируются только рядом с самостоятельным персональным данным |
|
||||
| `key` | общий секрет; если задан, заголовок `X-System-Key` обязан совпасть. Только ASCII |
|
||||
|
||||
Пример добавления системы — дописать объект и перечитать файл:
|
||||
|
||||
```json
|
||||
"dms": {
|
||||
"enabled": true,
|
||||
"demask": true,
|
||||
"maskMode": "MASK",
|
||||
"types": ["FIO", "PHONE", "MEDICAL_POLICY", "BIRTH_DATE"],
|
||||
"key": "dms-secret"
|
||||
}
|
||||
```
|
||||
|
||||
После `POST /admin/reload` запросы с `X-System-Id: dms` и `X-System-Key: dms-secret` маскируют только перечисленные типы, звёздочками, и умеют демаскировать.
|
||||
|
||||
Новый тип персональных данных добавляется правилом в реестре (`DocumentRules`, `FinanceRules`, `DateRules`, `FioRules`, `ContactRules`, `AddressRules`) и именем в `PdTypes`. Политики, где указано `"*"`, подхватывают его без правки конфига. Политика с явным списком — только если имя типа туда добавить.
|
||||
|
||||
## Типы персональных данных
|
||||
|
||||
Список отдаёт `GET /admin/types`. Группы:
|
||||
|
||||
| Группа | Типы |
|
||||
|--------|------|
|
||||
| Человек | `FIO`, `CARDHOLDER` |
|
||||
| Документы | `PASSPORT`, `PASSPORT_ISSUER`, `PASSPORT_DATE`, `DEPT_CODE`, `FOREIGN_PASSPORT`, `DRIVER_LICENSE`, `MILITARY_ID`, `BIRTH_CERTIFICATE`, `MEDICAL_POLICY` |
|
||||
| Контакты | `PHONE`, `EMAIL` |
|
||||
| Адрес | `ADDRESS_COUNTRY`, `ADDRESS_POSTCODE`, `ADDRESS_CITY`, `ADDRESS_STREET`, `ADDRESS_HOUSE`, `ADDRESS_FLAT`. `ADDRESS_REGION` и `ADDRESS_DISTRICT` размечает только модель второй ступени |
|
||||
| Даты и гражданство | `BIRTH_DATE`, `BIRTH_PLACE`, `DATE`, `CITIZENSHIP` |
|
||||
| Платёжные данные | `CARD`, `CARD_EXPIRY`, `CVV`, `PIN` |
|
||||
| Реквизиты | `INN`, `SNILS`, `ACCOUNT_NUMBER`, `BIK`, `OGRN`, `OGRNIP`, `KPP` |
|
||||
| Прочее | `INCOME`, `BIOMETRIC` |
|
||||
|
||||
Правила устойчивы к регистру, к дате числом и словами, к вставке слов между серией и номером документа, к уменьшительным формам имён. Карта, ИНН, СНИЛС, ОГРН и ОГРНИП без верной контрольной суммы не маскируются.
|
||||
|
||||
## Режимы маскирования
|
||||
|
||||
Режим задаётся полем `maskMode` и действует на все типы, которые политика разрешила.
|
||||
|
||||
| Режим | Пример для `Иванов Иван Иванович` и паспорта `4509 123456` | Когда уместен |
|
||||
|-------|--------------------------------------------------------------|---------------|
|
||||
| `MASK` | `И. И. И.`, паспорт `45** ****56` | человеку остаётся узнаваемый контур, середина закрыта. Края коротких серий (загранпаспорт, военный билет, свидетельство о рождении) не открываются. CVV и PIN закрываются целиком |
|
||||
| `STRICT` | сплошные звёздочки на всю длину, включая ФИО | ничего из исходных знаков не остаётся |
|
||||
| `TOKEN` | `[FIO_1]`, `[PASSPORT_1]` | однозначная обратимая подстановка, удобная и для демаскирования ответа модели |
|
||||
| `SYNTHETIC` | вымышленные ФИО и номер той же формы | модель видит правдоподобный текст. Для типов без своей подстановки остаётся токен |
|
||||
|
||||
Одинаковое исходное значение внутри одного текста получает одну и ту же замену.
|
||||
|
||||
В `POST /proxy` режим системы для отправки в модель заменяется на `TOKEN`: одинаковые звёздочки нельзя однозначно вернуть на место в ответе модели.
|
||||
|
||||
## Контекстное правило
|
||||
|
||||
Типы из `requireCompanion` сами по себе персональными данными не считаются. Они маскируются, только если в том же тексте есть находка самостоятельного типа.
|
||||
|
||||
В политиках `default` и `strict` спутники такие: `CVV`, `PIN`, `DATE`, `BIRTH_PLACE`, `ADDRESS_COUNTRY`, `ACCOUNT_NUMBER`, `BIK`, `OGRN`, `OGRNIP`, `KPP`, `INCOME`, `BIOMETRIC`.
|
||||
|
||||
Два спутника друг друга не подтверждают. Дата рядом с ОГРН без имени и документа человека не маскируется. PIN рядом с номером карты — маскируется. Список спутников у каждой системы свой; пустой список означает, что маскируется всё найденное из `types`.
|
||||
|
||||
Отдельно от этого списка снимаются ложные ФИО и адреса: «Александр Пушкин» без других персональных данных, «Институт Склифосовского», адрес отделения банка. Если рядом с общеизвестным именем есть другой тип персональных данных, имя остаётся замаскированным: однофамилец защиту не теряет.
|
||||
|
||||
## Состояние и наблюдаемость
|
||||
|
||||
Хранилище соответствий по умолчанию — память процесса (`pdguard.store.backend=memory`): потолок `pdguard.store.max-chars` (512 МБ символов), срок жизни записи `pdguard.store.ttl-minutes` (30 минут). При `backend=redis` та же запись дублируется в Redis, чтобы демаскирование попало на другой узел. В текущем `compose.yaml` поднят один узел, Redis не используется.
|
||||
|
||||
Одновременные запросы ограничивает адаптивный предел: он растёт, пока задержка укладывается в `pdguard.target-latency-ms` (200 мс), и сжимается, когда перестаёт. Лишние запросы получают `429`, очередь не копится.
|
||||
|
||||
Метрики отдаёт Micrometer на `/actuator/prometheus`. Готовые Prometheus и Grafana лежат в `monitoring/` и поднимаются тем же `docker compose`.
|
||||
@@ -1,69 +0,0 @@
|
||||
# Производительность и дополнительные возможности
|
||||
|
||||
Целевой уровень из задания — задержка не выше 0,5 с при 1000 запросах в секунду. Замер ниже снят на правилах, без нейросетевой ступени: именно так работает поставка, пока каталог `models/` пуст.
|
||||
|
||||
## Нагрузочный тест
|
||||
|
||||
Инструмент — [k6](https://k6.io/), сценарий `k6-load-test.js`.
|
||||
|
||||
Условия:
|
||||
|
||||
- один узел в Docker, порт 8080;
|
||||
- система `crm` (маскирование, без демаскирования; типы — ФИО, телефон, email и части адреса);
|
||||
- пять коротких текстов, часть из них с персональными данными, один — без них;
|
||||
- профиль виртуальных пользователей: 30 с до 500, затем по 30 с на 1000, 1500 и 2000, затем спад до нуля;
|
||||
- между запросами одного пользователя пауза 0,1 с;
|
||||
- пороги сценария: доля ошибок ниже 1 %, p95 длительности HTTP ниже 200 мс.
|
||||
|
||||
Запуск при уже поднятом сервисе:
|
||||
|
||||
```bash
|
||||
k6 run k6-load-test.js
|
||||
```
|
||||
|
||||
Другой адрес: `k6 run -e BASE_URL=http://localhost:8080 k6-load-test.js`.
|
||||
|
||||
Зафиксированный прогон этого сценария на одном узле:
|
||||
|
||||
| Метрика | Значение |
|
||||
|---------|----------|
|
||||
| Пропускная способность | ~9 500 запросов/с |
|
||||
| Задержка p50 | 1,03 мс |
|
||||
| Задержка p95 | 13,87 мс |
|
||||
| Ошибки | 0,00 % |
|
||||
|
||||
0,5 с при 1000 запросах/с перекрыто с запасом: p95 на этом профиле около 14 мс, поток около 9 500 запросов/с.
|
||||
|
||||
Отдельный замер внутри процесса (`PerformanceBenchmarkTest`) гоняет тот же набор текстов по правилам после прогрева JIT. В тесте закреплены пороги: p99 маскирования одного обращения ниже 5 мс и пропускная способность выше 1000 обращений/с на доступных ядрах. Это порог регрессии, а не замена цифр k6.
|
||||
|
||||
Потолок одновременных запросов не фиксирован. `AdaptiveConcurrencyLimiter` держит его между `pdguard.min-concurrent` (8) и `pdguard.max-concurrent` (2000) и подстраивает по фактической задержке с целью 200 мс. На старте `PipelineWarmup` прогоняет горячий путь несколько тысяч раз на отдельном коротком хранилище, чтобы первые боевые запросы не попали на непрогретый код: без этого p95 в первые десятки секунд примерно на порядок хуже.
|
||||
|
||||
Вторая ступень (NER) в замер не входила. Модель зовётся только на непокрытые кандидаты и стоит десятки миллисекунд на вызов; на текстах, которые уже закрыты правилами, она не вызывается. Доля таких обращений видна в метрике `pdguard_ner_requests_total`.
|
||||
|
||||
На дашборде Grafana (`http://localhost:3000/d/pd-guard`) во время прогона смотрят обращения в секунду, p95 маскирования, долю ответов быстрее 0,5 с, отказы по перегрузке и текущий предел конкурентности.
|
||||
|
||||
## Дополнительные возможности
|
||||
|
||||
Сверх маскирования заданного перечня типов реализовано следующее.
|
||||
|
||||
**Четыре режима подмены.** Звёздочки с сохранением краёв и разделителей (`MASK`), сплошное закрытие (`STRICT`), обратимые токены (`TOKEN`), правдоподобные вымышленные значения (`SYNTHETIC`). Синтетический номер карты проходит проверку Луна. Один и тот же фрагмент в тексте всегда получает одну и ту же замену.
|
||||
|
||||
**Политика на систему без пересборки.** Включение, демаскирование, режим, белый список типов, типы-спутники и общий секрет задаются в `config/systems.json` и применяются на лету. Хранилище соответствий разделено по системам.
|
||||
|
||||
**Контекстное маскирование.** PIN, CVV, дата без якоря, место рождения, страна, реквизиты организации, доход и упоминание биометрии маскируются только рядом с самостоятельным персональным данным. Список спутников настраивается у каждой системы. Два спутника друг друга не подтверждают.
|
||||
|
||||
**Защита от ложных срабатываний.** Общеизвестные имена и правители снимаются, если рядом нет других персональных данных; внешний список `config/well-known.txt` дополняет встроенный и перечитывается сам. Имя в названии организации и на вывеске не маскируется. Адрес отделения банка и улица в рассказе о городе не считаются адресом клиента. Словари имён, стран и населённых пунктов учитывают склонения и уменьшительные формы.
|
||||
|
||||
**Контрольные суммы и свободная запись чисел.** Карта, ИНН, СНИЛС, ОГРН и ОГРНИП подтверждаются контрольной суммой. Те же номера находятся, если между цифрами стоят пробелы, точки, дефисы или скобки.
|
||||
|
||||
**Вторая ступень распознавания.** Три необязательные ONNX-модели: имена (WikiNEuRal), составляющие адреса (ruBERT), юридические реквизиты. Модели в репозиторий не входят, скачиваются `tools/fetch-ner-model.sh`. Сбой ступени её отключает и оставляет правила. Регион и район адреса размечаются только этой ступенью.
|
||||
|
||||
**Безопасный отказ.** При внутренней ошибке наружу уходит фиксированная строка `[обработка недоступна]`, а не исходный текст. В журнал пишутся идентификатор, длина и счётчики типов; значения персональных данных не пишутся.
|
||||
|
||||
**Хранилище.** Исходный текст шифруется AES-GCM. Запись живёт ограниченное время и вытесняется по объёму. Демаскирование возможно по `payload_id` и по отпечатку маски. Повтор того же исходного текста с тем же идентификатором возвращает прежнюю маску. Общий слой Redis включается настройкой `pdguard.store.backend=redis` и при серии сбоев на время перестаёт опрашиваться, не роняя запрос.
|
||||
|
||||
**Демонстрация модели.** `POST /proxy` показывает замаскированный запрос, ответ модели и восстановленный текст. Без адреса модели работает заглушка; ошибка модели тоже сводится к заглушке.
|
||||
|
||||
**Наблюдаемость.** Пробы `/health` и `/actuator/health`, метрики Micrometer и Prometheus, готовые Prometheus и Grafana. Гистограмма `pdguard.process` размечена корзинами до 10 с, на дашборде видна доля ответов быстрее 0,5 с. Веб-страница `http://localhost:8080/` гоняет три режима маскирования без отдельного клиента.
|
||||
|
||||
**Прогрев и предел нагрузки.** Прогрев JIT на старте и адаптивный лимитер конкурентности с ответом `429`, чтобы задержка не упиралась в таймаут вызывающей стороны.
|
||||
@@ -1,41 +0,0 @@
|
||||
# Ограничения решения и план развития
|
||||
|
||||
Ограничения ниже относятся к поставке, с которой работает жюри: один процесс, правила без моделей, файл `config/systems.json`, ключ шифрования из `application.yml`.
|
||||
|
||||
## Ограничения
|
||||
|
||||
**Состояние демаскирования не переживает процесс.** Соответствия лежат в памяти узла, не дольше 30 минут и не больше заданного объёма символов. Перезапуск, вытеснение и истечение срока делают обратное преобразование невозможным: запрос обрабатывается как новое маскирование, счётчик `pdguard.demask.unresolved` увеличивается. Общий слой Redis в коде есть и включается `pdguard.store.backend=redis`, но в текущем `compose.yaml` его нет: поднят один узел.
|
||||
|
||||
**Демаскирование разрешено не всем системам и не из браузера.** В конфиге оно включено у `default` и `strict`. У `crm` и `analytics` выключено. Страница `http://localhost:8080/` каждый раз создаёт новый `payload_id`, поэтому с неё можно проверить только маскирование. Чужая система не читает чужое хранилище.
|
||||
|
||||
**Неизвестное имя системы получает политику `default`.** Отсекаются только явно выключенная система и неверный ключ. Ключ проверяется лишь там, где поле `key` заполнено; у систем в поставленном файле ключей нет.
|
||||
|
||||
**Административные методы открыты.** `GET /admin/config`, `GET /admin/types` и `POST /admin/reload` не требуют аутентификации. Для стенда хакатона это удобно, для контура с несколькими потребителями — нет.
|
||||
|
||||
**Ключ шифрования хранилища лежит в конфигурации приложения.** AES-GCM включён, но ключ записан в `application.yml`. Это демонстрационный ключ. В рабочем контуре его нужно задавать снаружи и не хранить в репозитории.
|
||||
|
||||
**Качество детекции держится на правилах и словарях.** Иностранные имена без русских словообразовательных признаков, нестандартные топонимы и составляющие адреса «регион» и «район» без второй ступени не размечаются. Юридические и банковские реквизиты в нетиповых формулировках (без якорного слова рядом) правила тоже пропускают — для них есть отдельная третья ступень (LLAIM Legal NER), но датасеты регрессии (`NodeLogsDatasetTest`, `PlacementVariantsTest`) её пока не включают и снятые в них пороги утечек её вклад не отражают. Модели в репозиторий не входят: без `tools/fetch-ner-model.sh` и включённых `pdguard.ner.*-engine` сервис остаётся на правилах. Сбой любой ступени отключает её до перезапуска, остальные продолжают работать.
|
||||
|
||||
**Часть типов маскируется только в контексте.** PIN, CVV, «голая» дата, место рождения, страна, банковские реквизиты организации, доход и слово о биометрии сами по себе не закрываются. Биометрия в тексте — это упоминание, а не шаблон из базы. Режим `MASK` по задумке оставляет края длинных номеров и инициалы ФИО; полностью закрывает режим `STRICT`.
|
||||
|
||||
**Синтетика покрывает не все типы.** Где своей подстановки нет, `SYNTHETIC` ставит токен вида `[TYPE_1]`.
|
||||
|
||||
**Журнал не является аудитом значений.** Пишутся идентификатор, длина и счётчики типов. Восстановить по журналу, что именно скрыто, нельзя — и отдельного аудита решений оператора тоже нет.
|
||||
|
||||
**Ответ модели — внешняя зависимость.** Пока `pdguard.llm.url` пуст, `POST /proxy` отвечает заглушкой. Ошибка живой модели тоже подменяется заглушкой, чтобы сбой модели не раскрывал исходный текст. Контракт `/process` от модели не зависит.
|
||||
|
||||
**Нагрузка измерена на коротких текстах и на правилах.** Прогон k6 использует систему `crm` и тексты в одну-две строки. Длинный документ и включённая модель этот профиль не описывают: модель вызывается точечно, но один вызов BERT — это уже десятки миллисекунд.
|
||||
|
||||
**Внутренняя ошибка выглядит как успешный ответ.** HTTP-код остаётся 200, тело — `[обработка недоступна]`. Так исходный текст не утекает и автоматический прогон не останавливается на серии ошибок. Отличить сбой от маски можно по этой фиксированной строке и по метрике `pdguard_requests_rejected_total{reason="internal_error"}`.
|
||||
|
||||
## План развития после хакатона
|
||||
|
||||
**Контур и секреты.** Вынести ключ шифрования и секреты систем в хранилище секретов. Закрыть `/admin` аутентификацией. Неизвестную систему отклонять, а не сажать на `default`. Включить Redis в поставку compose как общий слой соответствий и прогнать демаскирование через балансировщик.
|
||||
|
||||
**Детекция.** Поставлять модели второй и третьей ступеней отдельным артефактом со проверкой целостности и измеренным p95 на включённых ступенях. Включить третью ступень (Legal NER) в датасеты регрессии, чтобы её вклад в число утечек был виден и защищён порогом, а не только в ручных прогонах. Добавить типы документов, которых не хватает по отраслевому перечню, отдельными правилами в реестре — ядро и политики с `"*"` подхватят их без миграции. Расширить внешние словари (известные люди, денилист улиц) как файлы, которые перечитываются так же, как `config/systems.json`.
|
||||
|
||||
**Качество и нагрузка.** Закрепить в CI прогон размеченных наборов (precision/recall по типам) и сценарий k6 с порогом p95 ≤ 0,5 с при 1000 запросах/с на полном перечне типов, а не только на политике `crm`. Замерить длинные документы отдельно от коротких обращений.
|
||||
|
||||
**Наблюдаемость для эксплуатации.** Журнал решений без значений персональных данных в централизованный сбор. Алерты на рост `demask_unresolved`, на отказы по перегрузке и на выключение любой из ступеней распознавания. Срок хранения соответствий и потолок объёма сделать разными для систем.
|
||||
|
||||
**Интерфейс политики.** Страница проверки сейчас только маскирует. Следующий шаг — показать демаскирование тем же `payload_id` и дать править перечень типов и режим без ручного JSON, с тем же файлом `systems.json` под капотом.
|
||||
@@ -1,58 +0,0 @@
|
||||
import http from 'k6/http';
|
||||
import { check, sleep } from 'k6';
|
||||
import { Rate, Trend } from 'k6/metrics';
|
||||
|
||||
const BASE_URL = __ENV.BASE_URL || 'http://localhost:8080';
|
||||
|
||||
const payloads = [
|
||||
'Клиент Иванов Иван Иванович, паспорт 4509 123456, тел +7 916 123-45-67',
|
||||
'Заявление от И.И. Петрова, ИНН 770301234550, почта ivan.petrov@mail.ru',
|
||||
'Адрес: 125009, г. Москва, ул. Тверская, д. 7, кв. 15, карта 4111 1111 1111 1111',
|
||||
'Дата рождения 12.05.1985, место рождения: город Тверь, гражданство РФ',
|
||||
'Напиши краткое описание продукта для рассылки клиентам банка',
|
||||
];
|
||||
|
||||
const errorRate = new Rate('http_req_failed');
|
||||
const latency = new Trend('latency_ms', true);
|
||||
|
||||
export const options = {
|
||||
scenarios: {
|
||||
load: {
|
||||
executor: 'ramping-vus',
|
||||
startVUs: 0,
|
||||
stages: [
|
||||
{ duration: '30s', target: 500 },
|
||||
{ duration: '30s', target: 1000 },
|
||||
{ duration: '30s', target: 1500 },
|
||||
{ duration: '30s', target: 2000 },
|
||||
{ duration: '30s', target: 0 },
|
||||
],
|
||||
},
|
||||
},
|
||||
thresholds: {
|
||||
http_req_failed: ['rate<0.01'],
|
||||
http_req_duration: ['p(95)<200'],
|
||||
},
|
||||
};
|
||||
|
||||
export default function () {
|
||||
const body = JSON.stringify({
|
||||
payload: payloads[Math.floor(Math.random() * payloads.length)],
|
||||
payload_id: `k6-${__VU}-${__ITER}`,
|
||||
});
|
||||
|
||||
const res = http.post(`${BASE_URL}/process`, body, {
|
||||
headers: {
|
||||
'Content-Type': 'application/json',
|
||||
'X-System-Id': 'crm',
|
||||
},
|
||||
});
|
||||
|
||||
latency.add(res.timings.duration);
|
||||
check(res, {
|
||||
'status is 200': (r) => r.status === 200,
|
||||
'has result': (r) => r.json('result') !== undefined,
|
||||
});
|
||||
|
||||
sleep(0.1);
|
||||
}
|
||||
+58
@@ -0,0 +1,58 @@
|
||||
// Нагрузка парами «маскирование → демаскирование», как её подаёт проверяющая
|
||||
// система. Одна итерация — два запроса, поэтому rate задаётся вдвое меньше
|
||||
// целевого RPS.
|
||||
// k6 run -e RPS=1000 loadtest.js
|
||||
import http from 'k6/http';
|
||||
import { check } from 'k6';
|
||||
|
||||
const URL = __ENV.URL || 'http://localhost:8080/process';
|
||||
// Второй узел для обратного шага: так проверяется худший случай на кластере —
|
||||
// демаскирование всегда попадает не на тот узел, который маскировал.
|
||||
const URL_BACK = __ENV.URL_BACK || URL;
|
||||
const TARGET_RPS = Number(__ENV.RPS || 1000);
|
||||
const HEADERS = { headers: { 'Content-Type': 'application/json' } };
|
||||
|
||||
const PAYLOADS = [
|
||||
'Клиент Иванов Иван Иванович, паспорт 4509 123456 выдан ОУФМС России по г. Москве, дата рождения 12.05.1985',
|
||||
'Заявление от И.И. Петрова, ИНН 770301234550, адрес: 125009, г. Москва, ул. Тверская, д. 7, кв. 15',
|
||||
'Карта 4111 1111 1111 1111, держатель IVAN PETROV, CVV 123, пин-код 4321',
|
||||
'Свяжитесь: ivan.petrov@mail.ru или +7 (916) 123-45-67, гражданство РФ',
|
||||
'Загранпаспорт 75 1234567, водительское удостоверение 9902 123456, СНИЛС 112-233-445 95',
|
||||
'Напиши стихотворение в духе Александра Пушкина про осень',
|
||||
];
|
||||
|
||||
export const options = {
|
||||
scenarios: {
|
||||
pairs: {
|
||||
executor: 'constant-arrival-rate',
|
||||
rate: TARGET_RPS / 2,
|
||||
timeUnit: '1s',
|
||||
duration: __ENV.DURATION || '30s',
|
||||
preAllocatedVUs: 300,
|
||||
maxVUs: 2000,
|
||||
},
|
||||
},
|
||||
thresholds: {
|
||||
http_req_duration: ['p(95)<1000'],
|
||||
http_req_failed: ['rate<0.01'],
|
||||
checks: ['rate>0.99'],
|
||||
},
|
||||
};
|
||||
|
||||
export default function () {
|
||||
const id = `${__VU}-${__ITER}`;
|
||||
const original = PAYLOADS[__ITER % PAYLOADS.length];
|
||||
|
||||
const masked = http.post(URL, JSON.stringify({ payload: original, payload_id: id }), HEADERS);
|
||||
check(masked, { 'маскирование 200': (r) => r.status === 200 });
|
||||
if (masked.status !== 200) {
|
||||
return;
|
||||
}
|
||||
|
||||
const restored = http.post(URL_BACK,
|
||||
JSON.stringify({ payload: masked.json('result'), payload_id: id }), HEADERS);
|
||||
check(restored, {
|
||||
'демаскирование 200': (r) => r.status === 200,
|
||||
'исходный текст восстановлен': (r) => r.json('result') === original,
|
||||
});
|
||||
}
|
||||
Binary file not shown.
Binary file not shown.
File diff suppressed because it is too large
Load Diff
@@ -1,13 +0,0 @@
|
||||
apiVersion: 1
|
||||
|
||||
providers:
|
||||
- name: pd-guard
|
||||
orgId: 1
|
||||
folder: ""
|
||||
type: file
|
||||
disableDeletion: false
|
||||
updateIntervalSeconds: 10
|
||||
allowUiUpdates: true
|
||||
options:
|
||||
path: /var/lib/grafana/dashboards
|
||||
foldersFromFilesStructure: false
|
||||
@@ -1,11 +0,0 @@
|
||||
apiVersion: 1
|
||||
|
||||
datasources:
|
||||
- name: Prometheus
|
||||
uid: PDGUARD_PROM
|
||||
type: prometheus
|
||||
access: proxy
|
||||
url: http://prometheus:9090
|
||||
isDefault: true
|
||||
jsonData:
|
||||
timeInterval: 5s
|
||||
@@ -1,13 +0,0 @@
|
||||
# Сбор метрик модуля. Интервал короткий: прогоны нагрузки идут минутами, и на
|
||||
# пятнадцати секундах картина смазывается.
|
||||
global:
|
||||
scrape_interval: 5s
|
||||
evaluation_interval: 5s
|
||||
|
||||
scrape_configs:
|
||||
- job_name: pd-guard
|
||||
metrics_path: /actuator/prometheus
|
||||
static_configs:
|
||||
- targets: ["node-a:8080", "node-b:8080"]
|
||||
labels:
|
||||
instance: "кластер из двух узлов"
|
||||
@@ -1,4 +0,0 @@
|
||||
#!/bin/sh
|
||||
# Личный хакатон-проект: обходит корпоративный Nexus (mirrorOf=* в ~/.m2/settings.xml)
|
||||
# и тянет зависимости напрямую с Maven Central через settings.xml рядом с этим скриптом.
|
||||
exec mvn -s "$(dirname "$0")/settings.xml" "$@"
|
||||
@@ -1,17 +0,0 @@
|
||||
events {}
|
||||
|
||||
http {
|
||||
upstream pd_guard_cluster {
|
||||
server node-a:8080;
|
||||
server node-b:8080;
|
||||
}
|
||||
|
||||
server {
|
||||
listen 80;
|
||||
|
||||
location / {
|
||||
proxy_pass http://pd_guard_cluster;
|
||||
proxy_set_header Host $host;
|
||||
}
|
||||
}
|
||||
}
|
||||
@@ -4,62 +4,58 @@
|
||||
xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 https://maven.apache.org/xsd/maven-4.0.0.xsd">
|
||||
<modelVersion>4.0.0</modelVersion>
|
||||
|
||||
<parent>
|
||||
<groupId>org.springframework.boot</groupId>
|
||||
<artifactId>spring-boot-starter-parent</artifactId>
|
||||
<version>3.3.5</version>
|
||||
<relativePath/>
|
||||
</parent>
|
||||
|
||||
<groupId>ru.pdguard</groupId>
|
||||
<artifactId>pd-guard-spring</artifactId>
|
||||
<artifactId>pd-guard</artifactId>
|
||||
<version>1.0.0</version>
|
||||
<name>pd-guard-spring</name>
|
||||
<description>Модуль безопасности персональных данных — Spring Boot</description>
|
||||
|
||||
<properties>
|
||||
<java.version>21</java.version>
|
||||
<project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
|
||||
<onnxruntime.version>1.20.0</onnxruntime.version>
|
||||
<sonar.host.url>http://localhost:9000</sonar.host.url>
|
||||
<sonar.projectKey>pd-guard-spring</sonar.projectKey>
|
||||
<sonar.projectName>pd-guard-spring</sonar.projectName>
|
||||
<sonar.java.source>21</sonar.java.source>
|
||||
<sonar.java.target>21</sonar.java.target>
|
||||
<sonar.sources>src/main/java</sonar.sources>
|
||||
<sonar.tests>src/test/java</sonar.tests>
|
||||
<sonar.java.binaries>target/classes</sonar.java.binaries>
|
||||
<sonar.java.libraries>target/dependency/*.jar</sonar.java.libraries>
|
||||
<sonar.junit.reportsPath>target/surefire-reports</sonar.junit.reportsPath>
|
||||
<sonar.coverage.jacoco.xmlReportPaths>target/site/jacoco/jacoco.xml</sonar.coverage.jacoco.xmlReportPaths>
|
||||
<project.reporting.outputEncoding>UTF-8</project.reporting.outputEncoding>
|
||||
<maven.compiler.release>21</maven.compiler.release>
|
||||
<quarkus.platform.group-id>io.quarkus.platform</quarkus.platform.group-id>
|
||||
<quarkus.platform.artifact-id>quarkus-bom</quarkus.platform.artifact-id>
|
||||
<quarkus.platform.version>3.15.1</quarkus.platform.version>
|
||||
<surefire-plugin.version>3.2.5</surefire-plugin.version>
|
||||
</properties>
|
||||
|
||||
<dependencyManagement>
|
||||
<dependencies>
|
||||
<dependency>
|
||||
<groupId>${quarkus.platform.group-id}</groupId>
|
||||
<artifactId>${quarkus.platform.artifact-id}</artifactId>
|
||||
<version>${quarkus.platform.version}</version>
|
||||
<type>pom</type>
|
||||
<scope>import</scope>
|
||||
</dependency>
|
||||
</dependencies>
|
||||
</dependencyManagement>
|
||||
|
||||
<dependencies>
|
||||
<dependency>
|
||||
<groupId>org.springframework.boot</groupId>
|
||||
<artifactId>spring-boot-starter-web</artifactId>
|
||||
<groupId>io.quarkus</groupId>
|
||||
<artifactId>quarkus-rest-jackson</artifactId>
|
||||
</dependency>
|
||||
<dependency>
|
||||
<groupId>org.springframework.boot</groupId>
|
||||
<artifactId>spring-boot-starter-actuator</artifactId>
|
||||
<groupId>io.quarkus</groupId>
|
||||
<artifactId>quarkus-arc</artifactId>
|
||||
</dependency>
|
||||
<dependency>
|
||||
<groupId>io.micrometer</groupId>
|
||||
<artifactId>micrometer-registry-prometheus</artifactId>
|
||||
<groupId>io.quarkus</groupId>
|
||||
<artifactId>quarkus-micrometer-registry-prometheus</artifactId>
|
||||
</dependency>
|
||||
<dependency>
|
||||
<groupId>org.springframework.boot</groupId>
|
||||
<artifactId>spring-boot-starter-data-redis</artifactId>
|
||||
<groupId>io.quarkus</groupId>
|
||||
<artifactId>quarkus-redis-client</artifactId>
|
||||
</dependency>
|
||||
<dependency>
|
||||
<groupId>com.microsoft.onnxruntime</groupId>
|
||||
<artifactId>onnxruntime</artifactId>
|
||||
<version>${onnxruntime.version}</version>
|
||||
<groupId>org.apache.opennlp</groupId>
|
||||
<artifactId>opennlp-tools</artifactId>
|
||||
<version>2.5.4</version>
|
||||
</dependency>
|
||||
|
||||
<dependency>
|
||||
<groupId>org.springframework.boot</groupId>
|
||||
<artifactId>spring-boot-starter-test</artifactId>
|
||||
<groupId>io.quarkus</groupId>
|
||||
<artifactId>quarkus-junit5</artifactId>
|
||||
<scope>test</scope>
|
||||
</dependency>
|
||||
<dependency>
|
||||
@@ -72,33 +68,42 @@
|
||||
<build>
|
||||
<plugins>
|
||||
<plugin>
|
||||
<groupId>org.springframework.boot</groupId>
|
||||
<artifactId>spring-boot-maven-plugin</artifactId>
|
||||
</plugin>
|
||||
<plugin>
|
||||
<groupId>org.sonarsource.scanner.maven</groupId>
|
||||
<artifactId>sonar-maven-plugin</artifactId>
|
||||
<version>3.11.0.3922</version>
|
||||
</plugin>
|
||||
<plugin>
|
||||
<groupId>org.jacoco</groupId>
|
||||
<artifactId>jacoco-maven-plugin</artifactId>
|
||||
<version>0.8.12</version>
|
||||
<groupId>${quarkus.platform.group-id}</groupId>
|
||||
<artifactId>quarkus-maven-plugin</artifactId>
|
||||
<version>${quarkus.platform.version}</version>
|
||||
<extensions>true</extensions>
|
||||
<executions>
|
||||
<execution>
|
||||
<goals>
|
||||
<goal>prepare-agent</goal>
|
||||
</goals>
|
||||
</execution>
|
||||
<execution>
|
||||
<id>report</id>
|
||||
<phase>test</phase>
|
||||
<goals>
|
||||
<goal>report</goal>
|
||||
<goal>build</goal>
|
||||
<goal>generate-code</goal>
|
||||
<goal>generate-code-tests</goal>
|
||||
</goals>
|
||||
</execution>
|
||||
</executions>
|
||||
</plugin>
|
||||
<plugin>
|
||||
<artifactId>maven-surefire-plugin</artifactId>
|
||||
<version>${surefire-plugin.version}</version>
|
||||
<configuration>
|
||||
<systemPropertyVariables>
|
||||
<java.util.logging.manager>org.jboss.logmanager.LogManager</java.util.logging.manager>
|
||||
</systemPropertyVariables>
|
||||
</configuration>
|
||||
</plugin>
|
||||
</plugins>
|
||||
</build>
|
||||
</project>
|
||||
|
||||
<profiles>
|
||||
<profile>
|
||||
<id>native</id>
|
||||
<activation>
|
||||
<property><name>native</name></property>
|
||||
</activation>
|
||||
<properties>
|
||||
<quarkus.native.enabled>true</quarkus.native.enabled>
|
||||
<quarkus.package.jar.enabled>false</quarkus.package.jar.enabled>
|
||||
</properties>
|
||||
</profile>
|
||||
</profiles>
|
||||
</project>
|
||||
|
||||
@@ -1,8 +0,0 @@
|
||||
<?xml version="1.0" encoding="UTF-8"?>
|
||||
<settings xmlns="http://maven.apache.org/SETTINGS/1.0.0"
|
||||
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
|
||||
xsi:schemaLocation="http://maven.apache.org/SETTINGS/1.0.0
|
||||
https://maven.apache.org/xsd/settings-1.0.0.xsd">
|
||||
<!-- Личный хакатон-проект: без зеркала на корпоративный Nexus,
|
||||
зависимости идут напрямую с Maven Central. -->
|
||||
</settings>
|
||||
@@ -1,16 +0,0 @@
|
||||
# Основной вариант развёртывания: прогретая JVM вдвое экономнее native по процессору
|
||||
# и втрое быстрее по задержке. Холодное окно закрывает прогрев на старте.
|
||||
# mvn package && docker build -f src/main/docker/Dockerfile -t pd-guard-spring:jvm .
|
||||
FROM eclipse-temurin:21-jre
|
||||
WORKDIR /deployments
|
||||
|
||||
COPY --chown=1000:1000 target/pd-guard-spring-1.0.0.jar /deployments/app.jar
|
||||
COPY --chown=1000:1000 config /deployments/config
|
||||
|
||||
EXPOSE 8080
|
||||
USER 1000
|
||||
|
||||
ENV JAVA_OPTS="-Dspring.config.additional-location=optional:file:/deployments/config/"
|
||||
ENV PDGUARD_SYSTEMS_FILE=/deployments/config/systems.json
|
||||
|
||||
ENTRYPOINT ["sh", "-c", "java $JAVA_OPTS -jar /deployments/app.jar"]
|
||||
@@ -1,26 +0,0 @@
|
||||
# Вариант для тех, у кого нет локально Java 21 + Maven: собирает jar внутри
|
||||
# Docker, без ./mvnc на хосте. Основной путь развёртывания — src/main/docker/Dockerfile
|
||||
# с заранее собранным `mvn package` (вдвое быстрее пересборки образа при правках).
|
||||
# docker build -f src/main/docker/Dockerfile.build -t pd-guard-spring:jvm .
|
||||
FROM maven:3.9-eclipse-temurin-21 AS build
|
||||
WORKDIR /build
|
||||
|
||||
COPY pom.xml settings.xml ./
|
||||
RUN mvn -s settings.xml -B dependency:go-offline
|
||||
|
||||
COPY src ./src
|
||||
RUN mvn -s settings.xml -B package -DskipTests
|
||||
|
||||
FROM eclipse-temurin:21-jre
|
||||
WORKDIR /deployments
|
||||
|
||||
COPY --from=build --chown=1000:1000 /build/target/pd-guard-spring-1.0.0.jar /deployments/app.jar
|
||||
COPY --chown=1000:1000 config /deployments/config
|
||||
|
||||
EXPOSE 8080
|
||||
USER 1000
|
||||
|
||||
ENV JAVA_OPTS="-Dspring.config.additional-location=optional:file:/deployments/config/"
|
||||
ENV PDGUARD_SYSTEMS_FILE=/deployments/config/systems.json
|
||||
|
||||
ENTRYPOINT ["sh", "-c", "java $JAVA_OPTS -jar /deployments/app.jar"]
|
||||
@@ -0,0 +1,19 @@
|
||||
# Запасной вариант: тот же сервис на JVM, без сборки native.
|
||||
# mvn package && docker build -f src/main/docker/Dockerfile.jvm -t pd-guard:jvm .
|
||||
FROM registry.access.redhat.com/ubi9/openjdk-21-runtime:1.20
|
||||
WORKDIR /deployments
|
||||
|
||||
COPY --chown=185 target/quarkus-app/lib/ /deployments/lib/
|
||||
COPY --chown=185 target/quarkus-app/*.jar /deployments/
|
||||
COPY --chown=185 target/quarkus-app/app/ /deployments/app/
|
||||
COPY --chown=185 target/quarkus-app/quarkus/ /deployments/quarkus/
|
||||
COPY --chown=185 config /deployments/config
|
||||
|
||||
EXPOSE 8080
|
||||
USER 185
|
||||
|
||||
# Сборщик мусора и размер кучи настраивает сам базовый образ; добавлять сюда
|
||||
# -XX:+UseZGC нельзя — образ уже включает ParallelGC, и JVM не стартует с двумя.
|
||||
ENV JAVA_OPTS_APPEND="-Dquarkus.http.host=0.0.0.0"
|
||||
ENV JAVA_APP_JAR="/deployments/quarkus-run.jar"
|
||||
ENV PDGUARD_SYSTEMS_FILE=/deployments/config/systems.json
|
||||
@@ -0,0 +1,15 @@
|
||||
# Сборка образа с native-исполняемым файлом.
|
||||
# mvn package -Dnative -Dquarkus.native.container-build=true
|
||||
# docker build -f src/main/docker/Dockerfile.native -t pd-guard .
|
||||
FROM quay.io/quarkus/quarkus-micro-image:2.0
|
||||
WORKDIR /work
|
||||
|
||||
COPY --chown=1001:root target/*-runner /work/application
|
||||
COPY --chown=1001:root config /work/config
|
||||
|
||||
EXPOSE 8080
|
||||
USER 1001
|
||||
|
||||
ENV PDGUARD_SYSTEMS_FILE=/work/config/systems.json
|
||||
|
||||
ENTRYPOINT ["./application", "-Dquarkus.http.host=0.0.0.0"]
|
||||
@@ -1,18 +0,0 @@
|
||||
package ru.pdguard;
|
||||
|
||||
import org.springframework.boot.SpringApplication;
|
||||
import org.springframework.boot.autoconfigure.SpringBootApplication;
|
||||
|
||||
/**
|
||||
* Точка входа Spring Boot приложения.
|
||||
*
|
||||
* <p>Модуль безопасности персональных данных: прокси между системой-потребителем и LLM. Находит
|
||||
* персональные данные, маскирует их и восстанавливает исходный текст на обратном шаге.
|
||||
*/
|
||||
@SpringBootApplication
|
||||
public class PdGuardApplication {
|
||||
|
||||
public static void main(String[] args) {
|
||||
SpringApplication.run(PdGuardApplication.class, args);
|
||||
}
|
||||
}
|
||||
@@ -1,39 +1,48 @@
|
||||
package ru.pdguard.api;
|
||||
|
||||
import java.util.List;
|
||||
import java.util.Map;
|
||||
import org.springframework.web.bind.annotation.GetMapping;
|
||||
import org.springframework.web.bind.annotation.PostMapping;
|
||||
import org.springframework.web.bind.annotation.RestController;
|
||||
import jakarta.ws.rs.GET;
|
||||
import jakarta.ws.rs.POST;
|
||||
import jakarta.ws.rs.Path;
|
||||
import jakarta.ws.rs.Produces;
|
||||
import jakarta.ws.rs.core.MediaType;
|
||||
import ru.pdguard.config.SystemPolicy;
|
||||
import ru.pdguard.config.SystemsConfig;
|
||||
import ru.pdguard.detect.RuleRegistry;
|
||||
|
||||
import java.util.List;
|
||||
import java.util.Map;
|
||||
|
||||
/** Просмотр действующих настроек и принудительное их перечитывание. */
|
||||
@RestController
|
||||
@Path("/admin")
|
||||
public class AdminResource {
|
||||
|
||||
private final SystemsConfig systems;
|
||||
private final RuleRegistry registry;
|
||||
private final SystemsConfig systems;
|
||||
private final RuleRegistry registry;
|
||||
|
||||
public AdminResource(SystemsConfig systems, RuleRegistry registry) {
|
||||
this.systems = systems;
|
||||
this.registry = registry;
|
||||
}
|
||||
public AdminResource(SystemsConfig systems, RuleRegistry registry) {
|
||||
this.systems = systems;
|
||||
this.registry = registry;
|
||||
}
|
||||
|
||||
@GetMapping("/admin/config")
|
||||
public Map<String, SystemPolicy> config() {
|
||||
return systems.current();
|
||||
}
|
||||
@GET
|
||||
@Path("/config")
|
||||
@Produces(MediaType.APPLICATION_JSON)
|
||||
public Map<String, SystemPolicy> config() {
|
||||
return systems.current();
|
||||
}
|
||||
|
||||
@GetMapping("/admin/types")
|
||||
public List<String> types() {
|
||||
return registry.knownTypes();
|
||||
}
|
||||
@GET
|
||||
@Path("/types")
|
||||
@Produces(MediaType.APPLICATION_JSON)
|
||||
public List<String> types() {
|
||||
return registry.knownTypes();
|
||||
}
|
||||
|
||||
@PostMapping("/admin/reload")
|
||||
public Map<String, SystemPolicy> reload() {
|
||||
systems.reload();
|
||||
return systems.current();
|
||||
}
|
||||
@POST
|
||||
@Path("/reload")
|
||||
@Produces(MediaType.APPLICATION_JSON)
|
||||
public Map<String, SystemPolicy> reload() {
|
||||
systems.reload();
|
||||
return systems.current();
|
||||
}
|
||||
}
|
||||
|
||||
@@ -1,14 +1,17 @@
|
||||
package ru.pdguard.api;
|
||||
|
||||
import org.springframework.web.bind.annotation.GetMapping;
|
||||
import org.springframework.web.bind.annotation.RestController;
|
||||
import jakarta.ws.rs.GET;
|
||||
import jakarta.ws.rs.Path;
|
||||
import jakarta.ws.rs.Produces;
|
||||
import jakarta.ws.rs.core.MediaType;
|
||||
|
||||
/** Проба готовности для балансировщика и проверяющей системы. */
|
||||
@RestController
|
||||
@Path("/health")
|
||||
public class HealthResource {
|
||||
|
||||
@GetMapping("/health")
|
||||
public String health() {
|
||||
return "OK";
|
||||
}
|
||||
@GET
|
||||
@Produces(MediaType.TEXT_PLAIN)
|
||||
public String health() {
|
||||
return "OK";
|
||||
}
|
||||
}
|
||||
|
||||
@@ -3,134 +3,112 @@ package ru.pdguard.api;
|
||||
import com.fasterxml.jackson.annotation.JsonProperty;
|
||||
import io.micrometer.core.instrument.Counter;
|
||||
import io.micrometer.core.instrument.MeterRegistry;
|
||||
import org.slf4j.Logger;
|
||||
import org.slf4j.LoggerFactory;
|
||||
import org.springframework.beans.factory.annotation.Value;
|
||||
import org.springframework.http.HttpStatus;
|
||||
import org.springframework.http.ResponseEntity;
|
||||
import org.springframework.web.bind.annotation.PostMapping;
|
||||
import org.springframework.web.bind.annotation.RequestBody;
|
||||
import org.springframework.web.bind.annotation.RequestHeader;
|
||||
import org.springframework.web.bind.annotation.RestController;
|
||||
import io.smallrye.common.annotation.Blocking;
|
||||
import jakarta.ws.rs.Consumes;
|
||||
import jakarta.ws.rs.HeaderParam;
|
||||
import jakarta.ws.rs.POST;
|
||||
import jakarta.ws.rs.Path;
|
||||
import jakarta.ws.rs.Produces;
|
||||
import jakarta.ws.rs.core.MediaType;
|
||||
import jakarta.ws.rs.core.Response;
|
||||
import org.eclipse.microprofile.config.inject.ConfigProperty;
|
||||
import org.jboss.logging.Logger;
|
||||
import ru.pdguard.config.SystemPolicy;
|
||||
import ru.pdguard.config.SystemsConfig;
|
||||
import ru.pdguard.core.AdaptiveConcurrencyLimiter;
|
||||
import ru.pdguard.core.Pipeline;
|
||||
|
||||
/**
|
||||
* Единственная точка входа контракта: маскирование и демаскирование по {@code payload_id}.
|
||||
* Единственная точка входа контракта: маскирование и демаскирование по
|
||||
* {@code payload_id}.
|
||||
*
|
||||
* <p>Система-потребитель называет себя заголовком {@code X-System-Id}. Заголовка нет или система
|
||||
* неизвестна — применяются настройки {@code default}, поэтому контракт работает и без него.
|
||||
* Система, выключенная в настройках, получает {@code 403}.
|
||||
* <p>Система-потребитель называет себя заголовком {@code X-System-Id}. Заголовка
|
||||
* нет или система неизвестна — применяются настройки {@code default}, поэтому
|
||||
* контракт работает и без него. Система, выключенная в настройках, получает
|
||||
* {@code 403}.
|
||||
*
|
||||
* <p>При перегрузке отвечает {@code 429} с {@code Retry-After}. Порог перегрузки — не фиксированное
|
||||
* число запросов, а задержка обработки: {@link AdaptiveConcurrencyLimiter} сам находит потолок
|
||||
* конкурентности под то, сколько CPU реально досталось контейнеру, вместо того чтобы копить запросы
|
||||
* и упереться в таймаут вызывающей стороны.
|
||||
* <p>При перегрузке отвечает {@code 429} с {@code Retry-After}. Порог перегрузки —
|
||||
* не фиксированное число запросов, а задержка обработки: {@link AdaptiveConcurrencyLimiter}
|
||||
* сам находит потолок конкурентности под то, сколько CPU реально досталось контейнеру,
|
||||
* вместо того чтобы копить запросы и упереться в таймаут вызывающей стороны.
|
||||
*/
|
||||
@RestController
|
||||
@Path("/process")
|
||||
public class ProcessResource {
|
||||
|
||||
private static final Logger LOG = LoggerFactory.getLogger(ProcessResource.class);
|
||||
private static final Logger LOG = Logger.getLogger(ProcessResource.class);
|
||||
|
||||
/** Заголовок, которым система-потребитель себя называет. */
|
||||
public static final String SYSTEM_HEADER = "X-System-Id";
|
||||
/** Заголовок, которым система-потребитель себя называет. */
|
||||
public static final String SYSTEM_HEADER = "X-System-Id";
|
||||
|
||||
/** Общий секрет системы. Проверяется, только если он задан в настройках. */
|
||||
public static final String KEY_HEADER = "X-System-Key";
|
||||
|
||||
/** Имя метрики отклонённых запросов и имя её метки причины. */
|
||||
private static final String REJECTED_METRIC = "pdguard.requests.rejected";
|
||||
|
||||
private static final String REASON_TAG = "reason";
|
||||
|
||||
/**
|
||||
* Что отдаётся при внутреннем сбое. Ни одного знака из запроса: сбой на прямом шаге иначе
|
||||
* выпустил бы наружу незамаскированные персональные данные.
|
||||
*/
|
||||
static final String PROCESSING_UNAVAILABLE = "[обработка недоступна]";
|
||||
|
||||
public record ProcessRequest(
|
||||
@JsonProperty("payload") String payload, @JsonProperty("payload_id") String payloadId) {}
|
||||
|
||||
public record ProcessResponse(@JsonProperty("result") String result) {}
|
||||
|
||||
private final Pipeline pipeline;
|
||||
private final SystemsConfig systems;
|
||||
private final AdaptiveConcurrencyLimiter limiter;
|
||||
private final Counter rejected;
|
||||
private final Counter malformed;
|
||||
private final Counter forbidden;
|
||||
private final Counter failed;
|
||||
|
||||
public ProcessResource(
|
||||
Pipeline pipeline,
|
||||
SystemsConfig systems,
|
||||
MeterRegistry meters,
|
||||
@Value("${pdguard.min-concurrent:8}") int minConcurrent,
|
||||
@Value("${pdguard.max-concurrent:2000}") int maxConcurrent,
|
||||
@Value("${pdguard.target-latency-ms:200}") long targetLatencyMillis) {
|
||||
this.pipeline = pipeline;
|
||||
this.systems = systems;
|
||||
this.limiter =
|
||||
new AdaptiveConcurrencyLimiter(minConcurrent, maxConcurrent, targetLatencyMillis);
|
||||
this.rejected = meters.counter(REJECTED_METRIC, REASON_TAG, "overload");
|
||||
this.malformed = meters.counter(REJECTED_METRIC, REASON_TAG, "malformed");
|
||||
this.forbidden = meters.counter(REJECTED_METRIC, REASON_TAG, "system_disabled");
|
||||
this.failed = meters.counter(REJECTED_METRIC, REASON_TAG, "internal_error");
|
||||
meters.gauge("pdguard.concurrency.limit", limiter, AdaptiveConcurrencyLimiter::limit);
|
||||
meters.gauge("pdguard.concurrency.in.flight", limiter, AdaptiveConcurrencyLimiter::inFlight);
|
||||
}
|
||||
|
||||
@PostMapping("/process")
|
||||
public ResponseEntity<ProcessResponse> process(
|
||||
@RequestBody(required = false) ProcessRequest request,
|
||||
@RequestHeader(value = SYSTEM_HEADER, required = false) String systemId,
|
||||
@RequestHeader(value = KEY_HEADER, required = false) String systemKey) {
|
||||
if (request == null
|
||||
|| request.payload() == null
|
||||
|| request.payloadId() == null
|
||||
|| request.payloadId().isBlank()) {
|
||||
malformed.increment();
|
||||
return ResponseEntity.badRequest()
|
||||
.body(new ProcessResponse("payload и payload_id обязательны"));
|
||||
public record ProcessRequest(
|
||||
@JsonProperty("payload") String payload,
|
||||
@JsonProperty("payload_id") String payloadId) {
|
||||
}
|
||||
|
||||
SystemPolicy policy = systems.policyFor(systemId);
|
||||
if (!policy.accepts(systemKey)) {
|
||||
forbidden.increment();
|
||||
LOG.warn("Системе {} отказано: неверный ключ", systemId);
|
||||
return ResponseEntity.status(HttpStatus.FORBIDDEN)
|
||||
.body(new ProcessResponse("Неверный ключ системы"));
|
||||
}
|
||||
if (!policy.enabled()) {
|
||||
forbidden.increment();
|
||||
LOG.warn("Системе {} обращение в модуль запрещено настройками", systemId);
|
||||
return ResponseEntity.status(HttpStatus.FORBIDDEN)
|
||||
.body(new ProcessResponse("Системе " + systemId + " обращение в модуль запрещено"));
|
||||
public record ProcessResponse(@JsonProperty("result") String result) {
|
||||
}
|
||||
|
||||
if (!limiter.tryAcquire()) {
|
||||
rejected.increment();
|
||||
return ResponseEntity.status(429).header("Retry-After", "1").build();
|
||||
private final Pipeline pipeline;
|
||||
private final SystemsConfig systems;
|
||||
private final AdaptiveConcurrencyLimiter limiter;
|
||||
private final Counter rejected;
|
||||
private final Counter malformed;
|
||||
private final Counter forbidden;
|
||||
|
||||
public ProcessResource(Pipeline pipeline, SystemsConfig systems, MeterRegistry meters,
|
||||
@ConfigProperty(name = "pdguard.min-concurrent", defaultValue = "8")
|
||||
int minConcurrent,
|
||||
@ConfigProperty(name = "pdguard.max-concurrent", defaultValue = "2000")
|
||||
int maxConcurrent,
|
||||
@ConfigProperty(name = "pdguard.target-latency-ms", defaultValue = "200")
|
||||
long targetLatencyMillis) {
|
||||
this.pipeline = pipeline;
|
||||
this.systems = systems;
|
||||
this.limiter = new AdaptiveConcurrencyLimiter(minConcurrent, maxConcurrent, targetLatencyMillis);
|
||||
this.rejected = meters.counter("pdguard.requests.rejected", "reason", "overload");
|
||||
this.malformed = meters.counter("pdguard.requests.rejected", "reason", "malformed");
|
||||
this.forbidden = meters.counter("pdguard.requests.rejected", "reason", "system_disabled");
|
||||
meters.gauge("pdguard.concurrency.limit", limiter, AdaptiveConcurrencyLimiter::limit);
|
||||
}
|
||||
long started = System.nanoTime();
|
||||
try {
|
||||
String result = pipeline.process(request.payload(), request.payloadId(), policy);
|
||||
return ResponseEntity.ok(new ProcessResponse(result));
|
||||
} catch (RuntimeException e) {
|
||||
// Ни 5xx, ни исходный текст. Пять подряд невалидных ответов останавливают
|
||||
// прогон, поэтому код остаётся 200 — но возвращать при сбое сам payload
|
||||
// нельзя: на прямом шаге наружу ушли бы незамаскированные ПД, ровно то,
|
||||
// ради чего сервис и существует. Ответ фиксированный: он ничего не
|
||||
// раскрывает и не выглядит порчей данных.
|
||||
failed.increment();
|
||||
LOG.error(
|
||||
"payload_id={} обработка не удалась, отдан безопасный ответ", request.payloadId(), e);
|
||||
return ResponseEntity.ok(new ProcessResponse(PROCESSING_UNAVAILABLE));
|
||||
} finally {
|
||||
limiter.release(System.nanoTime() - started);
|
||||
|
||||
@POST
|
||||
@Consumes(MediaType.APPLICATION_JSON)
|
||||
@Produces(MediaType.APPLICATION_JSON)
|
||||
@Blocking
|
||||
public Response process(ProcessRequest request, @HeaderParam(SYSTEM_HEADER) String systemId) {
|
||||
if (request == null || request.payload() == null
|
||||
|| request.payloadId() == null || request.payloadId().isBlank()) {
|
||||
malformed.increment();
|
||||
return Response.status(Response.Status.BAD_REQUEST)
|
||||
.entity(new ProcessResponse("payload и payload_id обязательны"))
|
||||
.build();
|
||||
}
|
||||
|
||||
SystemPolicy policy = systems.policyFor(systemId);
|
||||
if (!policy.enabled()) {
|
||||
forbidden.increment();
|
||||
LOG.warnf("Системе %s обращение в модуль запрещено настройками", systemId);
|
||||
return Response.status(Response.Status.FORBIDDEN)
|
||||
.entity(new ProcessResponse("Системе " + systemId + " обращение в модуль запрещено"))
|
||||
.build();
|
||||
}
|
||||
|
||||
if (!limiter.tryAcquire()) {
|
||||
rejected.increment();
|
||||
return Response.status(429).header("Retry-After", "1").build();
|
||||
}
|
||||
long started = System.nanoTime();
|
||||
try {
|
||||
String result = pipeline.process(request.payload(), request.payloadId(), policy);
|
||||
return Response.ok(new ProcessResponse(result)).build();
|
||||
} catch (RuntimeException e) {
|
||||
// Пять подряд невалидных ответов останавливают проверку, поэтому при
|
||||
// внутреннем сбое возвращаем текст без изменений, а не 5xx.
|
||||
LOG.errorf(e, "payload_id=%s обработка не удалась, текст возвращён без изменений",
|
||||
request.payloadId());
|
||||
return Response.ok(new ProcessResponse(request.payload())).build();
|
||||
} finally {
|
||||
limiter.release(System.nanoTime() - started);
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
||||
@@ -1,115 +0,0 @@
|
||||
package ru.pdguard.api;
|
||||
|
||||
import com.fasterxml.jackson.annotation.JsonProperty;
|
||||
import java.util.Map;
|
||||
import org.slf4j.Logger;
|
||||
import org.slf4j.LoggerFactory;
|
||||
import org.springframework.http.HttpStatus;
|
||||
import org.springframework.http.ResponseEntity;
|
||||
import org.springframework.web.bind.annotation.PostMapping;
|
||||
import org.springframework.web.bind.annotation.RequestBody;
|
||||
import org.springframework.web.bind.annotation.RequestHeader;
|
||||
import org.springframework.web.bind.annotation.RestController;
|
||||
import ru.pdguard.config.SystemPolicy;
|
||||
import ru.pdguard.config.SystemsConfig;
|
||||
import ru.pdguard.core.LlmClient;
|
||||
import ru.pdguard.core.Pipeline;
|
||||
|
||||
/**
|
||||
* Демонстрационное плечо к языковой модели: показывает всю цепочку целиком.
|
||||
*
|
||||
* <pre>
|
||||
* потребитель → маскирование → LLM → демаскирование → потребитель
|
||||
* </pre>
|
||||
*
|
||||
* <p>В ответе видны все три текста — что ушло в модель, что она вернула и что получил потребитель.
|
||||
* Это и есть доказательство, что в модель не попало ничего незамаскированного, а ответ вернулся с
|
||||
* восстановленными значениями.
|
||||
*
|
||||
* <p>Ответ модели — другой текст, а не тот же самый, поэтому восстановить его по идентификатору
|
||||
* целиком нельзя: замена идёт пофрагментно. Звёздочки для этого не годятся — одна и та же маска
|
||||
* отвечала бы разным значениям, — поэтому здесь всегда применяется обратимая подстановка,
|
||||
* независимо от режима маскирования системы.
|
||||
*
|
||||
* <p>Контракт проверяющей системы это плечо не затрагивает: он живёт в {@link ProcessResource}.
|
||||
*/
|
||||
@RestController
|
||||
public class ProxyResource {
|
||||
|
||||
private static final Logger LOG = LoggerFactory.getLogger(ProxyResource.class);
|
||||
|
||||
public record ProxyRequest(@JsonProperty("prompt") String prompt) {}
|
||||
|
||||
public record ProxyResponse(
|
||||
@JsonProperty("prompt_masked") String promptMasked,
|
||||
@JsonProperty("llm_response_masked") String llmResponseMasked,
|
||||
@JsonProperty("response") String response,
|
||||
@JsonProperty("replaced") Map<String, String> replaced,
|
||||
@JsonProperty("llm") String llm,
|
||||
@JsonProperty("error") String error) {
|
||||
public ProxyResponse {
|
||||
replaced = replaced == null ? null : Map.copyOf(replaced);
|
||||
}
|
||||
}
|
||||
|
||||
private final Pipeline pipeline;
|
||||
private final SystemsConfig systems;
|
||||
private final LlmClient llm;
|
||||
|
||||
public ProxyResource(Pipeline pipeline, SystemsConfig systems, LlmClient llm) {
|
||||
this.pipeline = pipeline;
|
||||
this.systems = systems;
|
||||
this.llm = llm;
|
||||
}
|
||||
|
||||
@PostMapping("/proxy")
|
||||
public ResponseEntity<ProxyResponse> proxy(
|
||||
@RequestBody(required = false) ProxyRequest request,
|
||||
@RequestHeader(value = ProcessResource.SYSTEM_HEADER, required = false) String systemId,
|
||||
@RequestHeader(value = ProcessResource.KEY_HEADER, required = false) String systemKey) {
|
||||
if (request == null || request.prompt() == null || request.prompt().isBlank()) {
|
||||
return ResponseEntity.badRequest()
|
||||
.body(new ProxyResponse(null, null, null, null, null, "поле prompt обязательно"));
|
||||
}
|
||||
|
||||
SystemPolicy policy = systems.policyFor(systemId);
|
||||
if (!policy.accepts(systemKey)) {
|
||||
return ResponseEntity.status(HttpStatus.FORBIDDEN)
|
||||
.body(new ProxyResponse(null, null, null, null, null, "Неверный ключ системы"));
|
||||
}
|
||||
if (!policy.enabled()) {
|
||||
return ResponseEntity.status(HttpStatus.FORBIDDEN)
|
||||
.body(
|
||||
new ProxyResponse(
|
||||
null,
|
||||
null,
|
||||
null,
|
||||
null,
|
||||
null,
|
||||
"Системе " + systemId + " обращение в модуль запрещено"));
|
||||
}
|
||||
|
||||
Pipeline.Masked masked = pipeline.maskWithRestorations(request.prompt(), policy);
|
||||
LlmClient.Answer answer = llm.ask(masked.text());
|
||||
String restored =
|
||||
policy.demask() ? restore(answer.text(), masked.restorations()) : answer.text();
|
||||
|
||||
LOG.info(
|
||||
"proxy: система={} заменено={} модель={}",
|
||||
policy.name(),
|
||||
masked.restorations().size(),
|
||||
answer.source());
|
||||
return ResponseEntity.ok(
|
||||
new ProxyResponse(
|
||||
masked.text(), answer.text(), restored, masked.restorations(), answer.source(), null));
|
||||
}
|
||||
|
||||
/** Возвращает исходные значения на место подстановок в ответе модели. */
|
||||
private static String restore(String text, Map<String, String> restorations) {
|
||||
String result = text;
|
||||
for (Map.Entry<String, String> entry : restorations.entrySet()) {
|
||||
result = result.replace(entry.getKey(), entry.getValue());
|
||||
}
|
||||
return result;
|
||||
}
|
||||
}
|
||||
@@ -1,24 +0,0 @@
|
||||
package ru.pdguard.config;
|
||||
|
||||
import org.springframework.beans.factory.annotation.Value;
|
||||
import org.springframework.context.annotation.Bean;
|
||||
import org.springframework.context.annotation.Configuration;
|
||||
import ru.pdguard.detect.NameDictionary;
|
||||
|
||||
/**
|
||||
* Конфигурация словарей распознавания ФИО.
|
||||
*
|
||||
* <p>{@link NameDictionary} работает через статические методы и не требует экземпляра, но путь к
|
||||
* внешнему файлу денилиста задаётся из настроек при старте. Бин здесь нужен только для того, чтобы
|
||||
* Spring подставил значение {@code pdguard.well-known-file} и передал его словарю.
|
||||
*/
|
||||
@Configuration
|
||||
public class DictionaryConfiguration {
|
||||
|
||||
@Bean
|
||||
public NameDictionary nameDictionary(
|
||||
@Value("${pdguard.well-known-file:config/well-known.txt}") String wellKnownFile) {
|
||||
NameDictionary.configure(wellKnownFile);
|
||||
return NameDictionary.create();
|
||||
}
|
||||
}
|
||||
@@ -1,96 +1,47 @@
|
||||
package ru.pdguard.config;
|
||||
|
||||
import java.util.Set;
|
||||
import ru.pdguard.detect.PdTypes;
|
||||
import ru.pdguard.mask.MaskMode;
|
||||
|
||||
import java.util.Set;
|
||||
|
||||
/**
|
||||
* Правила обработки для одной системы-потребителя.
|
||||
*
|
||||
* @param name имя системы; им же разделяется хранилище соответствий, чтобы одна система не могла
|
||||
* достать данные другой
|
||||
* @param enabled разрешено ли системе обращаться в модуль
|
||||
* @param demask выполняется ли для системы обратное преобразование
|
||||
* @param maskMode вид замены: звёздочки, токен или синтетическое значение
|
||||
* @param types типы ПД к маскированию; {@code "*"} — все известные
|
||||
* @param key общий секрет системы; задан — заголовок {@code X-System-Key} обязан совпасть, иначе
|
||||
* имя системы можно было бы просто назвать. Только знаки ASCII: заголовки HTTP передаются в
|
||||
* Latin-1, и кириллица в ключе до сервиса доедет искажённой
|
||||
* @param requireCompanion типы, которые маскируются только вместе с ПД другого типа: пин-код сам по
|
||||
* себе безвреден, пин-код рядом с номером карты — уже нет; то же для даты без якорного слова,
|
||||
* места рождения («Нижний Новгород» в рассказе о городе — не адрес клиента) и страны («цены
|
||||
* выросли в Казахстане» — не гражданство). Сюда же банковские реквизиты — счёт, БИК, ОГРН,
|
||||
* ОГРНИП, КПП: сами по себе они опознают организацию или счёт, а не человека, и в перечне типов
|
||||
* из задания их нет. Рядом с именем клиента они становятся его данными и маскируются. Сюда же
|
||||
* доход и биометрия. Сумма заработка без человека — статистика («доход домохозяйств вырос до 74
|
||||
* 500 руб»), а не персональные данные. Биометрия же в тексте не встречается вовсе: это шаблон в
|
||||
* базе, и правило маскирует лишь само упоминание, то есть слово, а не данные. Чувствителен
|
||||
* здесь факт, что биометрию сдал названный человек, — а он и существует только при имени рядом
|
||||
* @param enabled разрешено ли системе обращаться в модуль
|
||||
* @param demask выполняется ли для системы обратное преобразование
|
||||
* @param maskMode вид замены: звёздочки, токен или синтетическое значение
|
||||
* @param types типы ПД к маскированию; {@code "*"} — все известные
|
||||
* @param requireCompanion типы, которые маскируются только вместе с ПД другого типа:
|
||||
* пин-код сам по себе безвреден, пин-код рядом с номером
|
||||
* карты — уже нет; то же для даты без якорного слова, места
|
||||
* рождения («Нижний Новгород» в рассказе о городе — не адрес
|
||||
* клиента) и страны («цены выросли в Казахстане» — не гражданство)
|
||||
*/
|
||||
public record SystemPolicy(
|
||||
String name,
|
||||
boolean enabled,
|
||||
boolean demask,
|
||||
MaskMode maskMode,
|
||||
Set<String> types,
|
||||
Set<String> requireCompanion,
|
||||
String key) {
|
||||
public record SystemPolicy(boolean enabled, boolean demask, MaskMode maskMode,
|
||||
Set<String> types, Set<String> requireCompanion) {
|
||||
|
||||
public static final String ALL = "*";
|
||||
public static final String ALL = "*";
|
||||
|
||||
/** Имя политики по умолчанию; оно же разделяет хранилище для запросов без заголовка. */
|
||||
public static final String DEFAULT_NAME = "default";
|
||||
/** Политика по умолчанию: маскируем всё, что умеем, обратное преобразование включено. */
|
||||
public static final SystemPolicy DEFAULT = new SystemPolicy(
|
||||
true, true, MaskMode.MASK, Set.of(ALL),
|
||||
Set.of("CVV", "PIN", "DATE", "BIRTH_PLACE", "ADDRESS_COUNTRY"));
|
||||
|
||||
/** Политика по умолчанию: маскируем всё, что умеем, обратное преобразование включено. */
|
||||
public static final SystemPolicy DEFAULT =
|
||||
new SystemPolicy(
|
||||
DEFAULT_NAME,
|
||||
true,
|
||||
true,
|
||||
MaskMode.MASK,
|
||||
Set.of(ALL),
|
||||
Set.of(
|
||||
PdTypes.CVV,
|
||||
PdTypes.PIN,
|
||||
PdTypes.DATE,
|
||||
PdTypes.BIRTH_PLACE,
|
||||
PdTypes.ADDRESS_COUNTRY,
|
||||
PdTypes.ACCOUNT_NUMBER,
|
||||
PdTypes.BIK,
|
||||
PdTypes.OGRN,
|
||||
PdTypes.OGRNIP,
|
||||
PdTypes.KPP,
|
||||
PdTypes.INCOME,
|
||||
PdTypes.BIOMETRIC),
|
||||
null);
|
||||
|
||||
public SystemPolicy {
|
||||
types = Set.copyOf(types);
|
||||
requireCompanion = Set.copyOf(requireCompanion);
|
||||
}
|
||||
|
||||
/** Политика только для перечисленных типов, с остальными настройками по умолчанию. */
|
||||
public static SystemPolicy forTypes(String... types) {
|
||||
return new SystemPolicy(
|
||||
DEFAULT_NAME, true, true, MaskMode.MASK, Set.of(types), DEFAULT.requireCompanion(), null);
|
||||
}
|
||||
|
||||
/** Совпадает ли предъявленный ключ. Ключ не задан — проверка не применяется. */
|
||||
public boolean accepts(String presentedKey) {
|
||||
if (key == null || key.isBlank()) {
|
||||
return true;
|
||||
public SystemPolicy {
|
||||
types = Set.copyOf(types);
|
||||
requireCompanion = Set.copyOf(requireCompanion);
|
||||
}
|
||||
return java.security.MessageDigest.isEqual(
|
||||
key.getBytes(java.nio.charset.StandardCharsets.UTF_8),
|
||||
(presentedKey == null ? "" : presentedKey)
|
||||
.getBytes(java.nio.charset.StandardCharsets.UTF_8));
|
||||
}
|
||||
|
||||
public boolean allows(String type) {
|
||||
return types.contains(ALL) || types.contains(type);
|
||||
}
|
||||
/** Политика только для перечисленных типов, с остальными настройками по умолчанию. */
|
||||
public static SystemPolicy forTypes(String... types) {
|
||||
return new SystemPolicy(true, true, MaskMode.MASK, Set.of(types), DEFAULT.requireCompanion());
|
||||
}
|
||||
|
||||
public boolean needsCompanion(String type) {
|
||||
return requireCompanion.contains(type);
|
||||
}
|
||||
public boolean allows(String type) {
|
||||
return types.contains(ALL) || types.contains(type);
|
||||
}
|
||||
|
||||
public boolean needsCompanion(String type) {
|
||||
return requireCompanion.contains(type);
|
||||
}
|
||||
}
|
||||
|
||||
@@ -1,6 +1,13 @@
|
||||
package ru.pdguard.config;
|
||||
|
||||
import com.fasterxml.jackson.databind.ObjectMapper;
|
||||
import io.quarkus.runtime.annotations.RegisterForReflection;
|
||||
import jakarta.enterprise.context.ApplicationScoped;
|
||||
import jakarta.inject.Inject;
|
||||
import org.eclipse.microprofile.config.inject.ConfigProperty;
|
||||
import org.jboss.logging.Logger;
|
||||
import ru.pdguard.mask.MaskMode;
|
||||
|
||||
import java.io.IOException;
|
||||
import java.nio.file.Files;
|
||||
import java.nio.file.Path;
|
||||
@@ -10,149 +17,121 @@ import java.util.Locale;
|
||||
import java.util.Map;
|
||||
import java.util.Set;
|
||||
import java.util.TreeMap;
|
||||
import java.util.concurrent.atomic.AtomicReference;
|
||||
import org.slf4j.Logger;
|
||||
import org.slf4j.LoggerFactory;
|
||||
import org.springframework.beans.factory.annotation.Value;
|
||||
import org.springframework.stereotype.Component;
|
||||
import ru.pdguard.mask.MaskMode;
|
||||
|
||||
/**
|
||||
* Список систем, которым разрешено обращаться в модуль, и правила для каждой.
|
||||
*
|
||||
* <p>Читается из внешнего файла, чтобы настройки менялись без пересборки. Файл перечитывается сам,
|
||||
* когда меняется время его изменения; проверка выполняется не чаще раза в секунду, чтобы не ходить
|
||||
* в файловую систему на каждом запросе. Файла нет — работают настройки по умолчанию, и сервис
|
||||
* поднимается без него.
|
||||
* <p>Читается из внешнего файла, чтобы настройки менялись без пересборки. Файл
|
||||
* перечитывается сам, когда меняется время его изменения; проверка выполняется
|
||||
* не чаще раза в секунду, чтобы не ходить в файловую систему на каждом запросе.
|
||||
* Файла нет — работают настройки по умолчанию, и сервис поднимается без него.
|
||||
*/
|
||||
@Component
|
||||
public final class SystemsConfig {
|
||||
@ApplicationScoped
|
||||
public class SystemsConfig {
|
||||
|
||||
private static final Logger LOG = LoggerFactory.getLogger(SystemsConfig.class);
|
||||
private static final Logger LOG = Logger.getLogger(SystemsConfig.class);
|
||||
|
||||
/** Имя политики, которая применяется к запросам без заголовка системы. */
|
||||
public static final String DEFAULT_SYSTEM = "default";
|
||||
/** Имя политики, которая применяется к запросам без заголовка системы. */
|
||||
public static final String DEFAULT_SYSTEM = "default";
|
||||
|
||||
private static final long RECHECK_MILLIS = 1000;
|
||||
private static final long RECHECK_MILLIS = 1000;
|
||||
|
||||
/** Описание одной системы в файле настроек. */
|
||||
public record SystemEntry(
|
||||
Boolean enabled,
|
||||
Boolean demask,
|
||||
String maskMode,
|
||||
List<String> types,
|
||||
List<String> requireCompanion,
|
||||
String key) {
|
||||
public SystemEntry {
|
||||
types = types == null ? null : List.copyOf(types);
|
||||
requireCompanion = requireCompanion == null ? null : List.copyOf(requireCompanion);
|
||||
/** Описание одной системы в файле настроек. */
|
||||
@RegisterForReflection
|
||||
public record SystemEntry(Boolean enabled, Boolean demask, String maskMode,
|
||||
List<String> types, List<String> requireCompanion) {
|
||||
}
|
||||
}
|
||||
|
||||
private final Path file;
|
||||
private final ObjectMapper mapper;
|
||||
private final Path file;
|
||||
private final ObjectMapper mapper;
|
||||
|
||||
private final AtomicReference<Map<String, SystemPolicy>> policies =
|
||||
new AtomicReference<>(Map.of(DEFAULT_SYSTEM, SystemPolicy.DEFAULT));
|
||||
private volatile long fileTimestamp;
|
||||
private volatile long lastCheck;
|
||||
private volatile Map<String, SystemPolicy> policies = Map.of(DEFAULT_SYSTEM, SystemPolicy.DEFAULT);
|
||||
private volatile long fileTimestamp;
|
||||
private volatile long lastCheck;
|
||||
|
||||
public SystemsConfig(
|
||||
@Value("${pdguard.systems-file:config/systems.json}") String path, ObjectMapper mapper) {
|
||||
this.file = Path.of(path);
|
||||
this.mapper = mapper;
|
||||
reload();
|
||||
}
|
||||
|
||||
/** Правила для системы; неизвестная система получает настройки по умолчанию. */
|
||||
public SystemPolicy policyFor(String systemId) {
|
||||
refreshIfChanged();
|
||||
Map<String, SystemPolicy> current = policies.get();
|
||||
SystemPolicy policy = systemId == null ? null : current.get(systemId);
|
||||
if (policy != null) {
|
||||
return policy;
|
||||
}
|
||||
return current.getOrDefault(DEFAULT_SYSTEM, SystemPolicy.DEFAULT);
|
||||
}
|
||||
|
||||
/** Известна ли система по имени. */
|
||||
public boolean isKnown(String systemId) {
|
||||
refreshIfChanged();
|
||||
return systemId != null && policies.get().containsKey(systemId);
|
||||
}
|
||||
|
||||
/** Текущие настройки — для отдачи в административном интерфейсе. */
|
||||
public Map<String, SystemPolicy> current() {
|
||||
refreshIfChanged();
|
||||
return new TreeMap<>(policies.get());
|
||||
}
|
||||
|
||||
/** Перечитать файл настроек немедленно. */
|
||||
public final synchronized void reload() {
|
||||
lastCheck = System.currentTimeMillis();
|
||||
if (!Files.isReadable(file)) {
|
||||
LOG.info(
|
||||
"Файл настроек {} не найден, применяются настройки по умолчанию", file.toAbsolutePath());
|
||||
policies.set(Map.of(DEFAULT_SYSTEM, SystemPolicy.DEFAULT));
|
||||
fileTimestamp = 0;
|
||||
return;
|
||||
}
|
||||
try {
|
||||
fileTimestamp = Files.getLastModifiedTime(file).toMillis();
|
||||
Map<String, SystemEntry> entries =
|
||||
mapper.readValue(
|
||||
Files.readAllBytes(file),
|
||||
mapper
|
||||
.getTypeFactory()
|
||||
.constructMapType(TreeMap.class, String.class, SystemEntry.class));
|
||||
Map<String, SystemPolicy> parsed = new TreeMap<>();
|
||||
entries.forEach((name, entry) -> parsed.put(name, toPolicy(name, entry)));
|
||||
parsed.putIfAbsent(DEFAULT_SYSTEM, SystemPolicy.DEFAULT);
|
||||
policies.set(Map.copyOf(parsed));
|
||||
LOG.info("Настройки систем перечитаны из {}: {}", file.toAbsolutePath(), parsed.keySet());
|
||||
} catch (IOException | IllegalArgumentException e) {
|
||||
// Битый файл не должен ронять работающий сервис: остаются прежние настройки.
|
||||
LOG.error(
|
||||
"Не удалось прочитать {}, продолжаем с прежними настройками", file.toAbsolutePath(), e);
|
||||
}
|
||||
}
|
||||
|
||||
private void refreshIfChanged() {
|
||||
long now = System.currentTimeMillis();
|
||||
if (now - lastCheck < RECHECK_MILLIS) {
|
||||
return;
|
||||
}
|
||||
lastCheck = now;
|
||||
try {
|
||||
if (!Files.isReadable(file)) {
|
||||
return;
|
||||
}
|
||||
if (Files.getLastModifiedTime(file).toMillis() != fileTimestamp) {
|
||||
@Inject
|
||||
public SystemsConfig(@ConfigProperty(name = "pdguard.systems-file", defaultValue = "config/systems.json")
|
||||
String path, ObjectMapper mapper) {
|
||||
this.file = Path.of(path);
|
||||
this.mapper = mapper;
|
||||
reload();
|
||||
}
|
||||
} catch (IOException e) {
|
||||
LOG.debug("Не удалось проверить время изменения {}", file, e);
|
||||
}
|
||||
}
|
||||
|
||||
private static SystemPolicy toPolicy(String name, SystemEntry entry) {
|
||||
SystemPolicy base = SystemPolicy.DEFAULT;
|
||||
Set<String> types = entry.types() == null ? base.types() : new HashSet<>(entry.types());
|
||||
Set<String> companions =
|
||||
entry.requireCompanion() == null
|
||||
? base.requireCompanion()
|
||||
: new HashSet<>(entry.requireCompanion());
|
||||
MaskMode mode =
|
||||
entry.maskMode() == null
|
||||
? base.maskMode()
|
||||
: MaskMode.valueOf(entry.maskMode().toUpperCase(Locale.ROOT));
|
||||
return new SystemPolicy(
|
||||
name,
|
||||
entry.enabled() == null || entry.enabled(),
|
||||
entry.demask() == null || entry.demask(),
|
||||
mode,
|
||||
types,
|
||||
companions,
|
||||
entry.key());
|
||||
}
|
||||
/** Правила для системы; неизвестная система получает настройки по умолчанию. */
|
||||
public SystemPolicy policyFor(String systemId) {
|
||||
refreshIfChanged();
|
||||
Map<String, SystemPolicy> current = policies;
|
||||
SystemPolicy policy = systemId == null ? null : current.get(systemId);
|
||||
if (policy != null) {
|
||||
return policy;
|
||||
}
|
||||
return current.getOrDefault(DEFAULT_SYSTEM, SystemPolicy.DEFAULT);
|
||||
}
|
||||
|
||||
/** Известна ли система по имени. */
|
||||
public boolean isKnown(String systemId) {
|
||||
refreshIfChanged();
|
||||
return systemId != null && policies.containsKey(systemId);
|
||||
}
|
||||
|
||||
/** Текущие настройки — для отдачи в административном интерфейсе. */
|
||||
public Map<String, SystemPolicy> current() {
|
||||
refreshIfChanged();
|
||||
return new TreeMap<>(policies);
|
||||
}
|
||||
|
||||
/** Перечитать файл настроек немедленно. */
|
||||
public final synchronized void reload() {
|
||||
lastCheck = System.currentTimeMillis();
|
||||
if (!Files.isReadable(file)) {
|
||||
LOG.infof("Файл настроек %s не найден, применяются настройки по умолчанию", file.toAbsolutePath());
|
||||
policies = Map.of(DEFAULT_SYSTEM, SystemPolicy.DEFAULT);
|
||||
fileTimestamp = 0;
|
||||
return;
|
||||
}
|
||||
try {
|
||||
fileTimestamp = Files.getLastModifiedTime(file).toMillis();
|
||||
Map<String, SystemEntry> entries = mapper.readValue(Files.readAllBytes(file),
|
||||
mapper.getTypeFactory().constructMapType(TreeMap.class, String.class, SystemEntry.class));
|
||||
Map<String, SystemPolicy> parsed = new TreeMap<>();
|
||||
entries.forEach((name, entry) -> parsed.put(name, toPolicy(entry)));
|
||||
parsed.putIfAbsent(DEFAULT_SYSTEM, SystemPolicy.DEFAULT);
|
||||
policies = Map.copyOf(parsed);
|
||||
LOG.infof("Настройки систем перечитаны из %s: %s", file.toAbsolutePath(), parsed.keySet());
|
||||
} catch (IOException | IllegalArgumentException e) {
|
||||
// Битый файл не должен ронять работающий сервис: остаются прежние настройки.
|
||||
LOG.errorf(e, "Не удалось прочитать %s, продолжаем с прежними настройками", file.toAbsolutePath());
|
||||
}
|
||||
}
|
||||
|
||||
private void refreshIfChanged() {
|
||||
long now = System.currentTimeMillis();
|
||||
if (now - lastCheck < RECHECK_MILLIS) {
|
||||
return;
|
||||
}
|
||||
lastCheck = now;
|
||||
try {
|
||||
if (!Files.isReadable(file)) {
|
||||
return;
|
||||
}
|
||||
if (Files.getLastModifiedTime(file).toMillis() != fileTimestamp) {
|
||||
reload();
|
||||
}
|
||||
} catch (IOException e) {
|
||||
LOG.debugf(e, "Не удалось проверить время изменения %s", file);
|
||||
}
|
||||
}
|
||||
|
||||
private static SystemPolicy toPolicy(SystemEntry entry) {
|
||||
SystemPolicy base = SystemPolicy.DEFAULT;
|
||||
Set<String> types = entry.types() == null ? base.types() : new HashSet<>(entry.types());
|
||||
Set<String> companions = entry.requireCompanion() == null
|
||||
? base.requireCompanion() : new HashSet<>(entry.requireCompanion());
|
||||
MaskMode mode = entry.maskMode() == null
|
||||
? base.maskMode() : MaskMode.valueOf(entry.maskMode().toUpperCase(Locale.ROOT));
|
||||
return new SystemPolicy(
|
||||
entry.enabled() == null || entry.enabled(),
|
||||
entry.demask() == null || entry.demask(),
|
||||
mode, types, companions);
|
||||
}
|
||||
}
|
||||
|
||||
@@ -1,121 +1,124 @@
|
||||
package ru.pdguard.core;
|
||||
|
||||
import java.util.concurrent.TimeUnit;
|
||||
import java.util.concurrent.atomic.AtomicInteger;
|
||||
import java.util.concurrent.atomic.AtomicLong;
|
||||
import java.util.concurrent.TimeUnit;
|
||||
|
||||
/**
|
||||
* Предел одновременных запросов, который сам подстраивается под задержку, а не задан фиксированным
|
||||
* числом. Растёт, пока обработка укладывается в целевое время, и сжимается, как только перестаёт —
|
||||
* вместо того чтобы копить очередь и подходить к таймауту вызывающей стороны.
|
||||
* Предел одновременных запросов, который сам подстраивается под задержку,
|
||||
* а не задан фиксированным числом. Растёт, пока обработка укладывается в
|
||||
* целевое время, и сжимается, как только перестаёт — вместо того чтобы
|
||||
* копить очередь и подходить к таймауту вызывающей стороны.
|
||||
*
|
||||
* <p>Число CPU контейнеру намеренно не спрашивается: {@code Runtime. availableProcessors()} под
|
||||
* квотой {@code --cpus} в cgroups не меняется (это не affinity, а квота), поэтому в контейнере с
|
||||
* долей ядра оно показывает все ядра хоста и как источник предела не годится. Задержка —
|
||||
* <p>Число CPU контейнеру намеренно не спрашивается: {@code Runtime.
|
||||
* availableProcessors()} под квотой {@code --cpus} в cgroups не меняется
|
||||
* (это не affinity, а квота), поэтому в контейнере с долей ядра оно
|
||||
* показывает все ядра хоста и как источник предела не годится. Задержка —
|
||||
* наблюдаемое следствие реальной доли CPU, а не догадка о её размере.
|
||||
*
|
||||
* <p>Шаг регулировки привязан к времени, не к числу запросов: при первой версии предел менялся на
|
||||
* каждый завершённый запрос, и на высоком RPS тысячи «быстрых» замеров прилетали за миллисекунды —
|
||||
* предел успевал разогнаться до потолка ещё до того, как перегрузка вообще проявлялась, и то же
|
||||
* самое повторялось после каждого восстановления. Проверено нагрузочным тестом: без привязки к
|
||||
* времени p95 на перегрузке доходил до 1,8–2,3 с при 0,5 CPU, хотя предел вроде бы должен был
|
||||
* сжаться. Не чаще, чем раз в {@link #ADJUST_WINDOW_NANOS}, предел меняется одним шагом на основе
|
||||
* среднего за окно — так скорость регулировки не зависит от того, насколько высок входящий RPS.
|
||||
* <p>Шаг регулировки привязан к времени, не к числу запросов: при первой
|
||||
* версии предел менялся на каждый завершённый запрос, и на высоком RPS
|
||||
* тысячи «быстрых» замеров прилетали за миллисекунды — предел успевал
|
||||
* разогнаться до потолка ещё до того, как перегрузка вообще проявлялась,
|
||||
* и то же самое повторялось после каждого восстановления. Проверено
|
||||
* нагрузочным тестом: без привязки к времени p95 на перегрузке доходил
|
||||
* до 1,8–2,3 с при 0,5 CPU, хотя предел вроде бы должен был сжаться.
|
||||
* Не чаще, чем раз в {@link #ADJUST_WINDOW_NANOS}, предел меняется одним
|
||||
* шагом на основе среднего за окно — так скорость регулировки не зависит
|
||||
* от того, насколько высок входящий RPS.
|
||||
*
|
||||
* <p>Рост — на единицу за окно (AIMD), не удвоением. Удвоение (slow start из TCP) здесь не
|
||||
* подходит: там обратная связь — RTT, миллисекунды, и лишний виток роста стоит дёшево. Здесь
|
||||
* обратная связь — время ответа заявки, и под перегрузкой оно само составляет секунды: предел
|
||||
* успевает удвоиться несколько раз (2→4→8→…→сотни) быстрее, чем придёт первый сигнал о деградации,
|
||||
* и уже принятые заявки не исчезают из очереди, даже если следующим окном предел тут же обрушить.
|
||||
* Проверено нагрузочным тестом: с удвоением p95 на перегрузке всё равно доходил до 1,8–2,2 с.
|
||||
* Линейный рост копит риск медленно, и первый плохой сигнал останавливает его на порядок раньше.
|
||||
* Сжатие — вдвое, а не на единицу: на перегрузке дешевле один раз отрезать с запасом, чем несколько
|
||||
* окон подряд плавно подходить к безопасному уровню, пока заявки продолжают копиться.
|
||||
* <p>Рост — на единицу за окно (AIMD), не удвоением. Удвоение (slow start
|
||||
* из TCP) здесь не подходит: там обратная связь — RTT, миллисекунды, и
|
||||
* лишний виток роста стоит дёшево. Здесь обратная связь — время ответа
|
||||
* заявки, и под перегрузкой оно само составляет секунды: предел успевает
|
||||
* удвоиться несколько раз (2→4→8→…→сотни) быстрее, чем придёт первый
|
||||
* сигнал о деградации, и уже принятые заявки не исчезают из очереди, даже
|
||||
* если следующим окном предел тут же обрушить. Проверено нагрузочным
|
||||
* тестом: с удвоением p95 на перегрузке всё равно доходил до 1,8–2,2 с.
|
||||
* Линейный рост копит риск медленно, и первый плохой сигнал останавливает
|
||||
* его на порядок раньше. Сжатие — вдвое, а не на единицу: на перегрузке
|
||||
* дешевле один раз отрезать с запасом, чем несколько окон подряд плавно
|
||||
* подходить к безопасному уровню, пока заявки продолжают копиться.
|
||||
*
|
||||
* <p>ponytail: счётчики окна суммируются без блокировки — гонка на границе окна может добавить
|
||||
* образец в уже подводимый итог или отбросить один, не больше; при масштабах в десятки-сотни
|
||||
* образцов на окно это не видно. Нужен точный регулятор — взять готовую библиотеку вроде Netflix
|
||||
* {@code concurrency-limits} (Vegas/Gradient2); здесь она не взята из осторожности к GraalVM
|
||||
* native-image: незнакомая рефлексия в чужой библиотеке — это ровно тот класс проблем, из-за
|
||||
* которого модели второй ступени понадобилась отдельная настройка сборки.
|
||||
* <p>ponytail: счётчики окна суммируются без блокировки — гонка на границе
|
||||
* окна может добавить образец в уже подводимый итог или отбросить один,
|
||||
* не больше; при масштабах в десятки-сотни образцов на окно это не видно.
|
||||
* Нужен точный регулятор — взять готовую библиотеку вроде Netflix
|
||||
* {@code concurrency-limits} (Vegas/Gradient2); здесь она не взята из
|
||||
* осторожности к GraalVM native-image: незнакомая рефлексия в чужой
|
||||
* библиотеке — это ровно тот класс проблем, ради которого в проекте уже
|
||||
* есть {@code OpenNlpReflection}.
|
||||
*/
|
||||
public final class AdaptiveConcurrencyLimiter {
|
||||
public class AdaptiveConcurrencyLimiter {
|
||||
|
||||
private static final long DEFAULT_ADJUST_WINDOW_NANOS = TimeUnit.MILLISECONDS.toNanos(20);
|
||||
private static final long DEFAULT_ADJUST_WINDOW_NANOS = TimeUnit.MILLISECONDS.toNanos(20);
|
||||
|
||||
private final AtomicInteger inFlight = new AtomicInteger();
|
||||
private final AtomicLong windowSumNanos = new AtomicLong();
|
||||
private final AtomicInteger windowSamples = new AtomicInteger();
|
||||
private final AtomicLong lastAdjustNanos;
|
||||
private final int minLimit;
|
||||
private final int maxLimit;
|
||||
private final long targetLatencyNanos;
|
||||
private final long adjustWindowNanos;
|
||||
private final AtomicInteger limit;
|
||||
private final AtomicInteger inFlight = new AtomicInteger();
|
||||
private final AtomicLong windowSumNanos = new AtomicLong();
|
||||
private final AtomicInteger windowSamples = new AtomicInteger();
|
||||
private final AtomicLong lastAdjustNanos;
|
||||
private final int minLimit;
|
||||
private final int maxLimit;
|
||||
private final long targetLatencyNanos;
|
||||
private final long adjustWindowNanos;
|
||||
private volatile int limit;
|
||||
|
||||
public AdaptiveConcurrencyLimiter(int minLimit, int maxLimit, long targetLatencyMillis) {
|
||||
this(minLimit, maxLimit, targetLatencyMillis, DEFAULT_ADJUST_WINDOW_NANOS);
|
||||
}
|
||||
|
||||
/** Настраиваемое окно регулировки — для тестов, которым реальные 20мс на шаг не подходят. */
|
||||
AdaptiveConcurrencyLimiter(
|
||||
int minLimit, int maxLimit, long targetLatencyMillis, long adjustWindowNanos) {
|
||||
if (minLimit < 1 || maxLimit < minLimit) {
|
||||
throw new IllegalArgumentException(
|
||||
"Некорректные границы предела: " + minLimit + ".." + maxLimit);
|
||||
public AdaptiveConcurrencyLimiter(int minLimit, int maxLimit, long targetLatencyMillis) {
|
||||
this(minLimit, maxLimit, targetLatencyMillis, DEFAULT_ADJUST_WINDOW_NANOS);
|
||||
}
|
||||
this.minLimit = minLimit;
|
||||
this.maxLimit = maxLimit;
|
||||
this.targetLatencyNanos = TimeUnit.MILLISECONDS.toNanos(targetLatencyMillis);
|
||||
this.adjustWindowNanos = adjustWindowNanos;
|
||||
this.limit = new AtomicInteger(minLimit);
|
||||
this.lastAdjustNanos = new AtomicLong(System.nanoTime());
|
||||
}
|
||||
|
||||
/** {@code true} — запрос принят; вызывающая сторона обязана вызвать {@link #release}. */
|
||||
public boolean tryAcquire() {
|
||||
if (inFlight.incrementAndGet() > limit.get()) {
|
||||
inFlight.decrementAndGet();
|
||||
return false;
|
||||
/** Настраиваемое окно регулировки — для тестов, которым реальные 20мс на шаг не подходят. */
|
||||
AdaptiveConcurrencyLimiter(int minLimit, int maxLimit, long targetLatencyMillis, long adjustWindowNanos) {
|
||||
if (minLimit < 1 || maxLimit < minLimit) {
|
||||
throw new IllegalArgumentException("Некорректные границы предела: " + minLimit + ".." + maxLimit);
|
||||
}
|
||||
this.minLimit = minLimit;
|
||||
this.maxLimit = maxLimit;
|
||||
this.targetLatencyNanos = TimeUnit.MILLISECONDS.toNanos(targetLatencyMillis);
|
||||
this.adjustWindowNanos = adjustWindowNanos;
|
||||
this.limit = minLimit;
|
||||
this.lastAdjustNanos = new AtomicLong(System.nanoTime());
|
||||
}
|
||||
return true;
|
||||
}
|
||||
|
||||
/** Освобождает слот; предел подстраивается не чаще раза в окно, а не на каждый вызов. */
|
||||
public void release(long elapsedNanos) {
|
||||
inFlight.decrementAndGet();
|
||||
windowSumNanos.addAndGet(elapsedNanos);
|
||||
windowSamples.incrementAndGet();
|
||||
|
||||
long now = System.nanoTime();
|
||||
long last = lastAdjustNanos.get();
|
||||
if (now - last >= adjustWindowNanos && lastAdjustNanos.compareAndSet(last, now)) {
|
||||
adjust();
|
||||
/** {@code true} — запрос принят; вызывающая сторона обязана вызвать {@link #release}. */
|
||||
public boolean tryAcquire() {
|
||||
if (inFlight.incrementAndGet() > limit) {
|
||||
inFlight.decrementAndGet();
|
||||
return false;
|
||||
}
|
||||
return true;
|
||||
}
|
||||
}
|
||||
|
||||
private void adjust() {
|
||||
int samples = windowSamples.getAndSet(0);
|
||||
long sum = windowSumNanos.getAndSet(0);
|
||||
if (samples == 0) {
|
||||
return;
|
||||
/** Освобождает слот; предел подстраивается не чаще раза в окно, а не на каждый вызов. */
|
||||
public void release(long elapsedNanos) {
|
||||
inFlight.decrementAndGet();
|
||||
windowSumNanos.addAndGet(elapsedNanos);
|
||||
windowSamples.incrementAndGet();
|
||||
|
||||
long now = System.nanoTime();
|
||||
long last = lastAdjustNanos.get();
|
||||
if (now - last >= adjustWindowNanos && lastAdjustNanos.compareAndSet(last, now)) {
|
||||
adjust();
|
||||
}
|
||||
}
|
||||
long avg = sum / samples;
|
||||
|
||||
if (avg < targetLatencyNanos) {
|
||||
limit.set(Math.min(maxLimit, limit.get() + 1));
|
||||
} else {
|
||||
limit.set(Math.max(minLimit, limit.get() / 2));
|
||||
private void adjust() {
|
||||
int samples = windowSamples.getAndSet(0);
|
||||
long sum = windowSumNanos.getAndSet(0);
|
||||
if (samples == 0) {
|
||||
return;
|
||||
}
|
||||
long avg = sum / samples;
|
||||
|
||||
if (avg < targetLatencyNanos) {
|
||||
limit = Math.min(maxLimit, limit + 1);
|
||||
} else {
|
||||
limit = Math.max(minLimit, limit / 2);
|
||||
}
|
||||
}
|
||||
}
|
||||
|
||||
/** Сколько запросов обрабатывается прямо сейчас — для наблюдения. */
|
||||
public int inFlight() {
|
||||
return inFlight.get();
|
||||
}
|
||||
|
||||
/** Текущий предел — для метрики, чтобы деградацию было видно, а не только чувствовать по 429. */
|
||||
public int limit() {
|
||||
return limit.get();
|
||||
}
|
||||
/** Текущий предел — для метрики, чтобы деградацию было видно, а не только чувствовать по 429. */
|
||||
public int limit() {
|
||||
return limit;
|
||||
}
|
||||
}
|
||||
|
||||
@@ -1,111 +0,0 @@
|
||||
package ru.pdguard.core;
|
||||
|
||||
import com.fasterxml.jackson.databind.ObjectMapper;
|
||||
import com.fasterxml.jackson.databind.node.ObjectNode;
|
||||
import java.io.IOException;
|
||||
import java.net.URI;
|
||||
import java.net.http.HttpClient;
|
||||
import java.net.http.HttpRequest;
|
||||
import java.net.http.HttpResponse;
|
||||
import java.nio.charset.StandardCharsets;
|
||||
import java.time.Duration;
|
||||
import java.util.Optional;
|
||||
import org.slf4j.Logger;
|
||||
import org.slf4j.LoggerFactory;
|
||||
import org.springframework.beans.factory.annotation.Value;
|
||||
import org.springframework.stereotype.Component;
|
||||
|
||||
/**
|
||||
* Обращение к языковой модели для демонстрационного плеча.
|
||||
*
|
||||
* <p>Адрес не задан — работает заглушка: она возвращает присланный текст обратно. Для демонстрации
|
||||
* этого достаточно, потому что проверяется не качество ответа модели, а то, что в модель ушёл
|
||||
* замаскированный текст, а потребителю вернулся восстановленный.
|
||||
*
|
||||
* <p>Модель недоступна или ответила ошибкой — плечо деградирует до той же заглушки, а причина
|
||||
* попадает в ответ и в журнал. Ронять запрос из-за внешнего сервиса нельзя.
|
||||
*/
|
||||
@Component
|
||||
public class LlmClient {
|
||||
|
||||
private static final Logger LOG = LoggerFactory.getLogger(LlmClient.class);
|
||||
|
||||
/** Что вернула модель и кто именно ответил. */
|
||||
public record Answer(String text, String source) {}
|
||||
|
||||
private final Optional<String> url;
|
||||
private final Optional<String> apiKey;
|
||||
private final String model;
|
||||
private final Duration timeout;
|
||||
private final HttpClient http;
|
||||
private final ObjectMapper mapper = new ObjectMapper();
|
||||
|
||||
public LlmClient(
|
||||
@Value("${pdguard.llm.url:}") String url,
|
||||
@Value("${pdguard.llm.api-key:}") String apiKey,
|
||||
@Value("${pdguard.llm.model:gpt-4o-mini}") String model,
|
||||
@Value("${pdguard.llm.timeout-seconds:20}") int timeoutSeconds) {
|
||||
this.url = Optional.ofNullable(url).filter(value -> !value.isBlank());
|
||||
this.apiKey = Optional.ofNullable(apiKey).filter(value -> !value.isBlank());
|
||||
this.model = model;
|
||||
this.timeout = Duration.ofSeconds(timeoutSeconds);
|
||||
this.http = HttpClient.newBuilder().connectTimeout(Duration.ofSeconds(5)).build();
|
||||
if (this.url.isEmpty()) {
|
||||
LOG.info("Адрес языковой модели не задан, плечо работает на заглушке");
|
||||
}
|
||||
}
|
||||
|
||||
public Answer ask(String maskedPrompt) {
|
||||
if (url.isEmpty()) {
|
||||
return new Answer(stub(maskedPrompt), "заглушка");
|
||||
}
|
||||
try {
|
||||
return new Answer(call(maskedPrompt), model);
|
||||
} catch (InterruptedException e) {
|
||||
Thread.currentThread().interrupt();
|
||||
LOG.error("Обращение к языковой модели прервано, плечо ответило заглушкой", e);
|
||||
return new Answer(stub(maskedPrompt), "заглушка: модель недоступна");
|
||||
} catch (IOException e) {
|
||||
LOG.error("Языковая модель недоступна, плечо ответило заглушкой", e);
|
||||
return new Answer(stub(maskedPrompt), "заглушка: модель недоступна");
|
||||
}
|
||||
}
|
||||
|
||||
/**
|
||||
* Ответ содержит присланный текст целиком: так на демонстрации видно, что подстановки вернулись
|
||||
* на свои места при обратном преобразовании.
|
||||
*/
|
||||
private static String stub(String maskedPrompt) {
|
||||
return "Ответ по запросу: " + maskedPrompt;
|
||||
}
|
||||
|
||||
private String call(String maskedPrompt) throws IOException, InterruptedException {
|
||||
ObjectNode body = mapper.createObjectNode();
|
||||
body.put("model", model);
|
||||
ObjectNode message = body.putArray("messages").addObject();
|
||||
message.put("role", "user");
|
||||
message.put("content", maskedPrompt);
|
||||
|
||||
HttpRequest.Builder request =
|
||||
HttpRequest.newBuilder(URI.create(url.get()))
|
||||
.timeout(timeout)
|
||||
.header("Content-Type", "application/json")
|
||||
.POST(
|
||||
HttpRequest.BodyPublishers.ofString(
|
||||
mapper.writeValueAsString(body), StandardCharsets.UTF_8));
|
||||
apiKey.ifPresent(key -> request.header("Authorization", "Bearer " + key));
|
||||
|
||||
HttpResponse<String> response =
|
||||
http.send(request.build(), HttpResponse.BodyHandlers.ofString(StandardCharsets.UTF_8));
|
||||
if (response.statusCode() / 100 != 2) {
|
||||
throw new IllegalStateException("модель ответила " + response.statusCode());
|
||||
}
|
||||
return mapper
|
||||
.readTree(response.body())
|
||||
.path("choices")
|
||||
.path(0)
|
||||
.path("message")
|
||||
.path("content")
|
||||
.asText();
|
||||
}
|
||||
}
|
||||
@@ -1,64 +0,0 @@
|
||||
package ru.pdguard.core;
|
||||
|
||||
import io.micrometer.core.instrument.Meter;
|
||||
import io.micrometer.core.instrument.config.MeterFilter;
|
||||
import io.micrometer.core.instrument.distribution.DistributionStatisticConfig;
|
||||
import java.time.Duration;
|
||||
import org.springframework.context.annotation.Bean;
|
||||
import org.springframework.context.annotation.Configuration;
|
||||
|
||||
/**
|
||||
* Настройка распределений для метрик времени.
|
||||
*
|
||||
* <p>По умолчанию Micrometer отдаёт по таймеру только сумму, количество и максимум. Этого хватает
|
||||
* на среднее, но не на перцентили, а именно они описывают SLA: важно не среднее время ответа, а то,
|
||||
* сколько запросов уложилось в срок. Гистограмма добавляет ряды по корзинам, и {@code
|
||||
* histogram_quantile} в Prometheus считает по ним p50, p95 и p99.
|
||||
*
|
||||
* <p>Границы корзин заданы явно и подобраны под наши задержки: от четверти миллисекунды до десяти
|
||||
* секунд. Без явных границ Micrometer создаёт их сам и заметно больше, а каждая корзина — это
|
||||
* отдельный временной ряд на каждое сочетание меток.
|
||||
*/
|
||||
@Configuration
|
||||
public class MetricsConfiguration {
|
||||
|
||||
/** Целевая задержка из критериев оценки: ориентир, а не жёсткий предел. */
|
||||
private static final Duration SLA_TARGET = Duration.ofMillis(500);
|
||||
|
||||
private static final Duration[] BOUNDARIES = {
|
||||
Duration.ofNanos(250_000), Duration.ofMillis(1), Duration.ofMillis(5),
|
||||
Duration.ofMillis(10), Duration.ofMillis(25), Duration.ofMillis(50),
|
||||
Duration.ofMillis(100), Duration.ofMillis(250), SLA_TARGET,
|
||||
Duration.ofSeconds(1), Duration.ofSeconds(2), Duration.ofSeconds(5),
|
||||
Duration.ofSeconds(10)
|
||||
};
|
||||
|
||||
@Bean
|
||||
public MeterFilter histogramsForTimers() {
|
||||
return new MeterFilter() {
|
||||
@Override
|
||||
public DistributionStatisticConfig configure(
|
||||
Meter.Id id, DistributionStatisticConfig config) {
|
||||
if (!needsHistogram(id.getName())) {
|
||||
return config;
|
||||
}
|
||||
double[] boundaries = new double[BOUNDARIES.length];
|
||||
for (int i = 0; i < BOUNDARIES.length; i++) {
|
||||
boundaries[i] = BOUNDARIES[i].toNanos();
|
||||
}
|
||||
return DistributionStatisticConfig.builder()
|
||||
.percentilesHistogram(false)
|
||||
.serviceLevelObjectives(boundaries)
|
||||
.build()
|
||||
.merge(config);
|
||||
}
|
||||
};
|
||||
}
|
||||
|
||||
private static boolean needsHistogram(String name) {
|
||||
return "pdguard.process".equals(name)
|
||||
|| "pdguard.ner.duration".equals(name)
|
||||
|| "pdguard.ner.model.duration".equals(name)
|
||||
|| "http.server.requests".equals(name);
|
||||
}
|
||||
}
|
||||
@@ -1,89 +0,0 @@
|
||||
package ru.pdguard.core;
|
||||
|
||||
import java.nio.charset.StandardCharsets;
|
||||
import java.security.GeneralSecurityException;
|
||||
import java.security.SecureRandom;
|
||||
import java.util.Base64;
|
||||
import java.util.HexFormat;
|
||||
import javax.crypto.Cipher;
|
||||
import javax.crypto.spec.GCMParameterSpec;
|
||||
import javax.crypto.spec.SecretKeySpec;
|
||||
import org.springframework.beans.factory.annotation.Value;
|
||||
import org.springframework.stereotype.Component;
|
||||
|
||||
/**
|
||||
* Шифрование исходных персональных данных в хранилище.
|
||||
*
|
||||
* <p>ПДН не должны лежать в памяти и в общем слое в открытом виде: даже если процесс или Redis
|
||||
* скомпрометированы, исходные значения остаются недоступными без ключа. Используется AES-GCM —
|
||||
* аутентифицированное шифрование, которое защищает и от подмены шифротекста.
|
||||
*
|
||||
* <p>Ключ задаётся настройкой {@code pdguard.store.encryption-key} (32 байта в hex). Пока ключ не
|
||||
* задан, шифрование выключено — это нужно для тестов и для сборки, где хранилище не содержит
|
||||
* чувствительных данных.
|
||||
*/
|
||||
@Component
|
||||
public class PayloadCipher {
|
||||
|
||||
private static final String ALGORITHM = "AES";
|
||||
private static final String TRANSFORMATION = "AES/GCM/NoPadding";
|
||||
private static final int GCM_TAG_BITS = 128;
|
||||
private static final int IV_BYTES = 12;
|
||||
|
||||
private final SecretKeySpec key;
|
||||
private final SecureRandom random = new SecureRandom();
|
||||
|
||||
public PayloadCipher(@Value("${pdguard.store.encryption-key:}") String hexKey) {
|
||||
this.key =
|
||||
hexKey == null || hexKey.isBlank()
|
||||
? null
|
||||
: new SecretKeySpec(HexFormat.of().parseHex(hexKey), ALGORITHM);
|
||||
}
|
||||
|
||||
/** Выключенное шифрование — для тестов и сборки без ключа. */
|
||||
public static PayloadCipher disabled() {
|
||||
return new PayloadCipher("");
|
||||
}
|
||||
|
||||
public boolean enabled() {
|
||||
return key != null;
|
||||
}
|
||||
|
||||
/** Шифрует текст; при выключенном шифровании возвращает исходный текст. */
|
||||
public String encrypt(String plaintext) {
|
||||
if (key == null) {
|
||||
return plaintext;
|
||||
}
|
||||
try {
|
||||
byte[] iv = new byte[IV_BYTES];
|
||||
random.nextBytes(iv);
|
||||
Cipher cipher = Cipher.getInstance(TRANSFORMATION);
|
||||
cipher.init(Cipher.ENCRYPT_MODE, key, new GCMParameterSpec(GCM_TAG_BITS, iv));
|
||||
byte[] encrypted = cipher.doFinal(plaintext.getBytes(StandardCharsets.UTF_8));
|
||||
byte[] combined = new byte[iv.length + encrypted.length];
|
||||
System.arraycopy(iv, 0, combined, 0, iv.length);
|
||||
System.arraycopy(encrypted, 0, combined, iv.length, encrypted.length);
|
||||
return Base64.getEncoder().encodeToString(combined);
|
||||
} catch (GeneralSecurityException e) {
|
||||
throw new IllegalStateException("Не удалось зашифровать персональные данные", e);
|
||||
}
|
||||
}
|
||||
|
||||
/** Дешифрует текст; при выключенном шифровании возвращает исходный текст. */
|
||||
public String decrypt(String ciphertext) {
|
||||
if (key == null) {
|
||||
return ciphertext;
|
||||
}
|
||||
try {
|
||||
byte[] combined = Base64.getDecoder().decode(ciphertext);
|
||||
byte[] iv = new byte[IV_BYTES];
|
||||
System.arraycopy(combined, 0, iv, 0, iv.length);
|
||||
Cipher cipher = Cipher.getInstance(TRANSFORMATION);
|
||||
cipher.init(Cipher.DECRYPT_MODE, key, new GCMParameterSpec(GCM_TAG_BITS, iv));
|
||||
byte[] decrypted = cipher.doFinal(combined, iv.length, combined.length - iv.length);
|
||||
return new String(decrypted, StandardCharsets.UTF_8);
|
||||
} catch (GeneralSecurityException | IllegalArgumentException e) {
|
||||
throw new IllegalStateException("Не удалось расшифровать персональные данные", e);
|
||||
}
|
||||
}
|
||||
}
|
||||
@@ -1,5 +1,9 @@
|
||||
package ru.pdguard.core;
|
||||
|
||||
import jakarta.enterprise.context.ApplicationScoped;
|
||||
import jakarta.inject.Inject;
|
||||
import org.eclipse.microprofile.config.inject.ConfigProperty;
|
||||
|
||||
import java.nio.charset.StandardCharsets;
|
||||
import java.security.MessageDigest;
|
||||
import java.security.NoSuchAlgorithmException;
|
||||
@@ -8,173 +12,163 @@ import java.util.Map;
|
||||
import java.util.concurrent.ConcurrentHashMap;
|
||||
import java.util.concurrent.ConcurrentLinkedQueue;
|
||||
import java.util.concurrent.atomic.AtomicLong;
|
||||
import org.springframework.beans.factory.annotation.Autowired;
|
||||
import org.springframework.beans.factory.annotation.Value;
|
||||
import org.springframework.stereotype.Component;
|
||||
|
||||
/**
|
||||
* Соответствие «исходный текст ↔ маска», по которому выполняется демаскирование.
|
||||
*
|
||||
* <p>Два индекса: по {@code payload_id} — основной путь, и по отпечатку маски — страховка на
|
||||
* случай, если идентификатор до сервиса не доехал.
|
||||
* <p>Два индекса: по {@code payload_id} — основной путь, и по отпечатку маски —
|
||||
* страховка на случай, если идентификатор до сервиса не доехал.
|
||||
*
|
||||
* <p>Оба индекса разделены по системам-потребителям. Индекс по отпечатку ищет совпадение по самому
|
||||
* тексту запроса, и без такого разделения он превращался бы в способ достать чужие данные: маски
|
||||
* детерминированы и низкоэнтропийны, поэтому, прислав «Клиент И. И. И., паспорт 45** ****56», можно
|
||||
* было бы получить в ответ исходные значения из запроса другого потребителя. Разделение
|
||||
* ограничивает это пределами одной системы, которая и так видит свои данные.
|
||||
* <p>Хранилище ограничено по суммарному объёму строк, а записи живут ограниченное
|
||||
* время: персональные данные не должны залёживаться в памяти, а крупные тексты не
|
||||
* должны исчерпать кучу. Вытеснение идёт в порядке добавления и выполняется прямо
|
||||
* на записи — отдельного потока и внешней библиотеки кеширования не требуется.
|
||||
*
|
||||
* <p>Записи живут ограниченное время: персональные данные не должны залёживаться в памяти.
|
||||
* Протухшие записи убираются в порядке добавления прямо на записи — отдельного потока и внешней
|
||||
* библиотеки кеширования не требуется.
|
||||
*
|
||||
* <p>Когда включён общий слой ({@link SharedIndex}), соответствие пишется ещё и туда, а чтение при
|
||||
* промахе по локальной памяти идёт в него. Это нужно при работе на нескольких узлах: обратный
|
||||
* запрос легко попадает не на тот узел, который выполнял прямой. Локальная память при этом остаётся
|
||||
* первым уровнем, и обычный путь обходится без обращения по сети.
|
||||
* <p>Когда включён общий слой ({@link SharedIndex}), соответствие пишется ещё и туда,
|
||||
* а чтение при промахе по локальной памяти идёт в него. Это нужно при работе на
|
||||
* нескольких узлах: обратный запрос легко попадает не на тот узел, который выполнял
|
||||
* прямой. Локальная память при этом остаётся первым уровнем, и обычный путь
|
||||
* обходится без обращения по сети.
|
||||
*/
|
||||
@Component
|
||||
@ApplicationScoped
|
||||
public class PayloadStore {
|
||||
|
||||
/** Сколько протухших записей просматривается за одну операцию записи. */
|
||||
private static final int SWEEP_PER_PUT = 4;
|
||||
/** Сколько протухших записей просматривается за одну операцию записи. */
|
||||
private static final int SWEEP_PER_PUT = 4;
|
||||
|
||||
/** Пара «исходный текст — маска» с отпечатком, владельцем и сроком жизни. */
|
||||
public record Entry(
|
||||
String system, String original, String masked, String fingerprint, long expiresAt) {
|
||||
/** Пара «исходный текст — маска» с отпечатком и сроком жизни. */
|
||||
public record Entry(String original, String masked, String fingerprint, long expiresAt) {
|
||||
|
||||
boolean alive(long now) {
|
||||
return now < expiresAt;
|
||||
boolean alive(long now) {
|
||||
return now < expiresAt;
|
||||
}
|
||||
|
||||
int weight() {
|
||||
return original.length() + masked.length();
|
||||
}
|
||||
}
|
||||
|
||||
int weight() {
|
||||
return original.length() + masked.length();
|
||||
private final Map<String, Entry> byId = new ConcurrentHashMap<>();
|
||||
private final Map<String, Entry> byMaskFingerprint = new ConcurrentHashMap<>();
|
||||
private final ConcurrentLinkedQueue<String> insertionOrder = new ConcurrentLinkedQueue<>();
|
||||
private final AtomicLong charsHeld = new AtomicLong();
|
||||
|
||||
private final long maxChars;
|
||||
private final long ttlMillis;
|
||||
private final SharedIndex shared;
|
||||
|
||||
@Inject
|
||||
public PayloadStore(
|
||||
@ConfigProperty(name = "pdguard.store.max-chars", defaultValue = "134217728") long maxChars,
|
||||
@ConfigProperty(name = "pdguard.store.ttl-minutes", defaultValue = "30") int ttlMinutes,
|
||||
SharedIndex shared) {
|
||||
this.maxChars = maxChars;
|
||||
this.ttlMillis = ttlMinutes * 60_000L;
|
||||
this.shared = shared;
|
||||
}
|
||||
}
|
||||
|
||||
private final Map<String, Entry> byId = new ConcurrentHashMap<>();
|
||||
private final Map<String, Entry> byMaskFingerprint = new ConcurrentHashMap<>();
|
||||
private final ConcurrentLinkedQueue<String> insertionOrder = new ConcurrentLinkedQueue<>();
|
||||
private final AtomicLong charsHeld = new AtomicLong();
|
||||
|
||||
private final long ttlMillis;
|
||||
private final SharedIndex shared;
|
||||
private final PayloadCipher cipher;
|
||||
|
||||
@Autowired
|
||||
public PayloadStore(
|
||||
@Value("${pdguard.store.ttl-minutes:30}") int ttlMinutes,
|
||||
SharedIndex shared,
|
||||
PayloadCipher cipher) {
|
||||
this.ttlMillis = ttlMinutes * 60_000L;
|
||||
this.shared = shared;
|
||||
this.cipher = cipher;
|
||||
}
|
||||
|
||||
/** Конструктор для тестов: только локальная память, общий слой и шифрование выключены. */
|
||||
public PayloadStore(int ttlMinutes) {
|
||||
this(ttlMinutes, SharedIndex.disabled(), PayloadCipher.disabled());
|
||||
}
|
||||
|
||||
public void put(String system, String payloadId, String original, String masked) {
|
||||
long now = System.currentTimeMillis();
|
||||
String encrypted = cipher.encrypt(original);
|
||||
Entry entry = new Entry(system, encrypted, masked, fingerprint(masked), now + ttlMillis);
|
||||
String idKey = ScopedKey.of(system, payloadId);
|
||||
|
||||
Entry replaced = byId.put(idKey, entry);
|
||||
byMaskFingerprint.put(ScopedKey.of(system, entry.fingerprint()), entry);
|
||||
insertionOrder.add(idKey);
|
||||
charsHeld.addAndGet((long) entry.weight() - (replaced == null ? 0 : replaced.weight()));
|
||||
|
||||
sweepExpired(now);
|
||||
|
||||
shared.put(system, payloadId, encrypted, masked, entry.fingerprint());
|
||||
}
|
||||
|
||||
public Entry byId(String system, String payloadId) {
|
||||
String idKey = ScopedKey.of(system, payloadId);
|
||||
Entry entry = byId.get(idKey);
|
||||
if (entry != null && entry.alive(System.currentTimeMillis())) {
|
||||
return decrypt(entry);
|
||||
/** Конструктор для тестов: только локальная память, общий слой выключен. */
|
||||
public PayloadStore(long maxChars, int ttlMinutes) {
|
||||
this(maxChars, ttlMinutes, SharedIndex.disabled());
|
||||
}
|
||||
if (entry != null) {
|
||||
forget(idKey, entry);
|
||||
}
|
||||
SharedIndex.SharedEntry fromShared = shared.byId(system, payloadId);
|
||||
if (fromShared == null) {
|
||||
return null;
|
||||
}
|
||||
// Соседний узел уже выполнял прямой шаг: забираем соответствие к себе,
|
||||
// чтобы повторное обращение обошлось без сети.
|
||||
put(system, payloadId, fromShared.original(), fromShared.masked());
|
||||
return decrypt(byId.get(idKey));
|
||||
}
|
||||
|
||||
/**
|
||||
* Исходный текст по самой маске — когда {@code payload_id} не совпал. Поиск идёт только в
|
||||
* пределах той же системы: чужую маску подобрать и обменять на исходные данные нельзя.
|
||||
*/
|
||||
public String originalForMask(String system, String masked) {
|
||||
String fingerprint = fingerprint(masked);
|
||||
Entry entry = byMaskFingerprint.get(ScopedKey.of(system, fingerprint));
|
||||
if (entry != null && entry.alive(System.currentTimeMillis())) {
|
||||
return cipher.decrypt(entry.original());
|
||||
}
|
||||
return shared.originalForFingerprint(system, fingerprint);
|
||||
}
|
||||
public void put(String payloadId, String original, String masked) {
|
||||
long now = System.currentTimeMillis();
|
||||
Entry entry = new Entry(original, masked, fingerprint(masked), now + ttlMillis);
|
||||
|
||||
/** Сколько символов сейчас удерживается — для диагностики и тестов. */
|
||||
public long charsHeld() {
|
||||
return charsHeld.get();
|
||||
}
|
||||
Entry replaced = byId.put(payloadId, entry);
|
||||
byMaskFingerprint.put(entry.fingerprint(), entry);
|
||||
insertionOrder.add(payloadId);
|
||||
charsHeld.addAndGet(entry.weight() - (replaced == null ? 0 : replaced.weight()));
|
||||
|
||||
/** Убирает протухшие записи с головы очереди, не более нескольких за раз. */
|
||||
private void sweepExpired(long now) {
|
||||
for (int i = 0; i < SWEEP_PER_PUT; i++) {
|
||||
String oldest = insertionOrder.peek();
|
||||
if (oldest == null) {
|
||||
return;
|
||||
}
|
||||
Entry entry = byId.get(oldest);
|
||||
if (entry == null) {
|
||||
insertionOrder.poll();
|
||||
continue;
|
||||
}
|
||||
if (entry.alive(now)) {
|
||||
return;
|
||||
}
|
||||
insertionOrder.poll();
|
||||
forget(oldest, entry);
|
||||
}
|
||||
}
|
||||
sweepExpired(now);
|
||||
evictWhileOverLimit();
|
||||
|
||||
private void forget(String idKey, Entry entry) {
|
||||
if (byId.remove(idKey, entry)) {
|
||||
byMaskFingerprint.remove(ScopedKey.of(entry.system(), entry.fingerprint()), entry);
|
||||
charsHeld.addAndGet(-entry.weight());
|
||||
shared.put(payloadId, original, masked, entry.fingerprint());
|
||||
}
|
||||
}
|
||||
|
||||
/** Возвращает запись с расшифрованным исходным текстом. */
|
||||
private Entry decrypt(Entry entry) {
|
||||
if (entry == null) {
|
||||
return null;
|
||||
public Entry byId(String payloadId) {
|
||||
Entry entry = byId.get(payloadId);
|
||||
if (entry != null && entry.alive(System.currentTimeMillis())) {
|
||||
return entry;
|
||||
}
|
||||
if (entry != null) {
|
||||
forget(payloadId, entry);
|
||||
}
|
||||
SharedIndex.SharedEntry fromShared = shared.byId(payloadId);
|
||||
if (fromShared == null) {
|
||||
return null;
|
||||
}
|
||||
// Соседний узел уже выполнял прямой шаг: забираем соответствие к себе,
|
||||
// чтобы повторное обращение обошлось без сети.
|
||||
put(payloadId, fromShared.original(), fromShared.masked());
|
||||
return byId.get(payloadId);
|
||||
}
|
||||
return new Entry(
|
||||
entry.system(),
|
||||
cipher.decrypt(entry.original()),
|
||||
entry.masked(),
|
||||
entry.fingerprint(),
|
||||
entry.expiresAt());
|
||||
}
|
||||
|
||||
private static String fingerprint(String value) {
|
||||
try {
|
||||
MessageDigest sha = MessageDigest.getInstance("SHA-256");
|
||||
return HexFormat.of().formatHex(sha.digest(value.getBytes(StandardCharsets.UTF_8)));
|
||||
} catch (NoSuchAlgorithmException e) {
|
||||
throw new IllegalStateException("SHA-256 недоступен в этой среде выполнения", e);
|
||||
/** Исходный текст по самой маске — когда {@code payload_id} не совпал. */
|
||||
public String originalForMask(String masked) {
|
||||
String fingerprint = fingerprint(masked);
|
||||
Entry entry = byMaskFingerprint.get(fingerprint);
|
||||
if (entry != null && entry.alive(System.currentTimeMillis())) {
|
||||
return entry.original();
|
||||
}
|
||||
return shared.originalForFingerprint(fingerprint);
|
||||
}
|
||||
|
||||
/** Сколько символов сейчас удерживается — для диагностики и тестов. */
|
||||
public long charsHeld() {
|
||||
return charsHeld.get();
|
||||
}
|
||||
|
||||
/** Убирает протухшие записи с головы очереди, не более нескольких за раз. */
|
||||
private void sweepExpired(long now) {
|
||||
for (int i = 0; i < SWEEP_PER_PUT; i++) {
|
||||
String oldest = insertionOrder.peek();
|
||||
if (oldest == null) {
|
||||
return;
|
||||
}
|
||||
Entry entry = byId.get(oldest);
|
||||
if (entry == null) {
|
||||
insertionOrder.poll();
|
||||
continue;
|
||||
}
|
||||
if (entry.alive(now)) {
|
||||
return;
|
||||
}
|
||||
insertionOrder.poll();
|
||||
forget(oldest, entry);
|
||||
}
|
||||
}
|
||||
|
||||
private void evictWhileOverLimit() {
|
||||
while (charsHeld.get() > maxChars) {
|
||||
String oldest = insertionOrder.poll();
|
||||
if (oldest == null) {
|
||||
return;
|
||||
}
|
||||
Entry entry = byId.get(oldest);
|
||||
if (entry != null) {
|
||||
// ponytail: если тот же payload_id записали повторно, в очереди остался
|
||||
// старый след и здесь вытесняется свежая запись. Цена — одно лишнее
|
||||
// обращение к маскированию; точный учёт потребовал бы двусвязного списка.
|
||||
forget(oldest, entry);
|
||||
}
|
||||
}
|
||||
}
|
||||
|
||||
private void forget(String payloadId, Entry entry) {
|
||||
if (byId.remove(payloadId, entry)) {
|
||||
byMaskFingerprint.remove(entry.fingerprint(), entry);
|
||||
charsHeld.addAndGet(-entry.weight());
|
||||
}
|
||||
}
|
||||
|
||||
private static String fingerprint(String value) {
|
||||
try {
|
||||
MessageDigest sha = MessageDigest.getInstance("SHA-256");
|
||||
return HexFormat.of().formatHex(sha.digest(value.getBytes(StandardCharsets.UTF_8)));
|
||||
} catch (NoSuchAlgorithmException e) {
|
||||
throw new IllegalStateException("SHA-256 недоступен в этой среде выполнения", e);
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
||||
@@ -4,345 +4,230 @@ import io.micrometer.core.instrument.Counter;
|
||||
import io.micrometer.core.instrument.MeterRegistry;
|
||||
import io.micrometer.core.instrument.Timer;
|
||||
import io.micrometer.core.instrument.simple.SimpleMeterRegistry;
|
||||
import jakarta.enterprise.context.ApplicationScoped;
|
||||
import jakarta.inject.Inject;
|
||||
import org.jboss.logging.Logger;
|
||||
import ru.pdguard.config.SystemPolicy;
|
||||
import ru.pdguard.detect.NameCascade;
|
||||
import ru.pdguard.detect.NameDictionary;
|
||||
import ru.pdguard.detect.RuleRegistry;
|
||||
import ru.pdguard.mask.MaskContext;
|
||||
import ru.pdguard.mask.Masker;
|
||||
|
||||
import java.util.ArrayList;
|
||||
import java.util.Comparator;
|
||||
import java.util.HashSet;
|
||||
import java.util.LinkedHashMap;
|
||||
import java.util.List;
|
||||
import java.util.Map;
|
||||
import java.util.NavigableMap;
|
||||
import java.util.Set;
|
||||
import java.util.TreeMap;
|
||||
import java.util.concurrent.TimeUnit;
|
||||
import org.slf4j.Logger;
|
||||
import org.slf4j.LoggerFactory;
|
||||
import org.springframework.beans.factory.annotation.Autowired;
|
||||
import org.springframework.stereotype.Component;
|
||||
import ru.pdguard.config.SystemPolicy;
|
||||
import ru.pdguard.detect.NameCascade;
|
||||
import ru.pdguard.detect.NameDictionary;
|
||||
import ru.pdguard.detect.OrganisationDetector;
|
||||
import ru.pdguard.detect.PdTypes;
|
||||
import ru.pdguard.detect.RuleRegistry;
|
||||
import ru.pdguard.detect.Span;
|
||||
import ru.pdguard.mask.MaskContext;
|
||||
import ru.pdguard.mask.MaskMode;
|
||||
import ru.pdguard.mask.Masker;
|
||||
|
||||
/**
|
||||
* Обработка одного обращения: поиск ПД, маскирование и обратное преобразование.
|
||||
*
|
||||
* <p>Направление определяется по {@code payload_id}, а не по содержимому запроса:
|
||||
*
|
||||
* <ul>
|
||||
* <li>идентификатор неизвестен — маскируем;
|
||||
* <li>пришёл ранее выданный нами текст маски — возвращаем исходный текст;
|
||||
* <li>пришёл тот же исходный текст — возвращаем ту же маску, что и в первый раз.
|
||||
* <li>идентификатор неизвестен — маскируем;</li>
|
||||
* <li>пришёл ранее выданный нами текст маски — возвращаем исходный текст;</li>
|
||||
* <li>пришёл тот же исходный текст — возвращаем ту же маску, что и в первый раз.</li>
|
||||
* </ul>
|
||||
*
|
||||
* Последний случай — повторная попытка проверяющей системы: ответ обязан совпасть с первым, иначе
|
||||
* демаскирование по этому элементу развалится.
|
||||
* Последний случай — повторная попытка проверяющей системы: ответ обязан
|
||||
* совпасть с первым, иначе демаскирование по этому элементу развалится.
|
||||
*/
|
||||
@Component
|
||||
@ApplicationScoped
|
||||
public class Pipeline {
|
||||
|
||||
private static final Logger LOG = LoggerFactory.getLogger(Pipeline.class);
|
||||
private static final Logger LOG = Logger.getLogger(Pipeline.class);
|
||||
|
||||
/** Грубая оценка числа токенов по числу символов — для метрики TPS. */
|
||||
private static final int CHARS_PER_TOKEN = 4;
|
||||
/** Грубая оценка числа токенов по числу символов — для метрики TPS. */
|
||||
private static final int CHARS_PER_TOKEN = 4;
|
||||
|
||||
private final RuleRegistry registry;
|
||||
private final Masker masker;
|
||||
private final PayloadStore store;
|
||||
private final MeterRegistry meters;
|
||||
private final NameCascade cascade;
|
||||
private final Counter tokensProcessed;
|
||||
private final Counter unresolvedDemask;
|
||||
private final RuleRegistry registry;
|
||||
private final Masker masker;
|
||||
private final PayloadStore store;
|
||||
private final MeterRegistry meters;
|
||||
private final NameCascade cascade;
|
||||
private final Timer maskTimer;
|
||||
private final Timer unmaskTimer;
|
||||
private final Counter tokensProcessed;
|
||||
|
||||
@Autowired
|
||||
public Pipeline(
|
||||
RuleRegistry registry,
|
||||
Masker masker,
|
||||
PayloadStore store,
|
||||
MeterRegistry meters,
|
||||
NameCascade cascade) {
|
||||
this.registry = registry;
|
||||
this.masker = masker;
|
||||
this.store = store;
|
||||
this.meters = meters;
|
||||
this.cascade = cascade;
|
||||
meters.gauge("pdguard.store.chars", store, PayloadStore::charsHeld);
|
||||
this.tokensProcessed =
|
||||
Counter.builder("pdguard.tokens.processed")
|
||||
.description("Оценка числа обработанных токенов, для расчёта TPS")
|
||||
.register(meters);
|
||||
this.unresolvedDemask =
|
||||
Counter.builder("pdguard.demask.unresolved")
|
||||
.description(
|
||||
"Запрос на демаскирование, для которого соответствие не нашлось ни по "
|
||||
+ "id, ни по отпечатку маски — обработан как новое маскирование")
|
||||
.register(meters);
|
||||
}
|
||||
|
||||
/** Конструктор для тестов: метрики никуда не отдаются, вторая ступень выключена. */
|
||||
public Pipeline(RuleRegistry registry, Masker masker, PayloadStore store) {
|
||||
this(registry, masker, store, new SimpleMeterRegistry(), NameCascade.disabled());
|
||||
}
|
||||
|
||||
/** Конструктор для тестов второй ступени. */
|
||||
public Pipeline(RuleRegistry registry, Masker masker, PayloadStore store, NameCascade cascade) {
|
||||
this(registry, masker, store, new SimpleMeterRegistry(), cascade);
|
||||
}
|
||||
|
||||
public String process(String payload, String payloadId, SystemPolicy policy) {
|
||||
long started = System.nanoTime();
|
||||
tokensProcessed.increment((double) payload.length() / CHARS_PER_TOKEN);
|
||||
|
||||
PayloadStore.Entry known = store.byId(policy.name(), payloadId);
|
||||
if (known != null) {
|
||||
if (policy.demask() && payload.equals(known.masked())) {
|
||||
LOG.debug("payload_id={} обратное преобразование по идентификатору", payloadId);
|
||||
recordLatency("unmask", policy.name(), started);
|
||||
return known.original();
|
||||
}
|
||||
if (payload.equals(known.original())) {
|
||||
LOG.debug("payload_id={} повторная попытка, отдаём прежнюю маску", payloadId);
|
||||
recordLatency("mask", policy.name(), started);
|
||||
return known.masked();
|
||||
}
|
||||
@Inject
|
||||
public Pipeline(RuleRegistry registry, Masker masker, PayloadStore store, MeterRegistry meters,
|
||||
NameCascade cascade) {
|
||||
this.registry = registry;
|
||||
this.masker = masker;
|
||||
this.store = store;
|
||||
this.meters = meters;
|
||||
this.cascade = cascade;
|
||||
this.maskTimer = Timer.builder("pdguard.process")
|
||||
.description("Длительность обработки обращения")
|
||||
.tag("direction", "mask")
|
||||
.register(meters);
|
||||
this.unmaskTimer = Timer.builder("pdguard.process")
|
||||
.description("Длительность обработки обращения")
|
||||
.tag("direction", "unmask")
|
||||
.register(meters);
|
||||
this.tokensProcessed = Counter.builder("pdguard.tokens.processed")
|
||||
.description("Оценка числа обработанных токенов, для расчёта TPS")
|
||||
.register(meters);
|
||||
}
|
||||
if (policy.demask()) {
|
||||
String original = store.originalForMask(policy.name(), payload);
|
||||
if (original != null) {
|
||||
LOG.debug("payload_id={} обратное преобразование по отпечатку маски", payloadId);
|
||||
recordLatency("unmask", policy.name(), started);
|
||||
return original;
|
||||
}
|
||||
// Соответствие не нашлось нигде — не отличить достоверно новый payload от
|
||||
// демаскирования с утраченным состоянием (например, узел, где маскировали,
|
||||
// не успел записать в общий слой). Ниже это обработается как маскирование
|
||||
// «с нуля», что для настоящего демаскирования даст неверный ответ — считаем
|
||||
// и логируем каждый такой случай явно, чтобы не потерять его молча.
|
||||
unresolvedDemask.increment();
|
||||
LOG.warn(
|
||||
"payload_id={} демаскирование не нашло соответствие ни по id, ни по "
|
||||
+ "отпечатку маски — payload обработан как новый (см. pdguard.demask.unresolved)",
|
||||
payloadId);
|
||||
|
||||
/** Конструктор для тестов: метрики никуда не отдаются, вторая ступень выключена. */
|
||||
public Pipeline(RuleRegistry registry, Masker masker, PayloadStore store) {
|
||||
this(registry, masker, store, new SimpleMeterRegistry(), NameCascade.disabled());
|
||||
}
|
||||
return mask(payload, payloadId, policy, started);
|
||||
}
|
||||
|
||||
/**
|
||||
* Длительность обработки с разрезом по направлению и системе-потребителю. Метрики берутся из
|
||||
* реестра по тегам: систем немного и они заданы настройками, поэтому разрастания рядов не будет,
|
||||
* а разрез по потребителям виден сразу.
|
||||
*/
|
||||
private void recordLatency(String direction, String system, long startedNanos) {
|
||||
Timer.builder("pdguard.process")
|
||||
.description("Длительность обработки обращения")
|
||||
.tag("direction", direction)
|
||||
.tag("system", system)
|
||||
.register(meters)
|
||||
.record(System.nanoTime() - startedNanos, TimeUnit.NANOSECONDS);
|
||||
}
|
||||
|
||||
/**
|
||||
* Фрагменты, которые будут замаскированы: поиск по правилам, разрешение перекрытий и все
|
||||
* отсечения. Отдельный метод нужен, чтобы качество детекции можно было измерить, не разбирая
|
||||
* замаскированный текст обратно.
|
||||
*/
|
||||
public List<Span> findPersonalData(String text, SystemPolicy policy) {
|
||||
List<Span> spans = resolveOverlaps(registry.detect(text, policy));
|
||||
if (cascade.coversAny(policy)) {
|
||||
// Вторая ступень разбирает только то, что не покрыла первая.
|
||||
spans = resolveOverlaps(cascade.addMissedNames(text, spans));
|
||||
/** Конструктор для тестов второй ступени. */
|
||||
public Pipeline(RuleRegistry registry, Masker masker, PayloadStore store, NameCascade cascade) {
|
||||
this(registry, masker, store, new SimpleMeterRegistry(), cascade);
|
||||
}
|
||||
spans = dropOrganisationNames(text, spans);
|
||||
spans = dropWellKnownNames(text, spans);
|
||||
return dropLonelyCompanions(spans, policy);
|
||||
}
|
||||
|
||||
private String mask(String payload, String payloadId, SystemPolicy policy, long started) {
|
||||
List<Span> spans = findPersonalData(payload, policy);
|
||||
String masked = apply(payload, spans, policy);
|
||||
store.put(policy.name(), payloadId, payload, masked);
|
||||
public String process(String payload, String payloadId, SystemPolicy policy) {
|
||||
long started = System.nanoTime();
|
||||
tokensProcessed.increment((double) payload.length() / CHARS_PER_TOKEN);
|
||||
|
||||
recordLatency("mask", policy.name(), started);
|
||||
logFindings(policy.name(), payloadId, payload.length(), spans);
|
||||
return masked;
|
||||
}
|
||||
|
||||
/**
|
||||
* Оставляет непересекающиеся фрагменты: при конфликте побеждает более приоритетный, при равном
|
||||
* приоритете — более длинный.
|
||||
*/
|
||||
static List<Span> resolveOverlaps(List<Span> spans) {
|
||||
List<Span> candidates = new ArrayList<>(spans);
|
||||
candidates.sort(
|
||||
Comparator.comparingInt(Span::priority)
|
||||
.reversed()
|
||||
.thenComparing(Comparator.comparingInt(Span::length).reversed())
|
||||
.thenComparingInt(Span::start));
|
||||
|
||||
// Принятые фрагменты не пересекаются и упорядочены по началу, поэтому
|
||||
// кандидату достаточно сверить себя с ближайшим слева и ближайшим справа.
|
||||
// Перебор всех принятых давал бы квадрат: на тексте в сотню тысяч токенов
|
||||
// фрагментов набираются тысячи.
|
||||
NavigableMap<Integer, Span> accepted = new TreeMap<>();
|
||||
for (Span candidate : candidates) {
|
||||
if (overlapsAccepted(accepted, candidate)) {
|
||||
continue;
|
||||
}
|
||||
accepted.put(candidate.start(), candidate);
|
||||
PayloadStore.Entry known = store.byId(payloadId);
|
||||
if (known != null) {
|
||||
if (policy.demask() && payload.equals(known.masked())) {
|
||||
LOG.debugf("payload_id=%s обратное преобразование по идентификатору", payloadId);
|
||||
unmaskTimer.record(System.nanoTime() - started, TimeUnit.NANOSECONDS);
|
||||
return known.original();
|
||||
}
|
||||
if (payload.equals(known.original())) {
|
||||
LOG.debugf("payload_id=%s повторная попытка, отдаём прежнюю маску", payloadId);
|
||||
maskTimer.record(System.nanoTime() - started, TimeUnit.NANOSECONDS);
|
||||
return known.masked();
|
||||
}
|
||||
}
|
||||
if (policy.demask()) {
|
||||
String original = store.originalForMask(payload);
|
||||
if (original != null) {
|
||||
LOG.debugf("payload_id=%s обратное преобразование по отпечатку маски", payloadId);
|
||||
unmaskTimer.record(System.nanoTime() - started, TimeUnit.NANOSECONDS);
|
||||
return original;
|
||||
}
|
||||
}
|
||||
return mask(payload, payloadId, policy, started);
|
||||
}
|
||||
return List.copyOf(accepted.values());
|
||||
}
|
||||
|
||||
/** Проверяет, пересекается ли кандидат с ближайшим принятым слева или справа. */
|
||||
private static boolean overlapsAccepted(NavigableMap<Integer, Span> accepted, Span candidate) {
|
||||
Map.Entry<Integer, Span> before = accepted.floorEntry(candidate.start());
|
||||
if (before != null && before.getValue().overlaps(candidate)) {
|
||||
return true;
|
||||
/**
|
||||
* Фрагменты, которые будут замаскированы: поиск по правилам, разрешение
|
||||
* перекрытий и все отсечения. Отдельный метод нужен, чтобы качество детекции
|
||||
* можно было измерить, не разбирая замаскированный текст обратно.
|
||||
*/
|
||||
public List<Span> findPersonalData(String text, SystemPolicy policy) {
|
||||
List<Span> spans = resolveOverlaps(registry.detect(text, policy));
|
||||
if (policy.allows(RuleRegistry.FIO)) {
|
||||
// Вторая ступень разбирает только то, что не покрыла первая.
|
||||
spans = resolveOverlaps(cascade.addMissedNames(text, spans));
|
||||
}
|
||||
spans = dropWellKnownNames(text, spans);
|
||||
return dropLonelyCompanions(spans, policy);
|
||||
}
|
||||
Map.Entry<Integer, Span> after = accepted.ceilingEntry(candidate.start());
|
||||
return after != null && after.getValue().overlaps(candidate);
|
||||
}
|
||||
|
||||
/**
|
||||
* Убирает имена, стоящие в названиях организаций и объектов на карте: «Институт Склифосовского»,
|
||||
* «Музей Тропинина», «улица Королёва». Проверка не зависит от того, есть ли в тексте другие ПД:
|
||||
* слово перед именем решает само по себе.
|
||||
*/
|
||||
static List<Span> dropOrganisationNames(String text, List<Span> spans) {
|
||||
return spans.stream()
|
||||
.filter(
|
||||
span ->
|
||||
!PdTypes.FIO.equals(span.type())
|
||||
|| !OrganisationDetector.precededByOrganisation(text, span.start()))
|
||||
.toList();
|
||||
}
|
||||
private String mask(String payload, String payloadId, SystemPolicy policy, long started) {
|
||||
List<Span> spans = findPersonalData(payload, policy);
|
||||
String masked = apply(payload, spans, policy);
|
||||
store.put(payloadId, payload, masked);
|
||||
|
||||
/**
|
||||
* Убирает имена известных людей: «стихи Александра Пушкина» персональными данными не являются.
|
||||
* Если же в тексте есть ПД другого типа, речь идёт о конкретном человеке, и имя остаётся
|
||||
* замаскированным — однофамилец исторической фигуры защиту не теряет.
|
||||
*/
|
||||
static List<Span> dropWellKnownNames(String text, List<Span> spans) {
|
||||
boolean otherPersonalDataPresent =
|
||||
spans.stream().anyMatch(span -> !PdTypes.FIO.equals(span.type()));
|
||||
if (otherPersonalDataPresent) {
|
||||
return spans;
|
||||
maskTimer.record(System.nanoTime() - started, TimeUnit.NANOSECONDS);
|
||||
logFindings(payloadId, payload.length(), spans);
|
||||
return masked;
|
||||
}
|
||||
return spans.stream()
|
||||
.filter(span -> !PdTypes.FIO.equals(span.type()) || !isWellKnownHere(text, span))
|
||||
.toList();
|
||||
}
|
||||
|
||||
/**
|
||||
* Известный человек по самому спану («Пушкина») или по спану вместе со следующим словом
|
||||
* («Ярослав» + «Мудрый»): правило-однослов ловит имя правителя отдельно от прозвища, а {@code
|
||||
* REGNAL_NAME} распознаёт только двухсловную форму целиком.
|
||||
*/
|
||||
private static boolean isWellKnownHere(String text, Span span) {
|
||||
if (NameDictionary.isWellKnown(text.substring(span.start(), span.end()))) {
|
||||
return true;
|
||||
}
|
||||
int wordStart = span.end();
|
||||
while (wordStart < text.length() && Character.isWhitespace(text.charAt(wordStart))) {
|
||||
wordStart++;
|
||||
}
|
||||
int wordEnd = wordStart;
|
||||
while (wordEnd < text.length() && Character.isLetter(text.charAt(wordEnd))) {
|
||||
wordEnd++;
|
||||
}
|
||||
return wordEnd > wordStart && NameDictionary.isWellKnown(text.substring(span.start(), wordEnd));
|
||||
}
|
||||
/**
|
||||
* Оставляет непересекающиеся фрагменты: при конфликте побеждает более
|
||||
* приоритетный, при равном приоритете — более длинный.
|
||||
*/
|
||||
static List<Span> resolveOverlaps(List<Span> spans) {
|
||||
List<Span> candidates = new ArrayList<>(spans);
|
||||
candidates.sort(Comparator.comparingInt(Span::priority).reversed()
|
||||
.thenComparing(Comparator.comparingInt(Span::length).reversed())
|
||||
.thenComparingInt(Span::start));
|
||||
|
||||
/**
|
||||
* Убирает типы, которые опасны только в сочетании с другими ПД. Пин-код в отрыве от номера карты
|
||||
* не является персональными данными, рядом с номером карты — является.
|
||||
*
|
||||
* <p>Спутником считается только находка самостоятельного типа. Раньше здесь сравнивалось число
|
||||
* различных типов, и два спутника заверяли друг друга: «Оплата 01.02.2025, ОГРН 1027700132195»
|
||||
* маскировалась целиком, хотя человека в тексте нет, а дата и ОГРН по отдельности персональными
|
||||
* данными не являются. Сочетание двух несамостоятельных типов самостоятельным не становится.
|
||||
*/
|
||||
static List<Span> dropLonelyCompanions(List<Span> spans, SystemPolicy policy) {
|
||||
for (Span span : spans) {
|
||||
if (!policy.needsCompanion(span.type())) {
|
||||
return spans;
|
||||
}
|
||||
// Принятые фрагменты не пересекаются и упорядочены по началу, поэтому
|
||||
// кандидату достаточно сверить себя с ближайшим слева и ближайшим справа.
|
||||
// Перебор всех принятых давал бы квадрат: на тексте в сотню тысяч токенов
|
||||
// фрагментов набираются тысячи.
|
||||
NavigableMap<Integer, Span> accepted = new TreeMap<>();
|
||||
for (Span candidate : candidates) {
|
||||
Map.Entry<Integer, Span> before = accepted.floorEntry(candidate.start());
|
||||
if (before != null && before.getValue().overlaps(candidate)) {
|
||||
continue;
|
||||
}
|
||||
Map.Entry<Integer, Span> after = accepted.ceilingEntry(candidate.start());
|
||||
if (after != null && after.getValue().overlaps(candidate)) {
|
||||
continue;
|
||||
}
|
||||
accepted.put(candidate.start(), candidate);
|
||||
}
|
||||
return List.copyOf(accepted.values());
|
||||
}
|
||||
// Дошли сюда — самостоятельных находок нет, а значит все оставшиеся спутники одиноки.
|
||||
return List.of();
|
||||
}
|
||||
|
||||
/** Замаскированный текст вместе с таблицей обратной замены. */
|
||||
public record Masked(String text, Map<String, String> restorations) {
|
||||
public Masked {
|
||||
restorations = Map.copyOf(restorations);
|
||||
/**
|
||||
* Убирает имена известных людей: «стихи Александра Пушкина» персональными
|
||||
* данными не являются. Если же в тексте есть ПД другого типа, речь идёт о
|
||||
* конкретном человеке, и имя остаётся замаскированным — однофамилец
|
||||
* исторической фигуры защиту не теряет.
|
||||
*/
|
||||
static List<Span> dropWellKnownNames(String text, List<Span> spans) {
|
||||
boolean otherPersonalDataPresent = spans.stream()
|
||||
.anyMatch(span -> !RuleRegistry.FIO.equals(span.type()));
|
||||
if (otherPersonalDataPresent) {
|
||||
return spans;
|
||||
}
|
||||
return spans.stream()
|
||||
.filter(span -> !RuleRegistry.FIO.equals(span.type())
|
||||
|| !NameDictionary.isWellKnown(text.substring(span.start(), span.end())))
|
||||
.toList();
|
||||
}
|
||||
}
|
||||
|
||||
/**
|
||||
* Маскирует текст и отдаёт таблицу обратной замены.
|
||||
*
|
||||
* <p>Нужно для прокси к языковой модели: ответ модели — другой текст, и восстановить его целиком
|
||||
* по идентификатору нельзя, замену приходится делать пофрагментно. Звёздочки для этого не годятся
|
||||
* — одна и та же маска может отвечать разным значениям, — поэтому режим замены здесь всегда
|
||||
* обратимый.
|
||||
*/
|
||||
public Masked maskWithRestorations(String text, SystemPolicy policy) {
|
||||
SystemPolicy reversible =
|
||||
new SystemPolicy(
|
||||
policy.name(),
|
||||
policy.enabled(),
|
||||
policy.demask(),
|
||||
MaskMode.TOKEN,
|
||||
policy.types(),
|
||||
policy.requireCompanion(),
|
||||
policy.key());
|
||||
List<Span> spans = findPersonalData(text, reversible);
|
||||
if (spans.isEmpty()) {
|
||||
return new Masked(text, Map.of());
|
||||
/**
|
||||
* Убирает типы, которые опасны только в сочетании с другими ПД.
|
||||
* Пин-код в отрыве от номера карты не является персональными данными,
|
||||
* рядом с номером карты — является.
|
||||
*/
|
||||
static List<Span> dropLonelyCompanions(List<Span> spans, SystemPolicy policy) {
|
||||
Set<String> present = new HashSet<>();
|
||||
for (Span span : spans) {
|
||||
present.add(span.type());
|
||||
}
|
||||
if (present.size() > 1) {
|
||||
return spans;
|
||||
}
|
||||
return spans.stream().filter(span -> !policy.needsCompanion(span.type())).toList();
|
||||
}
|
||||
MaskContext context = new MaskContext();
|
||||
String masked = apply(text, spans, reversible, context);
|
||||
logFindings(policy.name(), "proxy", text.length(), spans);
|
||||
return new Masked(masked, context.restorations());
|
||||
}
|
||||
|
||||
private String apply(String text, List<Span> spans, SystemPolicy policy) {
|
||||
return apply(text, spans, policy, new MaskContext());
|
||||
}
|
||||
private String apply(String text, List<Span> spans, SystemPolicy policy) {
|
||||
if (spans.isEmpty()) {
|
||||
return text;
|
||||
}
|
||||
MaskContext context = new MaskContext();
|
||||
StringBuilder sb = new StringBuilder(text.length());
|
||||
int cursor = 0;
|
||||
for (Span span : spans) {
|
||||
sb.append(text, cursor, span.start());
|
||||
String value = text.substring(span.start(), span.end());
|
||||
sb.append(masker.mask(span.type(), value, policy.maskMode(), context));
|
||||
cursor = span.end();
|
||||
}
|
||||
sb.append(text, cursor, text.length());
|
||||
return sb.toString();
|
||||
}
|
||||
|
||||
private String apply(String text, List<Span> spans, SystemPolicy policy, MaskContext context) {
|
||||
if (spans.isEmpty()) {
|
||||
return text;
|
||||
/**
|
||||
* В журнал и в метрики попадают только идентификатор, типы ПД и их количество.
|
||||
* Сами значения не логируются ни на одном уровне.
|
||||
*/
|
||||
private void logFindings(String payloadId, int length, List<Span> spans) {
|
||||
Map<String, Integer> counts = new LinkedHashMap<>();
|
||||
for (Span span : spans) {
|
||||
counts.merge(span.type(), 1, Integer::sum);
|
||||
}
|
||||
counts.forEach((type, count) -> meters.counter("pdguard.pd.detected", "type", type).increment(count));
|
||||
LOG.infof("payload_id=%s символов=%d найдено=%s", payloadId, length, counts);
|
||||
}
|
||||
StringBuilder sb = new StringBuilder(text.length());
|
||||
int cursor = 0;
|
||||
for (Span span : spans) {
|
||||
sb.append(text, cursor, span.start());
|
||||
String value = text.substring(span.start(), span.end());
|
||||
sb.append(masker.mask(span.type(), value, policy.maskMode(), context));
|
||||
cursor = span.end();
|
||||
}
|
||||
sb.append(text, cursor, text.length());
|
||||
return sb.toString();
|
||||
}
|
||||
|
||||
/**
|
||||
* В журнал и в метрики попадают только идентификатор, типы ПД и их количество. На INFO и выше
|
||||
* сами значения не логируются; на DEBUG они временно видны через отдельный вызов в {@link #mask}
|
||||
* — см. комментарий там.
|
||||
*/
|
||||
private void logFindings(String system, String payloadId, int length, List<Span> spans) {
|
||||
Map<String, Integer> counts = new LinkedHashMap<>();
|
||||
for (Span span : spans) {
|
||||
counts.merge(span.type(), 1, Integer::sum);
|
||||
}
|
||||
counts.forEach(
|
||||
(type, count) ->
|
||||
meters.counter("pdguard.pd.detected", "type", type, "system", system).increment(count));
|
||||
LOG.info("payload_id={} символов={} найдено={}", payloadId, length, counts);
|
||||
}
|
||||
}
|
||||
|
||||
@@ -1,87 +0,0 @@
|
||||
package ru.pdguard.core;
|
||||
|
||||
import jakarta.annotation.PostConstruct;
|
||||
import java.util.Set;
|
||||
import org.slf4j.Logger;
|
||||
import org.slf4j.LoggerFactory;
|
||||
import org.springframework.beans.factory.annotation.Value;
|
||||
import org.springframework.stereotype.Component;
|
||||
import ru.pdguard.config.SystemPolicy;
|
||||
import ru.pdguard.detect.NameCascade;
|
||||
import ru.pdguard.detect.RuleRegistry;
|
||||
import ru.pdguard.mask.MaskMode;
|
||||
import ru.pdguard.mask.Masker;
|
||||
|
||||
/**
|
||||
* Прогон обработки на старте, чтобы первые запросы не попадали на непрогретый код.
|
||||
*
|
||||
* <p>На JVM разница измерима: без прогрева первые десятки секунд нагрузки идут по интерпретируемому
|
||||
* и наспех скомпилированному коду, и p95 оказывается примерно вдесятеро хуже установившегося.
|
||||
* Несколько тысяч прогонов на старте занимают доли секунды и переводят горячий путь на
|
||||
* оптимизирующий компилятор до того, как придут настоящие запросы.
|
||||
*
|
||||
* <p>Прогрев идёт через отдельный экземпляр обработки со своим короткоживущим хранилищем: настоящие
|
||||
* соответствия «текст ↔ маска» замусорить нельзя.
|
||||
*
|
||||
* <p>Вторая ступень при прогреве выключена, и не только ради времени: её счётчики показывают долю
|
||||
* запросов, дошедших до модели, а тысячи служебных прогонов эту долю исказили бы до неузнаваемости.
|
||||
* Сама модель прогревается отдельно, при создании своего пула.
|
||||
*/
|
||||
@Component
|
||||
public class PipelineWarmup {
|
||||
|
||||
private static final Logger LOG = LoggerFactory.getLogger(PipelineWarmup.class);
|
||||
|
||||
/** Тексты подобраны так, чтобы задеть основные семейства правил. */
|
||||
private static final String[] SAMPLES = {
|
||||
"Клиент Иванов Иван Иванович, паспорт 4509 123456, тел +7 916 123-45-67",
|
||||
"Заявление от И.И. Петрова, ИНН 770301234550, почта ivan.petrov@mail.ru",
|
||||
"Адрес: 125009, г. Москва, ул. Тверская, д. 7, кв. 15, карта 4111 1111 1111 1111",
|
||||
"Дата рождения 12.05.1985, место рождения: город Тверь, гражданство РФ",
|
||||
"Напиши краткое описание продукта для рассылки клиентам банка",
|
||||
};
|
||||
|
||||
private final RuleRegistry registry;
|
||||
private final Masker masker;
|
||||
private final int iterations;
|
||||
|
||||
public PipelineWarmup(
|
||||
RuleRegistry registry,
|
||||
Masker masker,
|
||||
@Value("${pdguard.warmup-iterations:2000}") int iterations) {
|
||||
this.registry = registry;
|
||||
this.masker = masker;
|
||||
this.iterations = iterations;
|
||||
}
|
||||
|
||||
@PostConstruct
|
||||
void warmup() {
|
||||
if (iterations <= 0) {
|
||||
LOG.info("Прогрев обработки отключён");
|
||||
return;
|
||||
}
|
||||
long started = System.nanoTime();
|
||||
Pipeline scratch =
|
||||
new Pipeline(registry, masker, new PayloadStore(1), NameCascade.disabled());
|
||||
SystemPolicy policy =
|
||||
new SystemPolicy(
|
||||
SystemPolicy.DEFAULT_NAME,
|
||||
true,
|
||||
true,
|
||||
MaskMode.MASK,
|
||||
Set.of(SystemPolicy.ALL),
|
||||
SystemPolicy.DEFAULT.requireCompanion(),
|
||||
null);
|
||||
|
||||
for (int i = 0; i < iterations; i++) {
|
||||
String text = SAMPLES[i % SAMPLES.length];
|
||||
String id = "warmup-" + i;
|
||||
String masked = scratch.process(text, id, policy);
|
||||
scratch.process(masked, id, policy);
|
||||
}
|
||||
LOG.info(
|
||||
"Прогрев обработки: {} прогонов за {} мс",
|
||||
iterations,
|
||||
(System.nanoTime() - started) / 1_000_000);
|
||||
}
|
||||
}
|
||||
@@ -1,18 +0,0 @@
|
||||
package ru.pdguard.core;
|
||||
|
||||
/**
|
||||
* Ключ, однозначно разделяющий системы-потребители.
|
||||
*
|
||||
* <p>Длина имени в начале снимает вопрос о разделителе: имя системы может содержать любые знаки, и
|
||||
* без длины «a:b» и «ab:» были бы неразличимы. Используется и в локальном хранилище, и в общем слое
|
||||
* — единая реализация вместо двух копий.
|
||||
*/
|
||||
final class ScopedKey {
|
||||
|
||||
private ScopedKey() {}
|
||||
|
||||
static String of(String system, String key) {
|
||||
String owner = system == null ? "" : system;
|
||||
return owner.length() + ":" + owner + ":" + key;
|
||||
}
|
||||
}
|
||||
@@ -1,165 +1,167 @@
|
||||
package ru.pdguard.core;
|
||||
|
||||
import com.fasterxml.jackson.core.JsonProcessingException;
|
||||
import com.fasterxml.jackson.databind.ObjectMapper;
|
||||
import io.quarkus.redis.datasource.RedisDataSource;
|
||||
import io.quarkus.redis.datasource.value.SetArgs;
|
||||
import io.quarkus.redis.datasource.value.ValueCommands;
|
||||
import io.quarkus.runtime.annotations.RegisterForReflection;
|
||||
import jakarta.enterprise.context.ApplicationScoped;
|
||||
import jakarta.enterprise.inject.Instance;
|
||||
import org.eclipse.microprofile.config.inject.ConfigProperty;
|
||||
import org.jboss.logging.Logger;
|
||||
|
||||
import java.time.Duration;
|
||||
import java.util.concurrent.atomic.AtomicInteger;
|
||||
import org.slf4j.Logger;
|
||||
import org.slf4j.LoggerFactory;
|
||||
import org.springframework.beans.factory.annotation.Value;
|
||||
import org.springframework.data.redis.core.StringRedisTemplate;
|
||||
import org.springframework.stereotype.Component;
|
||||
|
||||
/**
|
||||
* Общий слой соответствий «текст ↔ маска» для работы на нескольких узлах.
|
||||
*
|
||||
* <p>Маскирование — чистая функция, на любом узле даёт один и тот же результат. Обратное же
|
||||
* преобразование требует состояния: если прямой запрос обработал один узел, а обратный попал на
|
||||
* другой, соответствие должно быть общим.
|
||||
* <p>Маскирование — чистая функция, на любом узле даёт один и тот же результат.
|
||||
* Обратное же преобразование требует состояния: если прямой запрос обработал
|
||||
* один узел, а обратный попал на другой, соответствие должно быть общим.
|
||||
*
|
||||
* <p>Включается настройкой {@code pdguard.store.backend=redis}. Пока она не выставлена, к Redis не
|
||||
* обращаются вовсе и зависимость остаётся неактивной.
|
||||
* <p>Включается настройкой {@code pdguard.store.backend=redis}. Пока она не
|
||||
* выставлена, к Redis не обращаются вовсе и зависимость остаётся неактивной.
|
||||
*
|
||||
* <p>Недоступность Redis не приводит к отказу: запись и чтение деградируют до локальной памяти
|
||||
* узла, а ошибка попадает в журнал. Чтобы простой Redis не съедал время ответа, команды ограничены
|
||||
* по времени настройкой {@code spring.data.redis.timeout}, а после нескольких подряд неудач общий
|
||||
* слой временно перестают опрашивать вовсе.
|
||||
* <p>Недоступность Redis не приводит к отказу: запись и чтение деградируют до
|
||||
* локальной памяти узла, а ошибка попадает в журнал. Чтобы простой Redis не
|
||||
* съедал время ответа, команды ограничены по времени настройкой
|
||||
* {@code quarkus.redis.timeout}, а после нескольких подряд неудач общий слой
|
||||
* временно перестают опрашивать вовсе.
|
||||
*/
|
||||
@Component
|
||||
@ApplicationScoped
|
||||
public class SharedIndex {
|
||||
|
||||
private static final Logger LOG = LoggerFactory.getLogger(SharedIndex.class);
|
||||
private static final Logger LOG = Logger.getLogger(SharedIndex.class);
|
||||
|
||||
/** Сколько подряд неудач размыкает предохранитель. */
|
||||
private static final int FAILURES_TO_OPEN = 3;
|
||||
private static final String KEY_BY_ID = "pdg:id:";
|
||||
private static final String KEY_BY_MASK = "pdg:mask:";
|
||||
|
||||
/** На сколько общий слой перестают опрашивать после размыкания. */
|
||||
private static final long OPEN_MILLIS = 5_000;
|
||||
/** Сколько подряд неудач размыкает предохранитель. */
|
||||
private static final int FAILURES_TO_OPEN = 3;
|
||||
|
||||
/** Пара «исходный текст — маска», как она хранится в общем слое. */
|
||||
public record SharedEntry(String original, String masked) {}
|
||||
/** На сколько общий слой перестают опрашивать после размыкания. */
|
||||
private static final long OPEN_MILLIS = 5_000;
|
||||
|
||||
private final boolean enabled;
|
||||
private final Duration ttl;
|
||||
private final StringRedisTemplate redis;
|
||||
private final ObjectMapper mapper;
|
||||
private final PayloadCipher cipher;
|
||||
|
||||
private final AtomicInteger consecutiveFailures = new AtomicInteger();
|
||||
private volatile long silentUntil;
|
||||
private volatile boolean reported;
|
||||
|
||||
public SharedIndex(
|
||||
StringRedisTemplate redis,
|
||||
@Value("${pdguard.store.backend:memory}") String backend,
|
||||
@Value("${pdguard.store.ttl-minutes:30}") int ttlMinutes,
|
||||
ObjectMapper mapper,
|
||||
PayloadCipher cipher) {
|
||||
this.redis = redis;
|
||||
this.enabled = "redis".equalsIgnoreCase(backend);
|
||||
this.ttl = Duration.ofMinutes(ttlMinutes);
|
||||
this.mapper = mapper;
|
||||
this.cipher = cipher;
|
||||
}
|
||||
|
||||
/** Выключенный слой — для тестов и для сборки без Redis. */
|
||||
public static SharedIndex disabled() {
|
||||
return new SharedIndex(null, "memory", 30, new ObjectMapper(), PayloadCipher.disabled());
|
||||
}
|
||||
|
||||
public boolean enabled() {
|
||||
return enabled;
|
||||
}
|
||||
|
||||
public void put(
|
||||
String system, String payloadId, String original, String masked, String maskFingerprint) {
|
||||
if (unavailable()) {
|
||||
return;
|
||||
/** Пара «исходный текст — маска», как она хранится в общем слое. */
|
||||
@RegisterForReflection
|
||||
public record SharedEntry(String original, String masked) {
|
||||
}
|
||||
try {
|
||||
String encrypted = cipher.encrypt(original);
|
||||
redis
|
||||
.opsForValue()
|
||||
.set(ScopedKey.of(system, payloadId), toJson(new SharedEntry(encrypted, masked)), ttl);
|
||||
redis.opsForValue().set(ScopedKey.of(system, maskFingerprint), encrypted, ttl);
|
||||
noteSuccess();
|
||||
} catch (RuntimeException e) {
|
||||
noteFailure("записать", e);
|
||||
}
|
||||
}
|
||||
|
||||
public SharedEntry byId(String system, String payloadId) {
|
||||
if (unavailable()) {
|
||||
return null;
|
||||
}
|
||||
try {
|
||||
String json = redis.opsForValue().get(ScopedKey.of(system, payloadId));
|
||||
noteSuccess();
|
||||
SharedEntry entry = json == null ? null : fromJson(json);
|
||||
return entry == null
|
||||
? null
|
||||
: new SharedEntry(cipher.decrypt(entry.original()), entry.masked());
|
||||
} catch (RuntimeException e) {
|
||||
noteFailure("прочитать", e);
|
||||
return null;
|
||||
}
|
||||
}
|
||||
private final boolean enabled;
|
||||
private final Duration ttl;
|
||||
private final Instance<RedisDataSource> redisSource;
|
||||
|
||||
public String originalForFingerprint(String system, String maskFingerprint) {
|
||||
if (unavailable()) {
|
||||
return null;
|
||||
}
|
||||
try {
|
||||
String encrypted = redis.opsForValue().get(ScopedKey.of(system, maskFingerprint));
|
||||
noteSuccess();
|
||||
return encrypted == null ? null : cipher.decrypt(encrypted);
|
||||
} catch (RuntimeException e) {
|
||||
noteFailure("прочитать", e);
|
||||
return null;
|
||||
}
|
||||
}
|
||||
private volatile ValueCommands<String, SharedEntry> pairs;
|
||||
private volatile ValueCommands<String, String> originals;
|
||||
private final AtomicInteger consecutiveFailures = new AtomicInteger();
|
||||
private volatile long silentUntil;
|
||||
private volatile boolean reported;
|
||||
|
||||
private String toJson(SharedEntry entry) {
|
||||
try {
|
||||
return mapper.writeValueAsString(entry);
|
||||
} catch (JsonProcessingException e) {
|
||||
throw new IllegalStateException("Не удалось сериализовать соответствие", e);
|
||||
public SharedIndex(Instance<RedisDataSource> redisSource,
|
||||
@ConfigProperty(name = "pdguard.store.backend", defaultValue = "memory") String backend,
|
||||
@ConfigProperty(name = "pdguard.store.ttl-minutes", defaultValue = "30") int ttlMinutes) {
|
||||
this.redisSource = redisSource;
|
||||
this.enabled = "redis".equalsIgnoreCase(backend);
|
||||
this.ttl = Duration.ofMinutes(ttlMinutes);
|
||||
}
|
||||
}
|
||||
|
||||
private SharedEntry fromJson(String json) {
|
||||
try {
|
||||
return mapper.readValue(json, SharedEntry.class);
|
||||
} catch (JsonProcessingException e) {
|
||||
throw new IllegalStateException("Не удалось разобрать соответствие из общего слоя", e);
|
||||
/** Выключенный слой — для тестов и для сборки без Redis. */
|
||||
public static SharedIndex disabled() {
|
||||
return new SharedIndex(null, "memory", 30);
|
||||
}
|
||||
}
|
||||
|
||||
/** Общий слой выключен или предохранитель разомкнут. */
|
||||
private boolean unavailable() {
|
||||
return !enabled || System.currentTimeMillis() < silentUntil;
|
||||
}
|
||||
public boolean enabled() {
|
||||
return enabled;
|
||||
}
|
||||
|
||||
private void noteSuccess() {
|
||||
if (consecutiveFailures.getAndSet(0) != 0) {
|
||||
reported = false;
|
||||
LOG.info("Общий слой снова доступен");
|
||||
public void put(String payloadId, String original, String masked, String maskFingerprint) {
|
||||
if (unavailable()) {
|
||||
return;
|
||||
}
|
||||
try {
|
||||
SetArgs expiry = new SetArgs().ex(ttl);
|
||||
commands().set(KEY_BY_ID + payloadId, new SharedEntry(original, masked), expiry);
|
||||
originalCommands().set(KEY_BY_MASK + maskFingerprint, original, expiry);
|
||||
noteSuccess();
|
||||
} catch (RuntimeException e) {
|
||||
noteFailure("записать", e);
|
||||
}
|
||||
}
|
||||
}
|
||||
|
||||
/**
|
||||
* После нескольких неудач подряд общий слой перестают опрашивать на несколько секунд: иначе
|
||||
* каждый запрос платил бы таймаутом за недоступный Redis, а проверяющая система считает ответ
|
||||
* дольше десяти секунд неответом.
|
||||
*/
|
||||
private void noteFailure(String action, RuntimeException cause) {
|
||||
if (consecutiveFailures.incrementAndGet() >= FAILURES_TO_OPEN) {
|
||||
silentUntil = System.currentTimeMillis() + OPEN_MILLIS;
|
||||
public SharedEntry byId(String payloadId) {
|
||||
if (unavailable()) {
|
||||
return null;
|
||||
}
|
||||
try {
|
||||
SharedEntry entry = commands().get(KEY_BY_ID + payloadId);
|
||||
noteSuccess();
|
||||
return entry;
|
||||
} catch (RuntimeException e) {
|
||||
noteFailure("прочитать", e);
|
||||
return null;
|
||||
}
|
||||
}
|
||||
if (!reported) {
|
||||
reported = true;
|
||||
LOG.error(
|
||||
"Не удалось {} соответствие в общий слой, узел работает на своей памяти", action, cause);
|
||||
|
||||
public String originalForFingerprint(String maskFingerprint) {
|
||||
if (unavailable()) {
|
||||
return null;
|
||||
}
|
||||
try {
|
||||
String original = originalCommands().get(KEY_BY_MASK + maskFingerprint);
|
||||
noteSuccess();
|
||||
return original;
|
||||
} catch (RuntimeException e) {
|
||||
noteFailure("прочитать", e);
|
||||
return null;
|
||||
}
|
||||
}
|
||||
|
||||
/**
|
||||
* Команды создаются при первом обращении: пока общий слой выключен,
|
||||
* клиент Redis не создаётся и подключение не устанавливается.
|
||||
*/
|
||||
private ValueCommands<String, SharedEntry> commands() {
|
||||
ValueCommands<String, SharedEntry> local = pairs;
|
||||
if (local == null) {
|
||||
local = redisSource.get().value(SharedEntry.class);
|
||||
pairs = local;
|
||||
}
|
||||
return local;
|
||||
}
|
||||
|
||||
private ValueCommands<String, String> originalCommands() {
|
||||
ValueCommands<String, String> local = originals;
|
||||
if (local == null) {
|
||||
local = redisSource.get().value(String.class);
|
||||
originals = local;
|
||||
}
|
||||
return local;
|
||||
}
|
||||
|
||||
/** Общий слой выключен или предохранитель разомкнут. */
|
||||
private boolean unavailable() {
|
||||
return !enabled || System.currentTimeMillis() < silentUntil;
|
||||
}
|
||||
|
||||
private void noteSuccess() {
|
||||
if (consecutiveFailures.getAndSet(0) != 0) {
|
||||
reported = false;
|
||||
LOG.info("Общий слой снова доступен");
|
||||
}
|
||||
}
|
||||
|
||||
/**
|
||||
* После нескольких неудач подряд общий слой перестают опрашивать на несколько
|
||||
* секунд: иначе каждый запрос платил бы таймаутом за недоступный Redis, а
|
||||
* проверяющая система считает ответ дольше десяти секунд неответом.
|
||||
*/
|
||||
private void noteFailure(String action, RuntimeException cause) {
|
||||
if (consecutiveFailures.incrementAndGet() >= FAILURES_TO_OPEN) {
|
||||
silentUntil = System.currentTimeMillis() + OPEN_MILLIS;
|
||||
}
|
||||
if (!reported) {
|
||||
reported = true;
|
||||
LOG.errorf(cause, "Не удалось %s соответствие в общий слой, узел работает на своей памяти", action);
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
||||
@@ -0,0 +1,26 @@
|
||||
package ru.pdguard.core;
|
||||
|
||||
/**
|
||||
* Найденный фрагмент персональных данных в исходном тексте.
|
||||
*
|
||||
* @param start индекс первого символа (включительно)
|
||||
* @param end индекс за последним символом (исключительно)
|
||||
* @param type тип ПД, например {@code CARD} или {@code EMAIL}
|
||||
* @param priority приоритет при разрешении перекрытий: больше — важнее
|
||||
*/
|
||||
public record Span(int start, int end, String type, int priority) {
|
||||
|
||||
public Span {
|
||||
if (start < 0 || end <= start) {
|
||||
throw new IllegalArgumentException("Некорректные границы фрагмента: " + start + ".." + end);
|
||||
}
|
||||
}
|
||||
|
||||
public int length() {
|
||||
return end - start;
|
||||
}
|
||||
|
||||
public boolean overlaps(Span other) {
|
||||
return start < other.end && other.start < end;
|
||||
}
|
||||
}
|
||||
@@ -1,171 +0,0 @@
|
||||
package ru.pdguard.detect;
|
||||
|
||||
import static ru.pdguard.detect.RulePatterns.CITIZENSHIP_GAP;
|
||||
import static ru.pdguard.detect.RulePatterns.CITIZENSHIP_VALUE;
|
||||
import static ru.pdguard.detect.RulePatterns.ORGANISATION_NEARBY;
|
||||
import static ru.pdguard.detect.RulePatterns.ROLE_GAP;
|
||||
import static ru.pdguard.detect.RulePatterns.STREET_NAME;
|
||||
import static ru.pdguard.detect.RuleRegistry.ADDRESS_NEARBY;
|
||||
|
||||
import java.util.List;
|
||||
|
||||
/** Правила распознавания органа выдачи паспорта, места рождения, гражданства и адреса. */
|
||||
final class AddressRules {
|
||||
|
||||
private AddressRules() {}
|
||||
|
||||
static final List<Rule> RULES =
|
||||
List.of(
|
||||
|
||||
// «выдан ОУФМС России по г. Москве 12.05.2015» — дата в состав органа не входит,
|
||||
// её забирает отдельное правило. Приоритет выше городского, иначе от органа
|
||||
// осталась бы замаскированной только его часть.
|
||||
// Перечень форм, не голая основа «выда»: она зацепила бы и «выдающийся»
|
||||
// (обычное слово, не про выдачу документа).
|
||||
Rule.of(
|
||||
PdTypes.PASSPORT_ISSUER,
|
||||
"(?iu:выдан|выдал[аио]?|выдали|выдач[аи]|выдаче)"
|
||||
+ "\\W{0,3}([^,;\\n]{3,90}?)"
|
||||
+ "(?=\\s*\\d{1,2}[.\\-/]\\d{1,2}[.\\-/]\\d{2,4}|[,;\\n]|\\s*$)",
|
||||
78)
|
||||
.groups(1)
|
||||
.anchoredBy("выдан", "выдал", "выдач"),
|
||||
|
||||
// «совпадает с указанным в анкете: X» — второе упоминание органа выдачи
|
||||
// под собственным якорем, без бэкреференса на первое.
|
||||
Rule.of(
|
||||
PdTypes.PASSPORT_ISSUER,
|
||||
"(?iu:указанн\\w*\\s+в\\s+анкете)\\W{0,5}([^,;.\\n]{3,90}?)"
|
||||
+ "(?=[,;.\\n]|\\s*$)",
|
||||
78)
|
||||
.groups(1)
|
||||
.anchoredBy("указанн"),
|
||||
|
||||
// «Орган выдачи УФМС России по Республике Татарстан» — орган после якоря,
|
||||
// до слова «совпадает» или конца фразы.
|
||||
Rule.of(
|
||||
PdTypes.PASSPORT_ISSUER,
|
||||
"(?iu:орган\\s+выдачи)\\W{0,5}([^,;:\\n]{3,90}?)"
|
||||
+ "(?=\\s*(?iu:совпадает|указанн)|[,;:\\n]|\\s*$)",
|
||||
78)
|
||||
.groups(1)
|
||||
.anchoredBy("орган выдачи"),
|
||||
Rule.of(
|
||||
PdTypes.BIRTH_PLACE,
|
||||
"(?iu:мест\\w*\\s+рождения)\\W{0,5}([^,;\\n]{3,60}?)(?=\\s*[,;\\n]|\\s*$)",
|
||||
76)
|
||||
.groups(1)
|
||||
.anchoredBy("рождения"),
|
||||
Rule.of(
|
||||
PdTypes.BIRTH_PLACE,
|
||||
"(?iu:родил(?:ся|ась))[^,;\\n]{0,40}?\\s+в\\s+"
|
||||
+ "([^,;\\n]{3,40}?)(?=\\s*[,;\\n]|\\s*$)",
|
||||
76)
|
||||
.groups(1)
|
||||
.anchoredBy("родил"),
|
||||
|
||||
// ROLE_GAP, не \W{0,5}: «Гражданство бенефициара по договору страхования: Х» —
|
||||
// между якорем и значением бывает несколько слов, не только пунктуация.
|
||||
// Список через запятую/слэш — вторая опциональная группа тем же шаблоном.
|
||||
Rule.of(
|
||||
PdTypes.CITIZENSHIP,
|
||||
"(?iu:гражданств)\\w*"
|
||||
+ CITIZENSHIP_GAP
|
||||
+ "("
|
||||
+ CITIZENSHIP_VALUE
|
||||
+ ")(?:\\s*[,/]\\s*("
|
||||
+ CITIZENSHIP_VALUE
|
||||
+ "))?",
|
||||
80)
|
||||
.groups(1, 2)
|
||||
.validatedBy(CountryDictionary::isKnownCountry)
|
||||
.anchoredBy("гражданств"),
|
||||
|
||||
// ин/ка/ина/ки — именительный/родительный; ином/кой — творительный
|
||||
// («гражданином», «гражданкой»).
|
||||
Rule.of(
|
||||
PdTypes.CITIZENSHIP,
|
||||
"(?iu:граждан(?:ин|ка|ина|ки|ином|кой))\\b\\s+"
|
||||
+ "("
|
||||
+ CITIZENSHIP_VALUE
|
||||
+ ")(?:\\s*[,/]\\s*("
|
||||
+ CITIZENSHIP_VALUE
|
||||
+ "))?",
|
||||
75)
|
||||
.groups(1, 2)
|
||||
.validatedBy(CountryDictionary::isKnownCountry)
|
||||
.anchoredBy("граждан"),
|
||||
|
||||
// --- Адрес: каждая составляющая настраивается отдельно ---
|
||||
|
||||
Rule.of(PdTypes.ADDRESS_POSTCODE, "(?iu:индекс)\\w*" + ROLE_GAP + "(\\d{6})\\b", 74)
|
||||
.groups(1)
|
||||
.vetoedBy(ORGANISATION_NEARBY)
|
||||
.anchoredBy("индекс"),
|
||||
Rule.of(
|
||||
PdTypes.ADDRESS_POSTCODE,
|
||||
"\\b(\\d{6})(?=\\s*,?\\s*(?iu:г\\.|город|обл\\.|область|респ|край))",
|
||||
74)
|
||||
.groups(1)
|
||||
.vetoedBy(ORGANISATION_NEARBY),
|
||||
|
||||
// Не только «г.»: перепись, на которой проверяется словарь, покрывает
|
||||
// сёла, посёлки, деревни, хутора и станицы — «рп. Ильинское», «с. Кукуево»
|
||||
// из ТЗ без этих якорей не нашлись бы вообще, город там ни при чём.
|
||||
Rule.of(
|
||||
PdTypes.ADDRESS_CITY,
|
||||
"(?iu:\\bг\\.|\\bгор\\.|\\bгород|\\bрп\\.|\\bпгт\\.?|\\bп\\.|\\bс\\.|\\bсело\\b"
|
||||
+ "|\\bд\\.|\\bдеревня\\b|\\bдер\\.|\\bх\\.|\\bхутор\\b|\\bст-ца|\\bстаница|\\bаул\\b"
|
||||
+ "|\\bсл\\.|\\bслобода\\b|\\bаал\\b)\\s?(\\p{Lu}[\\p{L}-]{1,30})\\b",
|
||||
73)
|
||||
.groups(1)
|
||||
.validatedBy(ToponymDictionary::isKnownSettlement)
|
||||
.vetoedBy(ORGANISATION_NEARBY)
|
||||
.anchoredBy(
|
||||
"г.", "гор", "город", "рп.", "пгт", "п.", "с.", "село", "д.", "деревня", "дер.",
|
||||
"х.", "хутор", "ст-ца", "станица", "аул", "сл.", "слобода", "аал"),
|
||||
Rule.of(
|
||||
PdTypes.ADDRESS_STREET,
|
||||
"(?iu:\\bул\\.|\\bулиц\\p{L}*|\\bпр-т|\\bпроспект\\p{L}*|\\bпер\\.|\\bпереул\\p{L}*"
|
||||
+ "|\\bш\\.|\\bшоссе|\\bб-р|\\bбульвар\\p{L}*|\\bнаб\\.|\\bнабережн\\p{L}*)"
|
||||
+ "\\W{0,3}("
|
||||
+ STREET_NAME
|
||||
+ ")",
|
||||
73)
|
||||
.groups(1)
|
||||
.vetoedBy(ORGANISATION_NEARBY)
|
||||
.requiringNear(ADDRESS_NEARBY)
|
||||
.anchoredBy("ул", "просп", "пр-т", "пер.", "шоссе", "ш.", "бульвар", "б-р", "наб"),
|
||||
|
||||
// «Невский пр-т» — указатель после названия. Форма слишком общая, поэтому
|
||||
// принимается только рядом с другими частями адреса: иначе под маску попал бы
|
||||
// любой рассказ про Невский проспект.
|
||||
Rule.of(
|
||||
PdTypes.ADDRESS_STREET,
|
||||
"\\b(\\p{Lu}[\\p{L}-]{2,30})\\s+"
|
||||
+ "(?iu:пр-т|проспект|улиц\\p{L}*|шоссе|бульвар|переул\\p{L}*|набережн\\p{L}*)\\b",
|
||||
73)
|
||||
.groups(1)
|
||||
.vetoedBy(ORGANISATION_NEARBY)
|
||||
.requiringNear(ADDRESS_NEARBY)
|
||||
.anchoredBy("пр-т", "проспект", "улиц", "шоссе", "бульвар", "переул", "набережн"),
|
||||
Rule.of(
|
||||
PdTypes.ADDRESS_HOUSE,
|
||||
"(?iu:\\bд\\.|\\bдом)\\s?(\\d+\\p{L}?(?:\\s?(?iu:к\\.|корп\\.?|стр\\.)\\s?\\d+)?)\\b",
|
||||
72)
|
||||
.groups(1)
|
||||
.vetoedBy(ORGANISATION_NEARBY)
|
||||
.anchoredBy("д.", "дом"),
|
||||
Rule.of(PdTypes.ADDRESS_FLAT, "(?iu:\\bкв\\.|\\bквартир\\p{L}*)\\s?(\\d+\\p{L}?)\\b", 72)
|
||||
.groups(1)
|
||||
.vetoedBy(ORGANISATION_NEARBY)
|
||||
.anchoredBy("кв"),
|
||||
Rule.of(
|
||||
PdTypes.ADDRESS_COUNTRY,
|
||||
"(?iu:стран\\p{L}*(?:\\s+(?:регистрации|проживания|гражданства))?)"
|
||||
+ "\\W{0,5}(\\p{Lu}[\\p{L}-]{2,30})\\b",
|
||||
71)
|
||||
.groups(1)
|
||||
.vetoedBy(ORGANISATION_NEARBY)
|
||||
.anchoredBy("стран"));
|
||||
}
|
||||
@@ -1,40 +0,0 @@
|
||||
package ru.pdguard.detect;
|
||||
|
||||
import static ru.pdguard.detect.RulePatterns.ROLE_GAP;
|
||||
|
||||
import java.util.List;
|
||||
|
||||
/** Правила распознавания контактных и идентификационных данных: телефон, email, ИНН, СНИЛС. */
|
||||
final class ContactRules {
|
||||
|
||||
private ContactRules() {}
|
||||
|
||||
static final List<Rule> RULES =
|
||||
List.of(
|
||||
Rule.of(PdTypes.INN, "(?iu)\\bИНН\\b" + ROLE_GAP + "(\\d{12}|\\d{10})\\b", 84)
|
||||
.groups(1)
|
||||
.anchoredBy("инн"),
|
||||
|
||||
// «ИНН/КПП 7712345671/771201001» — ИНН юрлица перед КПП через слэш.
|
||||
Rule.of(PdTypes.INN, "(?iu)\\bИНН\\s*/\\s*КПП\\b\\W{0,5}(\\d{10})\\b", 84)
|
||||
.groups(1)
|
||||
.anchoredBy("инн/кпп"),
|
||||
Rule.of(
|
||||
PdTypes.SNILS,
|
||||
"(?iu)(?:\\bСНИЛС\\b\\D{0,10})?(\\d{3}[ -]\\d{3}[ -]\\d{3}[ -]\\d{2})\\b",
|
||||
84)
|
||||
.groups(1)
|
||||
.validatedBy(Validators::snils),
|
||||
|
||||
// \b7, не только +7: номер без плюса («79031119955») тоже встречается.
|
||||
Rule.of(
|
||||
PdTypes.PHONE,
|
||||
"(?:\\+7|\\b7|\\b8)[ ()-]{0,3}\\d{3}[ ()-]{0,3}\\d{3}[ -]{0,2}\\d{2}["
|
||||
+ " -]{0,2}\\d{2}\\b",
|
||||
82),
|
||||
Rule.of(PdTypes.EMAIL, "\\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\\.[A-Za-z]{2,}\\b", 80)
|
||||
.anchoredBy("@"),
|
||||
|
||||
// ИНН физлица без якорного слова — только с верной контрольной суммой.
|
||||
Rule.of(PdTypes.INN, "\\b\\d{12}\\b", 62).validatedBy(Validators::inn));
|
||||
}
|
||||
@@ -1,37 +0,0 @@
|
||||
package ru.pdguard.detect;
|
||||
|
||||
import java.util.Locale;
|
||||
import java.util.Set;
|
||||
|
||||
/**
|
||||
* Словарь названий стран — проверка того, что значение, пойманное правилом {@code CITIZENSHIP},
|
||||
* действительно похоже на страну, а не на произвольное слово с заглавной буквы после якоря
|
||||
* «гражданство».
|
||||
*
|
||||
* <p>Сравнение по началу слова, а не точным совпадением: падежные окончания («в России», «из
|
||||
* Казахстана») и формы прилагательных («российская», «российское») тем самым покрываются без
|
||||
* отдельного разбора морфологии. Основа «российск» покрывает и «Российская», и «российская», и
|
||||
* «российское».
|
||||
*/
|
||||
public final class CountryDictionary {
|
||||
|
||||
private static final Set<String> COUNTRY_STEMS = ResourceLoader.set("/names/countries.txt");
|
||||
|
||||
private CountryDictionary() {}
|
||||
|
||||
/**
|
||||
* Похоже ли значение на название страны из словаря в любом падеже и регистре.
|
||||
*
|
||||
* <p>Проверяются префиксы значения по множеству, а не каждая основа по значению: префиксов у
|
||||
* слова не больше, чем в нём букв.
|
||||
*/
|
||||
public static boolean isKnownCountry(String value) {
|
||||
String lower = value.strip().toLowerCase(Locale.ROOT);
|
||||
for (int length = lower.length(); length > 0; length--) {
|
||||
if (COUNTRY_STEMS.contains(lower.substring(0, length))) {
|
||||
return true;
|
||||
}
|
||||
}
|
||||
return false;
|
||||
}
|
||||
}
|
||||
@@ -1,46 +0,0 @@
|
||||
package ru.pdguard.detect;
|
||||
|
||||
import static ru.pdguard.detect.RulePatterns.DATE_ANY;
|
||||
import static ru.pdguard.detect.RulePatterns.DATE_GAP;
|
||||
|
||||
import java.util.List;
|
||||
|
||||
/** Правила распознавания дат: рождения, выдачи документа и дат без якорного слова. */
|
||||
final class DateRules {
|
||||
|
||||
private DateRules() {}
|
||||
|
||||
static final List<Rule> RULES =
|
||||
List.of(
|
||||
Rule.of(
|
||||
PdTypes.BIRTH_DATE,
|
||||
"(?iu:дат\\p{L}*\\s+рождения|дата\\s+рожд\\.)" + DATE_GAP + "(" + DATE_ANY + ")",
|
||||
87)
|
||||
.groups(1)
|
||||
.validatedBy(Validators::date)
|
||||
.anchoredBy("рожден"),
|
||||
Rule.of(PdTypes.BIRTH_DATE, "(?iu:родил(?:ся|ась))" + DATE_GAP + "(" + DATE_ANY + ")", 87)
|
||||
.groups(1)
|
||||
.validatedBy(Validators::date)
|
||||
.anchoredBy("родил"),
|
||||
Rule.of(
|
||||
PdTypes.BIRTH_DATE,
|
||||
"(" + DATE_ANY + ")\\s*(?iu:г\\.\\s?р\\.|г/р|года\\s+рождения)",
|
||||
87)
|
||||
.groups(1)
|
||||
.validatedBy(Validators::date)
|
||||
.anchoredBy("г.р", "г/р", "года рождения"),
|
||||
|
||||
// «дата выдачи 12.05.2015» и «дата выдачи паспорта 12.05.2015»
|
||||
Rule.of(
|
||||
PdTypes.PASSPORT_DATE,
|
||||
"(?iu:дат\\p{L}*\\s+выдачи)" + DATE_GAP + "(" + DATE_ANY + ")",
|
||||
87)
|
||||
.groups(1)
|
||||
.validatedBy(Validators::date)
|
||||
.anchoredBy("выдач"),
|
||||
|
||||
// Дата без якорного слова персональными данными сама по себе не является:
|
||||
// маскируется, только если в тексте есть ПД другого типа.
|
||||
Rule.of(PdTypes.DATE, DATE_ANY, 58).validatedBy(Validators::date));
|
||||
}
|
||||
@@ -3,47 +3,51 @@ package ru.pdguard.detect;
|
||||
import java.util.Locale;
|
||||
|
||||
/**
|
||||
* Общий приём для словарей, сравнивающих слово из текста с основой из списка: личные имена ({@link
|
||||
* NameDictionary}) и города ({@link ToponymDictionary}).
|
||||
* Общий приём для словарей, сравнивающих слово из текста с основой из списка:
|
||||
* личные имена ({@link NameDictionary}) и города ({@link ToponymDictionary}).
|
||||
*
|
||||
* <p>Слова на согласную склоняются добавлением окончания («Тамбов» → «Тамбове», «Пушкин» →
|
||||
* «Пушкина») — там основы из списка достаточно как есть. Слова на гласную меняют последнюю букву
|
||||
* («Москва» → «Москве», «Ольга» → «Ольге») — для них сравнение идёт по основе без неё.
|
||||
* <p>Слова на согласную склоняются добавлением окончания («Тамбов» → «Тамбове»,
|
||||
* «Пушкин» → «Пушкина») — там основы из списка достаточно как есть. Слова на
|
||||
* гласную меняют последнюю букву («Москва» → «Москве», «Ольга» → «Ольге») —
|
||||
* для них сравнение идёт по основе без неё.
|
||||
*
|
||||
* <p>Фамилии на «-ский» склоняются как прилагательное: окончание меняется целиком («Дзержинский» →
|
||||
* «Дзержинского», «-ий» на «-ого», а не дописывается), поэтому для них отсечения одной буквы
|
||||
* недостаточно — основа обрезается сразу до «ск». Для улиц в честь людей это не редкий случай, а
|
||||
* основной: «улица Дзержинского», «улица Островского» пишутся только в родительном падеже,
|
||||
* <p>Фамилии на «-ский» склоняются как прилагательное: окончание меняется
|
||||
* целиком («Дзержинский» → «Дзержинского», «-ий» на «-ого», а не дописывается),
|
||||
* поэтому для них отсечения одной буквы недостаточно — основа обрезается сразу
|
||||
* до «ск». Для улиц в честь людей это не редкий случай, а основной: «улица
|
||||
* Дзержинского», «улица Островского» пишутся только в родительном падеже,
|
||||
* именительный там не встречается вообще.
|
||||
*/
|
||||
final class Declension {
|
||||
|
||||
/**
|
||||
* Падежные окончания прилагательного склонения на «-ск-»: мужской, женский и средний род, все
|
||||
* падежи. Проверяются от длинных к коротким — «-ского» не должно потеряться из-за более короткого
|
||||
* совпадения на «-ким» и т.п.
|
||||
*/
|
||||
private static final String[] ADJECTIVE_ENDINGS = {
|
||||
"ского", "скому", "ским", "ском", "скую", "ской", "скою", "ская", "ский"
|
||||
};
|
||||
/**
|
||||
* Падежные окончания прилагательного склонения на «-ск-»: мужской, женский
|
||||
* и средний род, все падежи. Проверяются от длинных к коротким — «-ского»
|
||||
* не должно потеряться из-за более короткого совпадения на «-ким» и т.п.
|
||||
*/
|
||||
private static final String[] ADJECTIVE_ENDINGS = {
|
||||
"ского", "скому", "ским", "ском", "скую", "ской", "скою", "ская", "ский"
|
||||
};
|
||||
|
||||
private Declension() {}
|
||||
private Declension() {
|
||||
}
|
||||
|
||||
/**
|
||||
* Отбрасывает у основы окончание, которое меняется по падежам: гласную — у обычных слов, целиком
|
||||
* «-ск-»-окончание — у прилагательных фамилий. Слова короче четырёх букв не трогает — короткая
|
||||
* основа и так шире большинства падежных форм.
|
||||
*/
|
||||
static String withoutInflectedEnding(String word) {
|
||||
String lower = word.toLowerCase(Locale.ROOT);
|
||||
for (String ending : ADJECTIVE_ENDINGS) {
|
||||
if (lower.length() > ending.length() && lower.endsWith(ending)) {
|
||||
return lower.substring(0, lower.length() - ending.length() + 2);
|
||||
}
|
||||
/**
|
||||
* Отбрасывает у основы окончание, которое меняется по падежам: гласную —
|
||||
* у обычных слов, целиком «-ск-»-окончание — у прилагательных фамилий.
|
||||
* Слова короче четырёх букв не трогает — короткая основа и так шире
|
||||
* большинства падежных форм.
|
||||
*/
|
||||
static String withoutInflectedEnding(String word) {
|
||||
String lower = word.toLowerCase(Locale.ROOT);
|
||||
for (String ending : ADJECTIVE_ENDINGS) {
|
||||
if (lower.length() > ending.length() && lower.endsWith(ending)) {
|
||||
return lower.substring(0, lower.length() - ending.length() + 2);
|
||||
}
|
||||
}
|
||||
if (lower.length() >= 4 && "аяйь".indexOf(lower.charAt(lower.length() - 1)) >= 0) {
|
||||
return lower.substring(0, lower.length() - 1);
|
||||
}
|
||||
return lower;
|
||||
}
|
||||
if (lower.length() >= 4 && "аяйь".indexOf(lower.charAt(lower.length() - 1)) >= 0) {
|
||||
return lower.substring(0, lower.length() - 1);
|
||||
}
|
||||
return lower;
|
||||
}
|
||||
}
|
||||
|
||||
@@ -1,113 +0,0 @@
|
||||
package ru.pdguard.detect;
|
||||
|
||||
import static ru.pdguard.detect.RulePatterns.ROLE_GAP;
|
||||
import static ru.pdguard.detect.RulePatterns.SERIES_AND_NUMBER;
|
||||
|
||||
import java.util.List;
|
||||
|
||||
/** Правила распознавания документов, удостоверяющих личность, и кодов подразделений. */
|
||||
final class DocumentRules {
|
||||
|
||||
private DocumentRules() {}
|
||||
|
||||
static final List<Rule> RULES =
|
||||
List.of(
|
||||
|
||||
// CVV: латиница, кириллическая транслитерация («цвв», «сививи») и
|
||||
// описательные якоря («код на обороте карты»). Между якорем и числом
|
||||
// допускаются слова («CVV код 321», «CVV указан код 123») и длинные
|
||||
// разделители («код на обороте карты 789»).
|
||||
Rule.of(
|
||||
PdTypes.CVV,
|
||||
"(?iu:\\b(?:cvv2?|cvc2?|цвв|сививи|код\\p{L}*\\s+на\\s+обороте\\s+карты"
|
||||
+ "|код\\s+проверки|защитный\\s+код)\\b)"
|
||||
+ "(?:\\s+\\p{L}+){0,2}\\W{0,30}(\\d{3,4})\\b",
|
||||
92)
|
||||
.groups(1)
|
||||
.anchoredBy(
|
||||
"cvv", "cvc", "цвв", "сививи", "код на обороте", "код проверки", "защитный код"),
|
||||
|
||||
// PIN: «пин-код», «пин код», «ПИН:», «пин 3456». Между якорем и числом
|
||||
// допускаются слова («ПИН-код карты 2468») и длинные разделители
|
||||
// («Пин Код: 1234»).
|
||||
Rule.of(
|
||||
PdTypes.PIN,
|
||||
"(?iu:\\b(?:пин[\\s-]?кода?|pin[\\s-]?code|пин|pin)\\b)"
|
||||
+ "(?:\\s+\\p{L}+){0,2}\\W{0,30}(\\d{4,6})\\b",
|
||||
92)
|
||||
.groups(1)
|
||||
.anchoredBy("пин", "pin"),
|
||||
|
||||
// «паспорт 4509 123456», «паспорт гражданина РФ 45 09 123456»
|
||||
Rule.of(
|
||||
PdTypes.PASSPORT,
|
||||
"(?iu:паспорт)\\w*(?:\\W+(?iu:гражданина\\s+РФ|РФ|России|Российской\\s+Федерации))?"
|
||||
+ "\\W{0,10}("
|
||||
+ SERIES_AND_NUMBER
|
||||
+ ")\\b",
|
||||
90)
|
||||
.groups(1)
|
||||
.anchoredBy("паспорт"),
|
||||
|
||||
// «серия 4509 номер 123456», «серии 45 09 № 123456»
|
||||
// Между серией и номером помещается слово: «серия 4509 номер 123456»,
|
||||
// «серии 4509 за номером 123456», «серия 4509 № 123456».
|
||||
Rule.of(
|
||||
PdTypes.PASSPORT,
|
||||
"(?iu:сери)\\w{0,3}\\W{0,5}(\\d{2}\\s?\\d{2})[^\\d]{0,20}(\\d{6})\\b",
|
||||
90)
|
||||
.groups(1, 2)
|
||||
.anchoredBy("сери"),
|
||||
|
||||
// Необязательное «серия»/«серии» между якорем и цифрами: «ВУ серия 12 34 номер 567890».
|
||||
Rule.of(
|
||||
PdTypes.DRIVER_LICENSE,
|
||||
"(?iu:водительск\\w+\\s+удостоверени\\w+|в/у|вод\\.\\s?удост\\w*|\\bВУ)\\b"
|
||||
+ "\\W{0,15}(?:(?iu:сери\\w{0,3})\\W{0,5})?("
|
||||
+ SERIES_AND_NUMBER
|
||||
+ ")\\b",
|
||||
89)
|
||||
.groups(1)
|
||||
.anchoredBy("водительск", "в/у", "вод.", "ву "),
|
||||
Rule.of(
|
||||
PdTypes.FOREIGN_PASSPORT,
|
||||
"(?iu:загранпаспорт|заграничн\\p{L}*\\s+паспорт)\\p{L}*"
|
||||
+ "\\W{0,10}(\\d{2}\\s?\\d{7})\\b",
|
||||
89)
|
||||
.groups(1)
|
||||
.anchoredBy("загранпаспорт", "заграничн"),
|
||||
Rule.of(
|
||||
PdTypes.MILITARY_ID,
|
||||
"(?iu:военн\\p{L}*\\s+билет)\\p{L}*" + "\\W{0,10}(\\p{Lu}{2}\\s?\\d{7})\\b",
|
||||
89)
|
||||
.groups(1)
|
||||
.anchoredBy("военн"),
|
||||
Rule.of(
|
||||
PdTypes.BIRTH_CERTIFICATE,
|
||||
"(?iu:свидетельств\\p{L}*\\s+о\\s+рождении)"
|
||||
+ "\\W{0,15}([IVXLC]{1,4}[- ]?\\p{Lu}{2}\\s?(?:№\\s?)?\\d{6})\\b",
|
||||
89)
|
||||
.groups(1)
|
||||
.anchoredBy("свидетельств"),
|
||||
Rule.of(PdTypes.MEDICAL_POLICY, "(?iu:полис\\p{L}*(?:\\s+ОМС)?)\\W{0,10}(\\d{16})\\b", 89)
|
||||
.groups(1)
|
||||
.anchoredBy("полис"),
|
||||
|
||||
// ROLE_GAP, не \W{0,5}: «код подразделения стоит 001-000» — между якорем и
|
||||
// значением есть слово («стоит»/«объекта»), не только пунктуация.
|
||||
Rule.of(
|
||||
PdTypes.DEPT_CODE,
|
||||
"(?iu:код\\w*\\s+подразделения|к/п)" + ROLE_GAP + "(\\d{3}\\s?-?\\s?\\d{3})\\b",
|
||||
88)
|
||||
.groups(1)
|
||||
.anchoredBy("подразделени", "к/п"),
|
||||
|
||||
// «770-001 — таков код подразделения» — значение перед якорем.
|
||||
Rule.of(
|
||||
PdTypes.DEPT_CODE,
|
||||
"\\b(\\d{3}\\s?-?\\s?\\d{3})\\b\\s*[—-]\\s*(?:\\p{L}+\\s+){0,3}"
|
||||
+ "(?iu:код\\w*\\s+подразделения)",
|
||||
88)
|
||||
.groups(1)
|
||||
.anchoredBy("подразделени"));
|
||||
}
|
||||
@@ -1,77 +0,0 @@
|
||||
package ru.pdguard.detect;
|
||||
|
||||
import static ru.pdguard.detect.RulePatterns.HOLDER_STEM;
|
||||
|
||||
import java.util.List;
|
||||
|
||||
/** Правила распознавания банковских реквизитов, карты, ОГРН/КПП и держателя карты. */
|
||||
final class FinanceRules {
|
||||
|
||||
private FinanceRules() {}
|
||||
|
||||
static final List<Rule> RULES =
|
||||
List.of(
|
||||
|
||||
// Расчётный счёт — ровно 20 цифр после якоря, группировка пробелами не важна.
|
||||
Rule.of(
|
||||
PdTypes.ACCOUNT_NUMBER,
|
||||
"(?iu:р/с|расчетн\\w*\\s+счет|расчётн\\w*\\s+счёт|лицев\\w*\\s+счет|"
|
||||
+ "лицев\\w*\\s+счёт)\\W{0,5}((?:\\d[ ]?){19}\\d)\\b",
|
||||
83)
|
||||
.groups(1)
|
||||
.anchoredBy("р/с", "расчетн", "расчётн", "лицев"),
|
||||
Rule.of(PdTypes.BIK, "(?iu:бик)\\W{0,5}(\\d{9})\\b", 83).groups(1).anchoredBy("бик"),
|
||||
|
||||
// «действительна до 09/27», «exp 09/27» — срок действия карты, не дата рождения.
|
||||
Rule.of(
|
||||
PdTypes.CARD_EXPIRY,
|
||||
"(?iu:срок\\s+действия|действительна?\\s+до|\\bexp\\w*)\\W{0,5}"
|
||||
+ "(\\d{2}\\s?/\\s?\\d{2})\\b",
|
||||
83)
|
||||
.groups(1)
|
||||
.anchoredBy("срок действия", "действительн", "exp"),
|
||||
|
||||
// ОГРНИП раньше ОГРН: без отрицательного просмотра «ОГРНИП» частично ловился бы
|
||||
// ещё и правилом ОГРН. Контрольная сумма отсекает случайные 13/15-значные
|
||||
// числа рядом со словом — раньше якоря было достаточно самого по себе.
|
||||
Rule.of(PdTypes.OGRNIP, "(?iu:огрнип)\\W{0,5}(\\d{15})\\b", 83)
|
||||
.groups(1)
|
||||
.validatedBy(Validators::ogrnip)
|
||||
.anchoredBy("огрнип"),
|
||||
Rule.of(PdTypes.OGRN, "(?iu:огрн(?!ип))\\W{0,5}(\\d{13})\\b", 83)
|
||||
.groups(1)
|
||||
.validatedBy(Validators::ogrn)
|
||||
.anchoredBy("огрн"),
|
||||
Rule.of(PdTypes.KPP, "(?iu:кпп)\\W{0,5}(\\d{9})\\b", 83).groups(1).anchoredBy("кпп"),
|
||||
|
||||
// Доход/зарплата: сумма с разделителями тысяч. Между якорем и суммой может
|
||||
// стоять слово («доход клиента», «доход за год») — без этого якорь ловил
|
||||
// бы только «доход 85000», вплотную.
|
||||
Rule.of(
|
||||
PdTypes.INCOME,
|
||||
"(?iu:доход|заработн\\w*\\s+плат\\w*|зарплат\\w*)(?:\\s+\\p{L}+){0,3}?"
|
||||
+ "\\W{0,5}(\\d{1,3}(?:[\\s.]?\\d{3})*(?:,\\d{2})?)\\s?(?iu:руб\\p{L}*|₽)?\\b",
|
||||
76)
|
||||
.groups(1)
|
||||
.anchoredBy("доход", "заработн", "зарплат"),
|
||||
|
||||
// Биометрия — сама фраза уже говорит, что дальше персональные данные, отдельного
|
||||
// значения для захвата нет: маскируется якорная фраза целиком.
|
||||
Rule.of(
|
||||
PdTypes.BIOMETRIC,
|
||||
"(?iu:биометрическ\\w*\\s+(?:данны\\w*|образц\\w*|шаблон\\w*)"
|
||||
+ "|слепок\\s+голоса|отпечаток\\s+пальца|скан\\s+лица|\\bЕБС\\b)",
|
||||
81)
|
||||
.anchoredBy("биометри", "слепок голоса", "отпечаток пальца", "скан лица", "ебс"),
|
||||
Rule.of(
|
||||
PdTypes.CARDHOLDER,
|
||||
"(?iu:держател\\w*(?:\\s+карты)?|cardholder|на\\s+имя)"
|
||||
+ "\\W{0,10}([A-Z]{2,20}\\s+[A-Z]{2,20})\\b",
|
||||
86)
|
||||
.groups(1)
|
||||
.anchoredBy(HOLDER_STEM, "cardholder", "на имя"),
|
||||
|
||||
// --- Уровень 1: подтверждается контрольной суммой ---
|
||||
|
||||
Rule.of(PdTypes.CARD, "\\b\\d(?:[ -]?\\d){11,18}\\b", 85).validatedBy(Validators::luhn));
|
||||
}
|
||||
@@ -1,152 +0,0 @@
|
||||
package ru.pdguard.detect;
|
||||
|
||||
import static ru.pdguard.detect.RulePatterns.CAPITALISED;
|
||||
import static ru.pdguard.detect.RulePatterns.HOLDER_STEM;
|
||||
import static ru.pdguard.detect.RulePatterns.ORGANISATION_NEARBY;
|
||||
import static ru.pdguard.detect.RulePatterns.PATRONYMIC;
|
||||
import static ru.pdguard.detect.RulePatterns.SURNAME;
|
||||
|
||||
import java.util.List;
|
||||
|
||||
/** Правила распознавания ФИО — от полной тройки с ролевым словом до одиночного имени по словарю. */
|
||||
final class FioRules {
|
||||
|
||||
private FioRules() {}
|
||||
|
||||
static final List<Rule> RULES =
|
||||
List.of(
|
||||
|
||||
// Фамилия Имя Отчество: первое слово опознаётся по словообразованию фамилии.
|
||||
// Свободная тройка «любое слово с заглавной + имя + отчество» здесь
|
||||
// сознательно не используется: она захватывает глагол в начале
|
||||
// предложения («Пригласите Ивана Сергеевича») и заметно дороже по времени.
|
||||
// Фамилии без привычного окончания — Ким, Цой — ловятся по ролевому слову.
|
||||
Rule.of(
|
||||
PdTypes.FIO,
|
||||
"\\b" + SURNAME + "\\s+" + CAPITALISED + "\\s+" + PATRONYMIC + "\\b",
|
||||
79),
|
||||
|
||||
// Имя Отчество Фамилия — второй распространённый порядок слов.
|
||||
Rule.of(
|
||||
PdTypes.FIO,
|
||||
"\\b" + CAPITALISED + "\\s+" + PATRONYMIC + "\\s+" + SURNAME + "\\b",
|
||||
79),
|
||||
|
||||
// Иванов И.И. и И.И. Иванов
|
||||
Rule.of(PdTypes.FIO, "\\b" + SURNAME + "\\s+\\p{Lu}\\.\\s?\\p{Lu}\\.", 79),
|
||||
Rule.of(PdTypes.FIO, "\\b\\p{Lu}\\.\\s?\\p{Lu}\\.\\s?" + SURNAME + "\\b", 79),
|
||||
|
||||
// Имя Отчество без фамилии
|
||||
Rule.of(PdTypes.FIO, "\\b" + CAPITALISED + "\\s+" + PATRONYMIC + "\\b", 77),
|
||||
|
||||
// «ФИО: иванов иван иванович» — явный якорь снимает требование к регистру
|
||||
Rule.of(
|
||||
PdTypes.FIO,
|
||||
"(?iu:\\bФИО|\\bф\\.\\s?и\\.\\s?о\\.|\\bна\\s+имя)"
|
||||
+ "(?:\\s+\\p{L}+)?\\W{0,5}(\\p{L}{2,}(?:\\s+\\p{L}{2,}){0,2})\\b",
|
||||
77)
|
||||
.groups(1)
|
||||
.anchoredBy("фио", "ф.и.о", "на имя"),
|
||||
|
||||
// «клиент Иванов Иван», «плательщик Петрова»
|
||||
Rule.of(
|
||||
PdTypes.FIO,
|
||||
"(?iu:\\bклиент|\\bзаказчик|\\bпациент|\\bсотрудник|\\bвладел|\\bплательщик"
|
||||
+ "|\\bполучател|\\bабонент|\\bв\\s+лице|\\bпредставител|\\bпоручител"
|
||||
+ "|\\bсозаёмщик|\\bсозаемщик|\\bзаёмщик|\\bзаемщик|\\bзаявител|\\bдоверител"
|
||||
+ "|\\bвкладчик|\\bответственн|\\bконтактное\\s+лицо|\\bисполнител|\\bдержател)\\p{L}*"
|
||||
+ "\\W{0,5}(\\p{Lu}\\p{Ll}+(?:\\s+\\p{Lu}\\p{Ll}+){0,2})\\b",
|
||||
77)
|
||||
.groups(1)
|
||||
.anchoredBy(
|
||||
"клиент",
|
||||
"заказчик",
|
||||
"пациент",
|
||||
"сотрудник",
|
||||
"владел",
|
||||
"плательщик",
|
||||
"получател",
|
||||
"абонент",
|
||||
"в лице",
|
||||
"представител",
|
||||
"поручител",
|
||||
"заёмщик",
|
||||
"заемщик",
|
||||
"заявител",
|
||||
"доверител",
|
||||
"вкладчик",
|
||||
"ответственн",
|
||||
"контактное лицо",
|
||||
"исполнител",
|
||||
HOLDER_STEM),
|
||||
|
||||
// «клиент иван иванов», «поручитель петрович» — строчные имена после
|
||||
// ролевого слова. Регистр снимает требование к заглавной букве, а словарь
|
||||
// имён отсекает «клиент пришёл в офис».
|
||||
Rule.of(
|
||||
PdTypes.FIO,
|
||||
"(?iu:\\bклиент|\\bзаказчик|\\bпациент|\\bсотрудник|\\bвладел|\\bплательщик"
|
||||
+ "|\\bполучател|\\bабонент|\\bв\\s+лице|\\bпредставител|\\bпоручител"
|
||||
+ "|\\bсозаёмщик|\\bсозаемщик|\\bзаёмщик|\\bзаемщик|\\bзаявител|\\bдоверител"
|
||||
+ "|\\bвкладчик|\\bответственн|\\bконтактное\\s+лицо|\\bисполнител|\\bдержател"
|
||||
+ "|\\bотправител|\\bбенефициар|\\bдоверенное\\s+лицо|\\bнаследник|\\bсозаемщик"
|
||||
// \p{L}*+ (possessive), не \p{L}*: без possessive откат назад позволял
|
||||
// движку «отдать» уже съеденное падежное окончание ролевого слова и
|
||||
// захватить его как будто отдельное имя — «пациентов» ловилось бы как «ов».
|
||||
+ "|\\bпоручител)\\p{L}*+"
|
||||
+ "(?:\\s+\\p{L}+){0,3}\\W{0,5}(\\p{L}{2,}(?:\\s+\\p{L}{2,}){0,2}(?:\\s+\\p{Lu}\\.){0,2})(?![\\p{L}.])",
|
||||
77)
|
||||
.groups(1)
|
||||
.validatedBy(NameDictionary::containsNamePart)
|
||||
.anchoredBy(
|
||||
"клиент",
|
||||
"заказчик",
|
||||
"пациент",
|
||||
"сотрудник",
|
||||
"владел",
|
||||
"плательщик",
|
||||
"получател",
|
||||
"абонент",
|
||||
"в лице",
|
||||
"представител",
|
||||
"поручител",
|
||||
"заёмщик",
|
||||
"заемщик",
|
||||
"заявител",
|
||||
"доверител",
|
||||
"вкладчик",
|
||||
"ответственн",
|
||||
"контактное лицо",
|
||||
"исполнител",
|
||||
HOLDER_STEM,
|
||||
"отправител",
|
||||
"бенефициар",
|
||||
"доверенное лицо",
|
||||
"наследник",
|
||||
"созаемщик"),
|
||||
|
||||
// Фамилия рядом с личным именем из словаря: без словаря правило ловило бы
|
||||
// «Тверская улица» и тому подобное. Имя проверяется по множеству уже
|
||||
// после совпадения — чередование из ста веток в шаблоне обходится дорого.
|
||||
// Самое слабое основание среди правил ФИО — ни ролевого слова, ни явного
|
||||
// якоря, — поэтому именно здесь нужно вето на адресный контекст: «Великие
|
||||
// Луки» (реальный город) распознаётся как имя «Лука» в падеже плюс
|
||||
// случайное слово, «Богдана Хмельницкого» — улица в честь исторической
|
||||
// фигуры. Найдено на реальных адресах отделений из реестра ЦБ.
|
||||
Rule.of(PdTypes.FIO, "\\b" + SURNAME + "\\s+" + CAPITALISED + "\\b", 74)
|
||||
.validatedBy(NameDictionary::containsGivenName)
|
||||
.vetoedBy(ORGANISATION_NEARBY),
|
||||
Rule.of(PdTypes.FIO, "\\b" + CAPITALISED + "\\s+" + SURNAME + "\\b", 74)
|
||||
.validatedBy(NameDictionary::containsGivenName)
|
||||
.vetoedBy(ORGANISATION_NEARBY),
|
||||
|
||||
// Одиночное имя, фамилия или отчество: «Иванов», «иван», «петрович».
|
||||
// Самое слабое основание среди правил ФИО — ни ролевого слова, ни пары
|
||||
// слов, — поэтому приоритет ниже и проверка по словарю обязательна.
|
||||
// Словарь отсекает «сочи», «казань» и прочие не-имена. Первое слово текста
|
||||
// не рассматривается: заглавная буква там от начала предложения, а не от
|
||||
// имени, и словообразовательная эвристика ложно ловит «Магазин», «Отдел».
|
||||
Rule.of(PdTypes.FIO, "(?<!^)\\b(\\p{L}{2,})\\b", 70)
|
||||
.groups(1)
|
||||
.validatedBy(NameDictionary::isStandaloneNameCandidate));
|
||||
}
|
||||
@@ -1,509 +1,205 @@
|
||||
package ru.pdguard.detect;
|
||||
|
||||
import io.micrometer.core.instrument.Counter;
|
||||
import io.micrometer.core.instrument.MeterRegistry;
|
||||
import io.micrometer.core.instrument.Timer;
|
||||
import io.micrometer.core.instrument.simple.SimpleMeterRegistry;
|
||||
import jakarta.annotation.PreDestroy;
|
||||
import io.quarkus.runtime.Startup;
|
||||
import jakarta.enterprise.context.ApplicationScoped;
|
||||
import opennlp.tools.namefind.NameFinderME;
|
||||
import opennlp.tools.namefind.TokenNameFinderModel;
|
||||
import opennlp.tools.tokenize.SimpleTokenizer;
|
||||
import org.eclipse.microprofile.config.inject.ConfigProperty;
|
||||
import org.jboss.logging.Logger;
|
||||
import ru.pdguard.core.Span;
|
||||
|
||||
import java.io.IOException;
|
||||
import java.io.InputStream;
|
||||
import java.nio.file.Files;
|
||||
import java.nio.file.Path;
|
||||
import java.util.ArrayList;
|
||||
import java.util.HashMap;
|
||||
import java.util.List;
|
||||
import java.util.Locale;
|
||||
import java.util.Map;
|
||||
import java.util.Optional;
|
||||
import java.util.Set;
|
||||
import java.util.concurrent.Semaphore;
|
||||
import java.util.concurrent.ArrayBlockingQueue;
|
||||
import java.util.concurrent.BlockingQueue;
|
||||
import java.util.concurrent.TimeUnit;
|
||||
import java.util.regex.Matcher;
|
||||
import java.util.regex.Pattern;
|
||||
import org.slf4j.Logger;
|
||||
import org.slf4j.LoggerFactory;
|
||||
import org.springframework.beans.factory.annotation.Autowired;
|
||||
import org.springframework.beans.factory.annotation.Value;
|
||||
import org.springframework.stereotype.Component;
|
||||
import ru.pdguard.config.SystemPolicy;
|
||||
|
||||
/**
|
||||
* Вторая ступень распознавания.
|
||||
* Вторая ступень распознавания имён.
|
||||
*
|
||||
* <p>Правила и словарь разбирают подавляющее большинство случаев и стоят десятки микросекунд.
|
||||
* Модель нужна там, где они бессильны: имена без русского словообразования и нестандартные
|
||||
* топонимы.
|
||||
* <p>Правила и словарь разбирают подавляющее большинство случаев и стоят десятки
|
||||
* микросекунд. Модель нужна там, где они бессильны: имена без русского
|
||||
* словообразования и без отчества — «Нгуен Ван Ань», «Ким Сон Хо».
|
||||
*
|
||||
* <p>Поэтому модель зовут не на весь текст, а только на кандидатов — цепочки из двух-трёх слов с
|
||||
* заглавной буквы, которые первая ступень не покрыла. Их в обычном запросе единицы, и на задержку
|
||||
* это почти не влияет. Дороже модель — тем важнее такая экономия: у BERT вызов стоит десятки
|
||||
* миллисекунд, и звать его на каждый запрос было бы невозможно.
|
||||
* <p>Поэтому модель зовут не на весь текст, а только на кандидатов — цепочки из
|
||||
* двух-трёх слов с заглавной буквы, которые первая ступень не покрыла. Их в
|
||||
* обычном запросе единицы, и на задержку это почти не влияет.
|
||||
*
|
||||
* <p>Используются две модели под разные задачи: одна размечает имена (например, WikiNEuRal, который
|
||||
* не распознаёт известных личностей), другая — составляющие адреса (например, ruBERT с детальными
|
||||
* метками страны, региона, района, города, улицы и дома). Каждая модель зовётся только на
|
||||
* непокрытые кандидаты.
|
||||
* <p>Модели нет — ступень выключена и поведение сервиса не меняется. Путь к файлу
|
||||
* задаётся свойством {@code pdguard.ner.model}.
|
||||
*
|
||||
* <p>Ступень выключена, пока не задан движок. Сбой ступени на первую не влияет: ошибка
|
||||
* перехватывается здесь, ступень выключается насовсем, и дальше работают правила. Иначе одно
|
||||
* <p>Сбой второй ступени не должен отражаться на первой: ошибка перехватывается
|
||||
* здесь, ступень выключается насовсем, и дальше работают правила. Иначе одно
|
||||
* исключение обнуляло бы маскирование целиком.
|
||||
*/
|
||||
@Component
|
||||
@Startup
|
||||
@ApplicationScoped
|
||||
public class NameCascade {
|
||||
|
||||
private static final Logger LOG = LoggerFactory.getLogger(NameCascade.class);
|
||||
private static final Logger LOG = Logger.getLogger(NameCascade.class);
|
||||
|
||||
/** Имя метрики обращений ко второй ступени, её описание и имя метки исхода. */
|
||||
private static final String NER_REQUESTS_METRIC = "pdguard.ner.requests";
|
||||
/** Цепочка из двух-трёх слов с заглавной буквы — то, что может оказаться именем. */
|
||||
private static final Pattern CANDIDATE = Pattern.compile(
|
||||
"\\p{Lu}[\\p{L}-]+(?:\\s+\\p{Lu}[\\p{L}-]+){1,2}",
|
||||
Pattern.UNICODE_CHARACTER_CLASS | Pattern.UNICODE_CASE);
|
||||
|
||||
private static final String NER_REQUESTS_DESCRIPTION = "Обращения, дошедшие до второй ступени";
|
||||
private static final String OUTCOME_TAG = "outcome";
|
||||
/** Приоритет находок второй ступени: ниже правил, у которых больше оснований. */
|
||||
private static final int PRIORITY = 73;
|
||||
|
||||
/** Метки WikiNEuRal в типы ПД: только PER — имя. Адреса размечает ruBERT. */
|
||||
private static final Map<String, String> NAME_TYPES = Map.of("PER", PdTypes.FIO);
|
||||
/** Сколько знаков текста вокруг кандидата отдаётся модели как контекст. */
|
||||
private static final int CONTEXT_CHARS = 60;
|
||||
|
||||
/** Метки ruBERT в типы ПД: детальные составляющие адреса. */
|
||||
private static final Map<String, String> ADDRESS_TYPES =
|
||||
Map.of(
|
||||
"COUNTRY", PdTypes.ADDRESS_COUNTRY,
|
||||
"REGION", PdTypes.ADDRESS_REGION,
|
||||
"DISTRICT", PdTypes.ADDRESS_DISTRICT,
|
||||
"CITY", PdTypes.ADDRESS_CITY,
|
||||
"STREET", PdTypes.ADDRESS_STREET,
|
||||
"HOUSE", PdTypes.ADDRESS_HOUSE);
|
||||
/** Сколько ждать свободный распознаватель, прежде чем обойтись правилами. */
|
||||
private static final long BORROW_TIMEOUT_MILLIS = 50;
|
||||
|
||||
/**
|
||||
* Метки LLAIM Legal NER в типы ПД: юридические реквизиты и документы, которых нет в общих
|
||||
* моделях. ADDRESS не сопоставляется — ruBERT размечает адреса детальнее. ORG, CASE_NUMBER и
|
||||
* POSITION аналогов в {@link PdTypes} не имеют.
|
||||
*/
|
||||
private static final Map<String, String> LEGAL_TYPES =
|
||||
Map.of(
|
||||
"PER", PdTypes.FIO,
|
||||
"INN", PdTypes.INN,
|
||||
"OGRN", PdTypes.OGRN,
|
||||
"SNILS", PdTypes.SNILS,
|
||||
"PASSPORT", PdTypes.PASSPORT,
|
||||
"PHONE", PdTypes.PHONE,
|
||||
"EMAIL", PdTypes.EMAIL,
|
||||
"BANK_ACCOUNT", PdTypes.ACCOUNT_NUMBER,
|
||||
"DATE", PdTypes.DATE);
|
||||
/** Текст для прогрева: важно не что в нём, а что модель отработала хотя бы раз. */
|
||||
private static final String[] WARMUP_WORDS =
|
||||
{"Клиент", "Иванов", "Иван", "Иванович", "обратился", "в", "отделение"};
|
||||
|
||||
/** Цепочка из двух-трёх слов с заглавной буквы — то, что может оказаться ПД. */
|
||||
private static final Pattern CANDIDATE =
|
||||
Pattern.compile(
|
||||
"\\p{Lu}[\\p{L}-]+(?:\\s+\\p{Lu}[\\p{L}-]+){1,2}",
|
||||
Pattern.UNICODE_CHARACTER_CLASS | Pattern.UNICODE_CASE);
|
||||
private final BlockingQueue<NameFinderME> pool;
|
||||
private final int maxCandidates;
|
||||
private final boolean enabled;
|
||||
private volatile boolean broken;
|
||||
|
||||
/**
|
||||
* Кандидат для LLAIM Legal NER: цифровой кластер (10–19 цифр с разделителями) или
|
||||
* адрес электронной почты. Юридические реквизиты (ИНН, СНИЛС, паспорт, телефон,
|
||||
* банковский счёт) — это цифры, а не слова с заглавной буквы, поэтому отдельный
|
||||
* проход не влияет на кандидатов моделей имён и адресов. Имена (PER) размечает
|
||||
* модель имён, email — правила, так что слова сюда не включаются: иначе модель
|
||||
* звалась бы на каждое слово текста.
|
||||
*/
|
||||
private static final Pattern LEGAL_CANDIDATE =
|
||||
Pattern.compile(
|
||||
"(?:\\d(?:[\\s.\\-/()]?\\d){9,18}|[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\\.[A-Za-z]{2,})",
|
||||
Pattern.UNICODE_CHARACTER_CLASS | Pattern.UNICODE_CASE);
|
||||
|
||||
/** Приоритет находок второй ступени: ниже правил, у которых больше оснований. */
|
||||
private static final int PRIORITY = 73;
|
||||
|
||||
/** Сколько знаков текста вокруг кандидата отдаётся модели как контекст. */
|
||||
private static final int CONTEXT_CHARS = 60;
|
||||
|
||||
private final RuBertRecogniser nameRecogniser;
|
||||
private final RuBertRecogniser addressRecogniser;
|
||||
private final RuBertRecogniser legalRecogniser;
|
||||
private final Semaphore concurrent;
|
||||
private final int maxCandidates;
|
||||
private volatile boolean broken;
|
||||
|
||||
/**
|
||||
* Сколько обращений дошло до модели, а сколько обошлось правилами. Отношение {@code engaged} ко
|
||||
* всем обращениям и есть та доля, от которой зависит, посильна ли тяжёлая модель на боевом
|
||||
* трафике.
|
||||
*/
|
||||
private final Counter engaged;
|
||||
|
||||
private final Counter withoutCandidates;
|
||||
private final Counter busy;
|
||||
private final Counter candidates;
|
||||
private final Timer duration;
|
||||
|
||||
/** Счётчики обращений к каждой модели второй ступени: тег {@code model} — имя движка. */
|
||||
private final Map<String, Counter> modelRequests;
|
||||
|
||||
/** Время работы каждой модели: тег {@code model} — имя движка. */
|
||||
private final Map<String, Timer> modelDuration;
|
||||
|
||||
@Autowired
|
||||
public NameCascade(
|
||||
@Value("${pdguard.ner.name-engine:off}") String nameEngine,
|
||||
@Value("${pdguard.ner.name-model:}") String nameModel,
|
||||
@Value("${pdguard.ner.address-engine:off}") String addressEngine,
|
||||
@Value("${pdguard.ner.address-model:}") String addressModel,
|
||||
@Value("${pdguard.ner.legal-engine:off}") String legalEngine,
|
||||
@Value("${pdguard.ner.legal-model:}") String legalModel,
|
||||
@Value("${pdguard.ner.max-candidates:16}") int maxCandidates,
|
||||
@Value("${pdguard.ner.pool-size:16}") int poolSize,
|
||||
MeterRegistry meters) {
|
||||
this.maxCandidates = maxCandidates;
|
||||
this.nameRecogniser = create(nameEngine, nameModel, NAME_TYPES);
|
||||
this.addressRecogniser = create(addressEngine, addressModel, ADDRESS_TYPES);
|
||||
this.legalRecogniser = create(legalEngine, legalModel, LEGAL_TYPES);
|
||||
this.concurrent = new Semaphore(Math.max(1, poolSize));
|
||||
this.engaged =
|
||||
Counter.builder(NER_REQUESTS_METRIC)
|
||||
.description(NER_REQUESTS_DESCRIPTION)
|
||||
.tag(OUTCOME_TAG, "engaged")
|
||||
.register(meters);
|
||||
this.withoutCandidates =
|
||||
Counter.builder(NER_REQUESTS_METRIC)
|
||||
.description(NER_REQUESTS_DESCRIPTION)
|
||||
.tag(OUTCOME_TAG, "no_candidates")
|
||||
.register(meters);
|
||||
this.busy =
|
||||
Counter.builder(NER_REQUESTS_METRIC)
|
||||
.description(NER_REQUESTS_DESCRIPTION)
|
||||
.tag(OUTCOME_TAG, "busy")
|
||||
.register(meters);
|
||||
this.candidates =
|
||||
Counter.builder("pdguard.ner.candidates")
|
||||
.description("Участки текста, отданные модели")
|
||||
.register(meters);
|
||||
this.duration =
|
||||
Timer.builder("pdguard.ner.duration")
|
||||
.description("Время работы второй ступени")
|
||||
.register(meters);
|
||||
this.modelRequests = modelCounters(meters);
|
||||
this.modelDuration = modelTimers(meters);
|
||||
}
|
||||
|
||||
/** Счётчики обращений к каждой модели: тег {@code model} — имя движка. */
|
||||
private static Map<String, Counter> modelCounters(MeterRegistry meters) {
|
||||
Map<String, Counter> counters = new HashMap<>();
|
||||
for (String model : new String[] {"name", "address", "legal"}) {
|
||||
counters.put(
|
||||
model,
|
||||
Counter.builder("pdguard.ner.model.requests")
|
||||
.description("Обращения к модели второй ступени")
|
||||
.tag("model", model)
|
||||
.register(meters));
|
||||
public NameCascade(
|
||||
@ConfigProperty(name = "pdguard.ner.model") Optional<String> modelPath,
|
||||
@ConfigProperty(name = "pdguard.ner.max-candidates", defaultValue = "16") int maxCandidates,
|
||||
@ConfigProperty(name = "pdguard.ner.pool-size", defaultValue = "16") int poolSize) {
|
||||
this.maxCandidates = maxCandidates;
|
||||
TokenNameFinderModel model = load(modelPath);
|
||||
this.enabled = model != null;
|
||||
this.pool = enabled ? warmedPool(model, Math.max(1, poolSize)) : null;
|
||||
}
|
||||
return counters;
|
||||
}
|
||||
|
||||
/** Таймеры времени работы каждой модели: тег {@code model} — имя движка. */
|
||||
private static Map<String, Timer> modelTimers(MeterRegistry meters) {
|
||||
Map<String, Timer> timers = new HashMap<>();
|
||||
for (String model : new String[] {"name", "address", "legal"}) {
|
||||
timers.put(
|
||||
model,
|
||||
Timer.builder("pdguard.ner.model.duration")
|
||||
.description("Время работы модели второй ступени")
|
||||
.tag("model", model)
|
||||
.register(meters));
|
||||
/** Выключенная ступень — для тестов и для сборок без модели. */
|
||||
public static NameCascade disabled() {
|
||||
return new NameCascade(Optional.empty(), 0, 1);
|
||||
}
|
||||
return timers;
|
||||
}
|
||||
|
||||
/** Конструктор для тестов: движки задаются конфигом, метрики — реестром. */
|
||||
private NameCascade(EngineConfig config, int maxCandidates, int poolSize, MeterRegistry meters) {
|
||||
this(
|
||||
config.nameEngine(),
|
||||
config.nameModel().orElse(""),
|
||||
config.addressEngine(),
|
||||
config.addressModel().orElse(""),
|
||||
config.legalEngine(),
|
||||
config.legalModel().orElse(""),
|
||||
maxCandidates,
|
||||
poolSize,
|
||||
meters);
|
||||
}
|
||||
|
||||
/** Конструктор для тестов: одна модель для имён, метрики никуда не отдаются. */
|
||||
public NameCascade(String engine, Optional<String> modelPath, int maxCandidates, int poolSize) {
|
||||
this(
|
||||
new EngineConfig(engine, modelPath, "off", Optional.empty(), "off", Optional.empty()),
|
||||
maxCandidates,
|
||||
poolSize,
|
||||
new SimpleMeterRegistry());
|
||||
}
|
||||
|
||||
/** Конструктор для тестов двух моделей: метрики никуда не отдаются. */
|
||||
public NameCascade(
|
||||
String nameEngine,
|
||||
Optional<String> nameModel,
|
||||
String addressEngine,
|
||||
Optional<String> addressModel,
|
||||
int maxCandidates,
|
||||
int poolSize) {
|
||||
this(
|
||||
new EngineConfig(
|
||||
nameEngine, nameModel, addressEngine, addressModel, "off", Optional.empty()),
|
||||
maxCandidates,
|
||||
poolSize,
|
||||
new SimpleMeterRegistry());
|
||||
}
|
||||
|
||||
/** Конструктор для тестов двух моделей с явным реестром метрик. */
|
||||
public NameCascade(
|
||||
String nameEngine,
|
||||
Optional<String> nameModel,
|
||||
String addressEngine,
|
||||
Optional<String> addressModel,
|
||||
int maxCandidates,
|
||||
int poolSize,
|
||||
MeterRegistry meters) {
|
||||
this(
|
||||
new EngineConfig(
|
||||
nameEngine, nameModel, addressEngine, addressModel, "off", Optional.empty()),
|
||||
maxCandidates,
|
||||
poolSize,
|
||||
meters);
|
||||
}
|
||||
|
||||
/** Конструктор для тестов трёх моделей: метрики никуда не отдаются. */
|
||||
public NameCascade(EngineConfig config, int maxCandidates, int poolSize) {
|
||||
this(config, maxCandidates, poolSize, new SimpleMeterRegistry());
|
||||
}
|
||||
|
||||
/** Конфигурация трёх движков второй ступени: имя, адрес и юридические реквизиты. */
|
||||
public record EngineConfig(
|
||||
String nameEngine,
|
||||
Optional<String> nameModel,
|
||||
String addressEngine,
|
||||
Optional<String> addressModel,
|
||||
String legalEngine,
|
||||
Optional<String> legalModel) {}
|
||||
|
||||
/**
|
||||
* Выключенная ступень для служебных нужд — прогрева и тестов. Отдельный конструктор, а не обычный
|
||||
* путь: иначе в журнале рядом с сообщением о готовности распознавателя появлялось бы сообщение о
|
||||
* его выключении, и было бы непонятно, что в итоге работает.
|
||||
*/
|
||||
private NameCascade() {
|
||||
this.maxCandidates = 0;
|
||||
this.nameRecogniser = null;
|
||||
this.addressRecogniser = null;
|
||||
this.legalRecogniser = null;
|
||||
this.concurrent = new Semaphore(1);
|
||||
MeterRegistry meters = new SimpleMeterRegistry();
|
||||
this.engaged = meters.counter(NER_REQUESTS_METRIC, OUTCOME_TAG, "engaged");
|
||||
this.withoutCandidates = meters.counter(NER_REQUESTS_METRIC, OUTCOME_TAG, "no_candidates");
|
||||
this.busy = meters.counter(NER_REQUESTS_METRIC, OUTCOME_TAG, "busy");
|
||||
this.candidates = meters.counter("pdguard.ner.candidates");
|
||||
this.duration = Timer.builder("pdguard.ner.duration").register(meters);
|
||||
this.modelRequests = modelCounters(meters);
|
||||
this.modelDuration = modelTimers(meters);
|
||||
}
|
||||
|
||||
public static NameCascade disabled() {
|
||||
return new NameCascade();
|
||||
}
|
||||
|
||||
public boolean enabled() {
|
||||
return (nameRecogniser != null || addressRecogniser != null || legalRecogniser != null)
|
||||
&& !broken;
|
||||
}
|
||||
|
||||
/**
|
||||
* Покрывает ли каскад хоть один тип, разрешённый политикой. Нужно, чтобы {@code Pipeline} звал
|
||||
* вторую ступень не только ради ФИО, но и ради адресов и юридических реквизитов, которые
|
||||
* размечает LLAIM Legal NER.
|
||||
*/
|
||||
public boolean coversAny(SystemPolicy policy) {
|
||||
if (!enabled()) {
|
||||
return false;
|
||||
public boolean enabled() {
|
||||
return enabled;
|
||||
}
|
||||
return policy.allows(PdTypes.FIO)
|
||||
|| policy.allows(PdTypes.ADDRESS_COUNTRY)
|
||||
|| policy.allows(PdTypes.ADDRESS_REGION)
|
||||
|| policy.allows(PdTypes.ADDRESS_DISTRICT)
|
||||
|| policy.allows(PdTypes.ADDRESS_CITY)
|
||||
|| policy.allows(PdTypes.ADDRESS_STREET)
|
||||
|| policy.allows(PdTypes.ADDRESS_HOUSE)
|
||||
|| policy.allows(PdTypes.INN)
|
||||
|| policy.allows(PdTypes.OGRN)
|
||||
|| policy.allows(PdTypes.SNILS)
|
||||
|| policy.allows(PdTypes.PASSPORT)
|
||||
|| policy.allows(PdTypes.PHONE)
|
||||
|| policy.allows(PdTypes.EMAIL)
|
||||
|| policy.allows(PdTypes.ACCOUNT_NUMBER)
|
||||
|| policy.allows(PdTypes.DATE);
|
||||
}
|
||||
|
||||
/**
|
||||
* Добавляет ПД, которые не нашла первая ступень. Уже принятые фрагменты не трогаются: модели
|
||||
* разбирают только непокрытые участки.
|
||||
*/
|
||||
public List<Span> addMissedNames(String text, List<Span> accepted) {
|
||||
if (!enabled()) {
|
||||
return accepted;
|
||||
}
|
||||
if (!concurrent.tryAcquire()) {
|
||||
// Модель занята целиком: отвечаем по правилам, а не копим очередь.
|
||||
busy.increment();
|
||||
return accepted;
|
||||
}
|
||||
long started = System.nanoTime();
|
||||
try {
|
||||
List<Span> found = new ArrayList<>(accepted);
|
||||
int examined = 0;
|
||||
Matcher m = CANDIDATE.matcher(text);
|
||||
while (m.find() && examined < maxCandidates) {
|
||||
if (fullyCovered(found, m.start(), m.end())) {
|
||||
continue;
|
||||
/**
|
||||
* Добавляет имена, которые не нашла первая ступень. Уже принятые фрагменты
|
||||
* не трогаются: модель разбирает только непокрытые участки.
|
||||
*/
|
||||
public List<Span> addMissedNames(String text, List<Span> accepted) {
|
||||
if (!enabled || broken) {
|
||||
return accepted;
|
||||
}
|
||||
examined++;
|
||||
collect(text, m.start(), m.end(), found, "name", nameRecogniser);
|
||||
collect(text, m.start(), m.end(), found, "address", addressRecogniser);
|
||||
}
|
||||
// LLAIM Legal NER ищет реквизиты (ИНН, СНИЛС, паспорт), которые не
|
||||
// являются словами с заглавной буквы, — отдельный проход по своим
|
||||
// кандидатам, чтобы не вытеснять кандидатов моделей имён и адресов.
|
||||
if (legalRecogniser != null) {
|
||||
Matcher lm = LEGAL_CANDIDATE.matcher(text);
|
||||
while (lm.find() && examined < maxCandidates) {
|
||||
if (fullyCovered(found, lm.start(), lm.end())) {
|
||||
continue;
|
||||
}
|
||||
examined++;
|
||||
collect(text, lm.start(), lm.end(), found, "legal", legalRecogniser);
|
||||
NameFinderME finder = borrow();
|
||||
if (finder == null) {
|
||||
// Все распознаватели заняты: отвечаем по правилам, а не копим очередь.
|
||||
return accepted;
|
||||
}
|
||||
}
|
||||
candidates.increment(examined);
|
||||
(examined > 0 ? engaged : withoutCandidates).increment();
|
||||
duration.record(System.nanoTime() - started, TimeUnit.NANOSECONDS);
|
||||
return found;
|
||||
} catch (RuntimeException e) {
|
||||
broken = true;
|
||||
LOG.error("Вторая ступень отключена из-за сбоя, распознавание продолжается по правилам", e);
|
||||
return accepted;
|
||||
} finally {
|
||||
concurrent.release();
|
||||
}
|
||||
}
|
||||
|
||||
private void collect(
|
||||
String text,
|
||||
int candidateStart,
|
||||
int candidateEnd,
|
||||
List<Span> sink,
|
||||
String modelName,
|
||||
RuBertRecogniser recogniser) {
|
||||
if (recogniser == null) {
|
||||
return;
|
||||
}
|
||||
int from = Math.max(0, candidateStart - CONTEXT_CHARS);
|
||||
int to = Math.min(text.length(), candidateEnd + CONTEXT_CHARS);
|
||||
boolean nameFound = false;
|
||||
long started = System.nanoTime();
|
||||
for (Span span : recogniser.recognise(text, from, to, PRIORITY)) {
|
||||
if (isAccepted(text, candidateStart, candidateEnd, span)) {
|
||||
sink.add(span);
|
||||
if (PdTypes.FIO.equals(span.type())) {
|
||||
nameFound = true;
|
||||
try {
|
||||
List<Span> found = new ArrayList<>(accepted);
|
||||
int examined = 0;
|
||||
Matcher m = CANDIDATE.matcher(text);
|
||||
while (m.find() && examined < maxCandidates) {
|
||||
if (coveredBy(accepted, m.start(), m.end())) {
|
||||
continue;
|
||||
}
|
||||
examined++;
|
||||
recognise(finder, text, m.start(), m.end(), found);
|
||||
}
|
||||
return found;
|
||||
} catch (RuntimeException e) {
|
||||
broken = true;
|
||||
LOG.errorf(e, "Вторая ступень отключена из-за сбоя, распознавание продолжается по правилам");
|
||||
return accepted;
|
||||
} finally {
|
||||
finder.clearAdaptiveData();
|
||||
pool.offer(finder);
|
||||
}
|
||||
}
|
||||
}
|
||||
modelRequests.get(modelName).increment();
|
||||
modelDuration.get(modelName).record(System.nanoTime() - started, TimeUnit.NANOSECONDS);
|
||||
// Модель распознала имя в кандидате, но правила могли найти лишь его часть
|
||||
// («Жан» вместо «Жан-Поль Дюваль») с более высоким приоритетом и заблокировать
|
||||
// полное имя при разрешении перекрытий. Убираем такие частичные находки правил,
|
||||
// чтобы полное имя от модели осталось: избыточное покрытие безопаснее утечки ПД.
|
||||
if (nameFound) {
|
||||
sink.removeIf(
|
||||
span ->
|
||||
PdTypes.FIO.equals(span.type())
|
||||
&& span.start() < candidateEnd
|
||||
&& candidateStart < span.end()
|
||||
&& span.priority() > PRIORITY);
|
||||
}
|
||||
}
|
||||
|
||||
/** Покрыт ли фрагмент целиком уже принятыми находками. */
|
||||
private static boolean fullyCovered(List<Span> spans, int start, int end) {
|
||||
return spans.stream().anyMatch(span -> span.start() <= start && end <= span.end());
|
||||
}
|
||||
private NameFinderME borrow() {
|
||||
try {
|
||||
return pool.poll(BORROW_TIMEOUT_MILLIS, TimeUnit.MILLISECONDS);
|
||||
} catch (InterruptedException e) {
|
||||
Thread.currentThread().interrupt();
|
||||
return null;
|
||||
}
|
||||
}
|
||||
|
||||
/**
|
||||
* Слова-маркеры ПД, которые модель иногда ошибочно помечает как ФИО («ИНН», «СНИЛС», «паспорт»).
|
||||
* Такие находки — шум: это не имена, а обозначения реквизитов, и маскировать их как ФИО нельзя.
|
||||
*/
|
||||
private static final Set<String> PD_MARKERS =
|
||||
Set.of(
|
||||
"инн",
|
||||
"снилс",
|
||||
"огрн",
|
||||
"огрнип",
|
||||
"кпп",
|
||||
"бик",
|
||||
"паспорт",
|
||||
"счёт",
|
||||
"счет",
|
||||
"телефон",
|
||||
"email",
|
||||
"почта",
|
||||
"дата",
|
||||
"адрес",
|
||||
"полис",
|
||||
"свидетельство");
|
||||
private static void recognise(NameFinderME finder, String text,
|
||||
int candidateStart, int candidateEnd, List<Span> sink) {
|
||||
int from = Math.max(0, candidateStart - CONTEXT_CHARS);
|
||||
int to = Math.min(text.length(), candidateEnd + CONTEXT_CHARS);
|
||||
String region = text.substring(from, to);
|
||||
|
||||
/**
|
||||
* Принимает находку модели, если она пересекается с кандидатом и проходит те же условия, что и
|
||||
* находки правил.
|
||||
*/
|
||||
private static boolean isAccepted(String text, int candidateStart, int candidateEnd, Span span) {
|
||||
// Берём только пересекающееся с кандидатом: контекст добавлен ради
|
||||
// качества разбора, а не для расширения находки.
|
||||
if (span.start() >= candidateEnd || candidateStart >= span.end()) {
|
||||
return false;
|
||||
}
|
||||
// Модель с приоритетом recall иногда помечает слово-маркер реквизита
|
||||
// («ИНН») как ФИО. Такое значение именем не является.
|
||||
if (PdTypes.FIO.equals(span.type())
|
||||
&& PD_MARKERS.contains(text.substring(span.start(), span.end()).toLowerCase(Locale.ROOT))) {
|
||||
return false;
|
||||
}
|
||||
// Адресные типы принимаются на тех же условиях, что и от правил: рядом
|
||||
// должны быть другие части адреса. Иначе «Спартак Москва» и «Проспект
|
||||
// Вернадского» попадали бы под маску наравне с адресом клиента.
|
||||
return !RuleRegistry.isAddressType(span.type())
|
||||
|| RuleRegistry.hasAddressContext(text, span.start(), span.end());
|
||||
}
|
||||
opennlp.tools.util.Span[] tokens = SimpleTokenizer.INSTANCE.tokenizePos(region);
|
||||
String[] words = new String[tokens.length];
|
||||
for (int i = 0; i < tokens.length; i++) {
|
||||
words[i] = region.substring(tokens[i].getStart(), tokens[i].getEnd());
|
||||
}
|
||||
|
||||
private static RuBertRecogniser create(
|
||||
String engine, String modelPath, Map<String, String> types) {
|
||||
String chosen = engine == null ? "off" : engine.toLowerCase(Locale.ROOT).strip();
|
||||
if ("off".equals(chosen) || modelPath == null || modelPath.isBlank()) {
|
||||
LOG.info("Вторая ступень распознавания выключена");
|
||||
return null;
|
||||
for (opennlp.tools.util.Span name : finder.find(words)) {
|
||||
int start = from + tokens[name.getStart()].getStart();
|
||||
int end = from + tokens[name.getEnd() - 1].getEnd();
|
||||
// Берём только то, что пересекается с кандидатом: контекст добавлен
|
||||
// ради качества разбора, а не для расширения находки.
|
||||
if (start < candidateEnd && candidateStart < end) {
|
||||
sink.add(new Span(start, end, RuleRegistry.FIO, PRIORITY));
|
||||
}
|
||||
}
|
||||
}
|
||||
if (!"rubert".equals(chosen)
|
||||
&& !"wikineural".equals(chosen)
|
||||
&& !"ru-legal-ner".equals(chosen)) {
|
||||
LOG.warn("Неизвестный движок второй ступени: {}, ступень выключена", chosen);
|
||||
return null;
|
||||
}
|
||||
RuBertRecogniser created = RuBertRecogniser.load(Path.of(modelPath), 1, types);
|
||||
if (created == null) {
|
||||
LOG.info("Вторая ступень распознавания выключена: распознаватель не создан");
|
||||
}
|
||||
return created;
|
||||
}
|
||||
|
||||
@PreDestroy
|
||||
void shutdown() {
|
||||
if (nameRecogniser != null) {
|
||||
nameRecogniser.close();
|
||||
private static boolean coveredBy(List<Span> accepted, int start, int end) {
|
||||
return accepted.stream().anyMatch(span -> span.start() < end && start < span.end());
|
||||
}
|
||||
if (addressRecogniser != null) {
|
||||
addressRecogniser.close();
|
||||
|
||||
/**
|
||||
* Готовые к работе распознаватели создаются на старте и сразу прогоняют текст.
|
||||
*
|
||||
* <p>{@link NameFinderME} хранит состояние между вызовами, поэтому одним
|
||||
* экземпляром на несколько потоков пользоваться нельзя. Создание экземпляра
|
||||
* вместе с первым разбором стоит сотни миллисекунд, и при создании по
|
||||
* требованию эта цена доставалась первому запросу каждого рабочего потока.
|
||||
* Пул снимает и то, и другое: к первому обращению всё создано и прогрето.
|
||||
*/
|
||||
private static BlockingQueue<NameFinderME> warmedPool(TokenNameFinderModel model, int size) {
|
||||
long started = System.nanoTime();
|
||||
BlockingQueue<NameFinderME> ready = new ArrayBlockingQueue<>(size);
|
||||
for (int i = 0; i < size; i++) {
|
||||
NameFinderME finder = new NameFinderME(model);
|
||||
finder.find(WARMUP_WORDS);
|
||||
finder.clearAdaptiveData();
|
||||
ready.add(finder);
|
||||
}
|
||||
LOG.infof("Прогрев второй ступени: %d распознавателей за %d мс",
|
||||
size, (System.nanoTime() - started) / 1_000_000);
|
||||
return ready;
|
||||
}
|
||||
if (legalRecogniser != null) {
|
||||
legalRecogniser.close();
|
||||
|
||||
private TokenNameFinderModel load(Optional<String> modelPath) {
|
||||
if (modelPath.isEmpty() || modelPath.get().isBlank()) {
|
||||
LOG.info("Вторая ступень распознавания имён выключена: модель не задана");
|
||||
return null;
|
||||
}
|
||||
Path file = Path.of(modelPath.get());
|
||||
if (!Files.isReadable(file)) {
|
||||
LOG.warnf("Модель %s недоступна, вторая ступень выключена", file.toAbsolutePath());
|
||||
return null;
|
||||
}
|
||||
try (InputStream in = Files.newInputStream(file)) {
|
||||
TokenNameFinderModel model = new TokenNameFinderModel(in);
|
||||
LOG.infof("Вторая ступень распознавания имён включена, модель %s", file.toAbsolutePath());
|
||||
return model;
|
||||
} catch (IOException | RuntimeException e) {
|
||||
// Испорченная модель не должна мешать сервису подняться: работают правила.
|
||||
LOG.errorf(e, "Не удалось загрузить модель %s, вторая ступень выключена", file.toAbsolutePath());
|
||||
return null;
|
||||
}
|
||||
}
|
||||
}
|
||||
}
|
||||
|
||||
@@ -1,307 +1,210 @@
|
||||
package ru.pdguard.detect;
|
||||
|
||||
import org.eclipse.microprofile.config.ConfigProvider;
|
||||
import org.jboss.logging.Logger;
|
||||
|
||||
import java.io.BufferedReader;
|
||||
import java.io.IOException;
|
||||
import java.io.InputStream;
|
||||
import java.io.InputStreamReader;
|
||||
import java.io.UncheckedIOException;
|
||||
import java.nio.charset.StandardCharsets;
|
||||
import java.nio.file.Files;
|
||||
import java.nio.file.Path;
|
||||
import java.util.Comparator;
|
||||
import java.util.HashSet;
|
||||
import java.util.List;
|
||||
import java.util.Locale;
|
||||
import java.util.Set;
|
||||
import java.util.regex.Pattern;
|
||||
import java.util.stream.Collectors;
|
||||
import org.slf4j.Logger;
|
||||
import org.slf4j.LoggerFactory;
|
||||
|
||||
/**
|
||||
* Словари для распознавания ФИО.
|
||||
*
|
||||
* <p>Личные имена нужны, чтобы морфология фамилий не срабатывала на чём попало: «Тверская» по
|
||||
* окончанию похожа на фамилию, но рядом с ней нет личного имени.
|
||||
* <p>Личные имена нужны, чтобы морфология фамилий не срабатывала на чём попало:
|
||||
* «Тверская» по окончанию похожа на фамилию, но рядом с ней нет личного имени.
|
||||
*
|
||||
* <p>Список известных людей решает обратную задачу — упоминание Пушкина персональными данными не
|
||||
* является. Ограничение осознанное: клиент по фамилии Пушкин в тексте без других ПД замаскирован не
|
||||
* будет.
|
||||
* <p>Список известных людей решает обратную задачу — упоминание Пушкина
|
||||
* персональными данными не является. Ограничение осознанное: клиент по фамилии
|
||||
* Пушкин в тексте без других ПД замаскирован не будет.
|
||||
*
|
||||
* <p>Базовый список собран в сборку из {@code /names/well-known.txt}. Поверх него можно дописать
|
||||
* своих публичных лиц без пересборки — файл по пути {@code pdguard.well-known-file} (по умолчанию
|
||||
* {@code config/well-known.txt}) перечитывается сам при изменении, тем же приёмом, что {@code
|
||||
* systems.json} в {@link ru.pdguard.config.SystemsConfig}: раз в секунду сверяется время изменения,
|
||||
* содержимое читается заново только когда оно другое.
|
||||
* <p>Базовый список собран в сборку из {@code /names/well-known.txt}. Поверх
|
||||
* него можно дописать своих публичных лиц без пересборки — файл по пути
|
||||
* {@code pdguard.well-known-file} (по умолчанию {@code config/well-known.txt})
|
||||
* перечитывается сам при изменении, тем же приёмом, что {@code systems.json}
|
||||
* в {@link ru.pdguard.config.SystemsConfig}: раз в секунду сверяется время
|
||||
* изменения, содержимое читается заново только когда оно другое.
|
||||
*/
|
||||
public final class NameDictionary {
|
||||
|
||||
private static final Logger LOG = LoggerFactory.getLogger(NameDictionary.class);
|
||||
private static final Logger LOG = Logger.getLogger(NameDictionary.class);
|
||||
private static final long RECHECK_MILLIS = 1000;
|
||||
|
||||
private static final List<String> GIVEN_NAME_STEMS =
|
||||
ResourceLoader.lines("/names/given-names.txt", true).stream()
|
||||
.map(Declension::withoutInflectedEnding)
|
||||
.distinct()
|
||||
.sorted(Comparator.comparingInt(String::length).reversed())
|
||||
.toList();
|
||||
// Гласная в конце основы отбрасывается: «Набиуллина» родительный/дательный/
|
||||
// творительный падежи образует заменой «-а» на «-ой» («Набиуллиной»), а не
|
||||
// дописыванием — без отсечения «а» их startsWith не поймает. Тот же приём,
|
||||
// что и для личных имён.
|
||||
private static final Set<String> BUNDLED_WELL_KNOWN_STEMS =
|
||||
ResourceLoader.set("/names/well-known.txt").stream()
|
||||
.map(Declension::withoutInflectedEnding)
|
||||
.collect(Collectors.toUnmodifiableSet());
|
||||
private static final List<String> GIVEN_NAME_STEMS = load("/names/given-names.txt").stream()
|
||||
.map(Declension::withoutInflectedEnding)
|
||||
.distinct()
|
||||
.sorted(Comparator.comparingInt(String::length).reversed())
|
||||
.toList();
|
||||
// Гласная в конце основы отбрасывается: «Набиуллина» родительный/дательный/
|
||||
// творительный падежи образует заменой «-а» на «-ой» («Набиуллиной»), а не
|
||||
// дописыванием — без отсечения «а» их startsWith не поймает. Тот же приём,
|
||||
// что и для личных имён.
|
||||
private static final Set<String> BUNDLED_WELL_KNOWN_STEMS = load("/names/well-known.txt").stream()
|
||||
.map(Declension::withoutInflectedEnding)
|
||||
.collect(Collectors.toUnmodifiableSet());
|
||||
|
||||
private static final ResourceLoader.FileWatchState<Set<String>> WELL_KNOWN_STATE =
|
||||
new ResourceLoader.FileWatchState<>(BUNDLED_WELL_KNOWN_STEMS);
|
||||
private static volatile Path externalFile = Path.of(ConfigProvider.getConfig()
|
||||
.getOptionalValue("pdguard.well-known-file", String.class)
|
||||
.orElse("config/well-known.txt"));
|
||||
private static volatile Set<String> wellKnownStems = BUNDLED_WELL_KNOWN_STEMS;
|
||||
private static volatile long externalTimestamp;
|
||||
private static volatile long lastCheck;
|
||||
|
||||
private static final Path EXTERNAL_FILE = Path.of("config/well-known.txt");
|
||||
/** Не более скольких падежных букв дописывается к основе имени. */
|
||||
private static final int MAX_INFLECTION = 3;
|
||||
|
||||
/** Разделитель слов: любая последовательность не-буквенных символов. */
|
||||
private static final String WORD_SPLIT = "\\P{L}+";
|
||||
/** Остатки, превращающие основу имени в фамилию или отчество: Роман → Романов. */
|
||||
private static final Set<String> SURNAME_SUFFIXES = Set.of(
|
||||
"ов", "ев", "ёв", "ин", "ын", "ова", "ева", "ёва", "ина", "ына",
|
||||
"ович", "евич", "овна", "евна", "овы", "евы", "ины");
|
||||
|
||||
/** Порядковые числительные в имени правителя: «Пётр Первый», «Екатерина Вторая». */
|
||||
private static final String REGNAL_ORDINALS =
|
||||
"перв|втор|трет|четв[её]рт|пят|шест|седьм|восьм|девят|десят";
|
||||
private static final Set<String> GIVEN_NAMES = GIVEN_NAME_STEMS.stream()
|
||||
.map(stem -> stem.toLowerCase(Locale.ROOT))
|
||||
.collect(Collectors.toUnmodifiableSet());
|
||||
|
||||
/** Прозвища правителей: «Иван Грозный», «Ярослав Мудрый», «Александр Освободитель». */
|
||||
private static final String REGNAL_EPITHETS =
|
||||
"велик|грозн|мудр|благословен|освободител|миротворц?|тишайш|долгорук|окаянн";
|
||||
|
||||
/**
|
||||
* Имя правителя: личное имя плюс порядковое числительное или прозвище — «Пётр Первый», «Иван
|
||||
* Грозный», «Екатерина Вторая», «Ярослав Мудрый». Задано правилом, а не перечнем: правителей
|
||||
* много, а форма записи одна.
|
||||
*/
|
||||
private static final Pattern REGNAL_NAME =
|
||||
Pattern.compile(
|
||||
"^\\p{Lu}\\p{L}+\\s+(?iu:" + REGNAL_ORDINALS + "|" + REGNAL_EPITHETS + ")\\p{L}*$",
|
||||
Pattern.UNICODE_CHARACTER_CLASS | Pattern.UNICODE_CASE | Pattern.CANON_EQ);
|
||||
|
||||
/** Не более скольких падежных букв дописывается к основе имени. */
|
||||
private static final int MAX_INFLECTION = 3;
|
||||
|
||||
/** Остатки, превращающие основу имени в фамилию или отчество: Роман → Романов. */
|
||||
private static final Set<String> SURNAME_SUFFIXES =
|
||||
Set.of(
|
||||
"ов", "ев", "ёв", "ин", "ын", "ова", "ева", "ёва", "ина", "ына", "ович", "евич", "овна",
|
||||
"евна", "овы", "евы", "ины");
|
||||
|
||||
private static final Set<String> GIVEN_NAMES =
|
||||
GIVEN_NAME_STEMS.stream()
|
||||
.map(stem -> stem.toLowerCase(Locale.ROOT))
|
||||
.collect(Collectors.toUnmodifiableSet());
|
||||
|
||||
/**
|
||||
* Слова-маркеры персональных данных и реквизитов, которые по словообразованию совпадают с
|
||||
* основами имён («ИНН» — основа имени «Инна») и потому ложно распознаются как ФИО. Это
|
||||
* аббревиатуры, а не имена.
|
||||
*/
|
||||
private static final Set<String> PD_MARKERS =
|
||||
Set.of(
|
||||
"инн",
|
||||
"снилс",
|
||||
"огрн",
|
||||
"огрнип",
|
||||
"кпп",
|
||||
"бик",
|
||||
"паспорт",
|
||||
"счёт",
|
||||
"счет",
|
||||
"телефон",
|
||||
"email",
|
||||
"почта",
|
||||
"дата",
|
||||
"адрес",
|
||||
"полис",
|
||||
"свидетельство",
|
||||
"ву");
|
||||
|
||||
private NameDictionary() {}
|
||||
|
||||
/** Экземпляр для Spring-бина; словарь работает через статические методы. */
|
||||
public static NameDictionary create() {
|
||||
return new NameDictionary();
|
||||
}
|
||||
|
||||
/**
|
||||
* Задаёт путь к внешнему файлу денилиста. Вызывается при старте приложения из конфигурации
|
||||
* Spring-бина; статические методы словаря работают без экземпляра, поэтому путь хранится в
|
||||
* статическом поле.
|
||||
*/
|
||||
public static void configure(String wellKnownFile) {
|
||||
WELL_KNOWN_STATE.current = BUNDLED_WELL_KNOWN_STEMS;
|
||||
WELL_KNOWN_STATE.mtime = -1;
|
||||
WELL_KNOWN_STATE.lastCheck = 0;
|
||||
// Путь фиксирован в статическом поле; для тестов используется useExternalFile.
|
||||
if (!"config/well-known.txt".equals(wellKnownFile)) {
|
||||
useExternalFile(Path.of(wellKnownFile));
|
||||
private NameDictionary() {
|
||||
}
|
||||
}
|
||||
|
||||
/**
|
||||
* Есть ли среди слов личное имя из словаря в любом падеже.
|
||||
*
|
||||
* <p>Проверка множеством, а не чередованием в регулярном выражении: сто с лишним веток пришлось
|
||||
* бы перебирать в каждой позиции текста, здесь же на слово приходится не больше четырёх обращений
|
||||
* к хеш-таблице.
|
||||
*/
|
||||
public static boolean containsGivenName(String value) {
|
||||
for (String word : value.split(WORD_SPLIT)) {
|
||||
String lower = word.toLowerCase(Locale.ROOT);
|
||||
// Точное совпадение с основой сильнее всего: «Яков» оканчивается на «ов»,
|
||||
// но это имя, а не фамилия.
|
||||
if (GIVEN_NAMES.contains(lower)) {
|
||||
return true;
|
||||
}
|
||||
// По началу слова имя ищется с оглядкой на остаток: «Марина» это основа
|
||||
// «марин» плюс падежное «а», а «Романов» — основа «роман» плюс фамильное
|
||||
// «ов». Без этой разницы «Бизнес-центр Романов Двор» принимался бы за
|
||||
// человека, а «Марина Шевченко» переставала бы им быть.
|
||||
for (int length = Math.max(1, lower.length() - MAX_INFLECTION);
|
||||
length < lower.length();
|
||||
length++) {
|
||||
if (GIVEN_NAMES.contains(lower.substring(0, length))
|
||||
&& !SURNAME_SUFFIXES.contains(lower.substring(length))) {
|
||||
return true;
|
||||
}
|
||||
}
|
||||
}
|
||||
return false;
|
||||
}
|
||||
|
||||
/**
|
||||
* Проверяет, что фрагмент — имя, отчество или фамилия человека. Используется для строчных имён
|
||||
* после ролевого слова («клиент иван иванов»), где регистр не подсказывает, что перед нами имя.
|
||||
*/
|
||||
public static boolean containsNamePart(String value) {
|
||||
for (String word : value.split(WORD_SPLIT)) {
|
||||
String lower = word.toLowerCase(Locale.ROOT);
|
||||
if (GIVEN_NAMES.contains(lower)) {
|
||||
return true;
|
||||
}
|
||||
if (isPatronymic(lower) || isSurname(lower)) {
|
||||
return true;
|
||||
}
|
||||
}
|
||||
return false;
|
||||
}
|
||||
|
||||
/**
|
||||
* Слово само по себе похоже на имя, фамилию или отчество — без ролевого слова или соседнего
|
||||
* личного имени рядом, самое слабое основание для ФИО. Точное совпадение с личным именем
|
||||
* принимается в любом регистре («иван» тоже имя), а вот словообразовательная эвристика
|
||||
* (фамилия/отчество по окончанию) — только с заглавной буквы: без этого «законов», «домов»,
|
||||
* «холодов» — обычные родительные падежи, а не фамилии — ложно матчились бы.
|
||||
*/
|
||||
public static boolean isStandaloneNameCandidate(String word) {
|
||||
String lower = word.toLowerCase(Locale.ROOT);
|
||||
if (PD_MARKERS.contains(lower)) {
|
||||
return false;
|
||||
}
|
||||
if (GIVEN_NAMES.contains(lower)) {
|
||||
return true;
|
||||
}
|
||||
if (word.isEmpty() || !Character.isUpperCase(word.codePointAt(0))) {
|
||||
return false;
|
||||
}
|
||||
return isPatronymic(lower) || isSurname(lower);
|
||||
}
|
||||
|
||||
/** Отчество: Иванович, Петровна, Сидоровна. */
|
||||
private static boolean isPatronymic(String lower) {
|
||||
return lower.matches(".*(?:ович|евич|овна|евна|ична|ичн)$");
|
||||
}
|
||||
|
||||
/** Окончания, по которым слово похоже на фамилию: Иванов, Петрова, Троицкий, Шевченко. */
|
||||
private static final Set<String> SURNAME_ENDINGS =
|
||||
Set.of(
|
||||
"ов", "ев", "ёв", "ин", "ын", "ский", "ская", "ского", "ской", "ском", "цкий", "цкая",
|
||||
"енко", "ко", "ук", "юк", "ян", "швили", "дзе");
|
||||
|
||||
/** Фамилия по словообразованию. Набор окончаний вместо regex: проще и без CANON_EQ. */
|
||||
private static boolean isSurname(String lower) {
|
||||
for (String ending : SURNAME_ENDINGS) {
|
||||
if (lower.endsWith(ending)) {
|
||||
return true;
|
||||
}
|
||||
}
|
||||
return false;
|
||||
}
|
||||
|
||||
/**
|
||||
* Содержит ли текст упоминание известного человека — из сборки или дописанных сверху.
|
||||
*
|
||||
* <p>Проверяются префиксы слова по множеству, а не каждая основа по слову: при тысяче с лишним
|
||||
* записей (столько городов в {@link ToponymDictionary}, тот же приём) перебор списка на каждое
|
||||
* слово текста был бы заметен, а префиксов у слова — не больше, чем в нём букв.
|
||||
*/
|
||||
public static boolean isWellKnown(String value) {
|
||||
if (REGNAL_NAME.matcher(value.strip()).matches()) {
|
||||
return true;
|
||||
}
|
||||
Set<String> stems = currentWellKnownStems();
|
||||
for (String word : value.split(WORD_SPLIT)) {
|
||||
String lower = word.toLowerCase(Locale.ROOT);
|
||||
for (int length = lower.length(); length > 0; length--) {
|
||||
if (stems.contains(lower.substring(0, length))) {
|
||||
return true;
|
||||
}
|
||||
}
|
||||
}
|
||||
return false;
|
||||
}
|
||||
|
||||
/** Путь к внешнему файлу денилиста — для тестов, чтобы не трогать {@code config/}. */
|
||||
static void useExternalFile(Path path) {
|
||||
WELL_KNOWN_STATE.current = BUNDLED_WELL_KNOWN_STEMS;
|
||||
WELL_KNOWN_STATE.mtime = -1;
|
||||
WELL_KNOWN_STATE.lastCheck = 0;
|
||||
// Перечитываем немедленно, минуя секундный троттлинг.
|
||||
reloadExternal(path);
|
||||
}
|
||||
|
||||
/** Перечитать внешний файл немедленно, минуя секундный троттлинг проверки. */
|
||||
static synchronized void reloadExternal(Path path) {
|
||||
WELL_KNOWN_STATE.lastCheck = System.currentTimeMillis();
|
||||
if (!java.nio.file.Files.isReadable(path)) {
|
||||
if (WELL_KNOWN_STATE.current != BUNDLED_WELL_KNOWN_STEMS) {
|
||||
LOG.info(
|
||||
"Внешний файл денилиста {} исчез, остаётся только встроенный список",
|
||||
path.toAbsolutePath());
|
||||
}
|
||||
WELL_KNOWN_STATE.current = BUNDLED_WELL_KNOWN_STEMS;
|
||||
WELL_KNOWN_STATE.mtime = 0;
|
||||
return;
|
||||
}
|
||||
try {
|
||||
WELL_KNOWN_STATE.mtime = java.nio.file.Files.getLastModifiedTime(path).toMillis();
|
||||
Set<String> merged = new HashSet<>(BUNDLED_WELL_KNOWN_STEMS);
|
||||
for (String line :
|
||||
java.nio.file.Files.readAllLines(path, java.nio.charset.StandardCharsets.UTF_8)) {
|
||||
String trimmed = Declension.withoutInflectedEnding(line.trim());
|
||||
if (!trimmed.isEmpty() && !trimmed.startsWith("#")) {
|
||||
merged.add(trimmed);
|
||||
}
|
||||
}
|
||||
WELL_KNOWN_STATE.current = Set.copyOf(merged);
|
||||
LOG.info(
|
||||
"Денилист дополнен из {}: {} имён сверх встроенных",
|
||||
path.toAbsolutePath(),
|
||||
merged.size() - BUNDLED_WELL_KNOWN_STEMS.size());
|
||||
} catch (java.io.IOException e) {
|
||||
// Битый файл не должен ронять маскирование: остаётся прежний список.
|
||||
LOG.error("Не удалось прочитать {}, денилист не изменён", path.toAbsolutePath(), e);
|
||||
}
|
||||
}
|
||||
|
||||
private static Set<String> currentWellKnownStems() {
|
||||
return ResourceLoader.refreshIfChanged(
|
||||
EXTERNAL_FILE,
|
||||
WELL_KNOWN_STATE,
|
||||
lines -> {
|
||||
Set<String> merged = new HashSet<>(BUNDLED_WELL_KNOWN_STEMS);
|
||||
for (String line : lines) {
|
||||
String trimmed = Declension.withoutInflectedEnding(line);
|
||||
if (!trimmed.isEmpty()) {
|
||||
merged.add(trimmed);
|
||||
/**
|
||||
* Есть ли среди слов личное имя из словаря в любом падеже.
|
||||
*
|
||||
* <p>Проверка множеством, а не чередованием в регулярном выражении: сто с лишним
|
||||
* веток пришлось бы перебирать в каждой позиции текста, здесь же на слово
|
||||
* приходится не больше четырёх обращений к хеш-таблице.
|
||||
*/
|
||||
public static boolean containsGivenName(String value) {
|
||||
for (String word : value.split("\\P{L}+")) {
|
||||
String lower = word.toLowerCase(Locale.ROOT);
|
||||
// Точное совпадение с основой сильнее всего: «Яков» оканчивается на «ов»,
|
||||
// но это имя, а не фамилия.
|
||||
if (GIVEN_NAMES.contains(lower)) {
|
||||
return true;
|
||||
}
|
||||
}
|
||||
return Set.copyOf(merged);
|
||||
});
|
||||
}
|
||||
// По началу слова имя ищется с оглядкой на остаток: «Марина» это основа
|
||||
// «марин» плюс падежное «а», а «Романов» — основа «роман» плюс фамильное
|
||||
// «ов». Без этой разницы «Бизнес-центр Романов Двор» принимался бы за
|
||||
// человека, а «Марина Шевченко» переставала бы им быть.
|
||||
for (int length = Math.max(1, lower.length() - MAX_INFLECTION); length < lower.length(); length++) {
|
||||
if (GIVEN_NAMES.contains(lower.substring(0, length))
|
||||
&& !SURNAME_SUFFIXES.contains(lower.substring(length))) {
|
||||
return true;
|
||||
}
|
||||
}
|
||||
}
|
||||
return false;
|
||||
}
|
||||
|
||||
/**
|
||||
* Содержит ли текст упоминание известного человека — из сборки или дописанных
|
||||
* сверху.
|
||||
*
|
||||
* <p>Проверяются префиксы слова по множеству, а не каждая основа по слову:
|
||||
* при тысяче с лишним записей (столько городов в {@link ToponymDictionary},
|
||||
* тот же приём) перебор списка на каждое слово текста был бы заметен, а
|
||||
* префиксов у слова — не больше, чем в нём букв.
|
||||
*/
|
||||
public static boolean isWellKnown(String value) {
|
||||
refreshIfChanged();
|
||||
Set<String> stems = wellKnownStems;
|
||||
for (String word : value.split("\\P{L}+")) {
|
||||
String lower = word.toLowerCase(Locale.ROOT);
|
||||
for (int length = lower.length(); length > 0; length--) {
|
||||
if (stems.contains(lower.substring(0, length))) {
|
||||
return true;
|
||||
}
|
||||
}
|
||||
}
|
||||
return false;
|
||||
}
|
||||
|
||||
/** Путь к внешнему файлу денилиста — для тестов, чтобы не трогать {@code config/}. */
|
||||
static void useExternalFile(Path path) {
|
||||
externalFile = path;
|
||||
externalTimestamp = -1;
|
||||
lastCheck = 0;
|
||||
}
|
||||
|
||||
/** Перечитать внешний файл немедленно, минуя секундный троттлинг проверки. */
|
||||
static synchronized void reloadExternal() {
|
||||
lastCheck = System.currentTimeMillis();
|
||||
if (!Files.isReadable(externalFile)) {
|
||||
if (wellKnownStems != BUNDLED_WELL_KNOWN_STEMS) {
|
||||
LOG.infof("Внешний файл денилиста %s исчез, остаётся только встроенный список",
|
||||
externalFile.toAbsolutePath());
|
||||
}
|
||||
wellKnownStems = BUNDLED_WELL_KNOWN_STEMS;
|
||||
externalTimestamp = 0;
|
||||
return;
|
||||
}
|
||||
try {
|
||||
externalTimestamp = Files.getLastModifiedTime(externalFile).toMillis();
|
||||
Set<String> merged = new HashSet<>(BUNDLED_WELL_KNOWN_STEMS);
|
||||
for (String line : Files.readAllLines(externalFile, StandardCharsets.UTF_8)) {
|
||||
String trimmed = Declension.withoutInflectedEnding(line.trim());
|
||||
if (!trimmed.isEmpty() && !trimmed.startsWith("#")) {
|
||||
merged.add(trimmed);
|
||||
}
|
||||
}
|
||||
wellKnownStems = Set.copyOf(merged);
|
||||
LOG.infof("Денилист дополнен из %s: %d имён сверх встроенных",
|
||||
externalFile.toAbsolutePath(), merged.size() - BUNDLED_WELL_KNOWN_STEMS.size());
|
||||
} catch (IOException e) {
|
||||
// Битый файл не должен ронять маскирование: остаётся прежний список.
|
||||
LOG.errorf(e, "Не удалось прочитать %s, денилист не изменён", externalFile.toAbsolutePath());
|
||||
}
|
||||
}
|
||||
|
||||
private static void refreshIfChanged() {
|
||||
long now = System.currentTimeMillis();
|
||||
if (now - lastCheck < RECHECK_MILLIS) {
|
||||
return;
|
||||
}
|
||||
lastCheck = now;
|
||||
try {
|
||||
if (!Files.isReadable(externalFile)) {
|
||||
if (externalTimestamp != 0) {
|
||||
reloadExternal();
|
||||
}
|
||||
return;
|
||||
}
|
||||
if (Files.getLastModifiedTime(externalFile).toMillis() != externalTimestamp) {
|
||||
reloadExternal();
|
||||
}
|
||||
} catch (IOException e) {
|
||||
LOG.debugf(e, "Не удалось проверить время изменения %s", externalFile);
|
||||
}
|
||||
}
|
||||
|
||||
/**
|
||||
* Основы сортируются от длинных к коротким: в чередовании регулярного
|
||||
* выражения побеждает первая подошедшая ветка, и короткая основа не должна
|
||||
* перехватывать совпадение у длинной.
|
||||
*/
|
||||
private static List<String> load(String resource) {
|
||||
try (InputStream in = NameDictionary.class.getResourceAsStream(resource)) {
|
||||
if (in == null) {
|
||||
throw new IllegalStateException("Словарь не найден в сборке: " + resource);
|
||||
}
|
||||
try (BufferedReader reader = new BufferedReader(new InputStreamReader(in, StandardCharsets.UTF_8))) {
|
||||
return reader.lines()
|
||||
.map(String::trim)
|
||||
.filter(line -> !line.isEmpty() && !line.startsWith("#"))
|
||||
.distinct()
|
||||
.sorted(Comparator.comparingInt(String::length).reversed())
|
||||
.toList();
|
||||
}
|
||||
} catch (IOException e) {
|
||||
throw new UncheckedIOException("Не удалось прочитать словарь " + resource, e);
|
||||
}
|
||||
}
|
||||
}
|
||||
|
||||
@@ -0,0 +1,45 @@
|
||||
package ru.pdguard.detect;
|
||||
|
||||
import io.quarkus.runtime.annotations.RegisterForReflection;
|
||||
|
||||
/**
|
||||
* Классы, которые OpenNLP создаёт по имени, разбирая описание признаков внутри модели.
|
||||
*
|
||||
* <p>В обычной сборке это работает само, в native-образе — нет: класс, не упомянутый
|
||||
* в коде, туда просто не попадает. Без регистрации загрузка модели проходит, а
|
||||
* создание распознавателя падает с {@code ClassNotFoundException} на первом запросе.
|
||||
*
|
||||
* <p>Перечислены фабрики целиком, а не только те, что встречаются в текущей модели:
|
||||
* набор признаков задаётся при обучении и может измениться без правки кода.
|
||||
*/
|
||||
@RegisterForReflection(classNames = {
|
||||
"opennlp.tools.namefind.TokenNameFinderFactory",
|
||||
"opennlp.tools.namefind.BioCodec",
|
||||
"opennlp.tools.util.featuregen.AggregatedFeatureGeneratorFactory",
|
||||
"opennlp.tools.util.featuregen.BigramNameFeatureGeneratorFactory",
|
||||
"opennlp.tools.util.featuregen.BrownClusterBigramFeatureGeneratorFactory",
|
||||
"opennlp.tools.util.featuregen.BrownClusterTokenClassFeatureGeneratorFactory",
|
||||
"opennlp.tools.util.featuregen.BrownClusterTokenFeatureGeneratorFactory",
|
||||
"opennlp.tools.util.featuregen.CachedFeatureGeneratorFactory",
|
||||
"opennlp.tools.util.featuregen.CharacterNgramFeatureGeneratorFactory",
|
||||
"opennlp.tools.util.featuregen.DefinitionFeatureGeneratorFactory",
|
||||
"opennlp.tools.util.featuregen.DictionaryFeatureGeneratorFactory",
|
||||
"opennlp.tools.util.featuregen.DocumentBeginFeatureGeneratorFactory",
|
||||
"opennlp.tools.util.featuregen.POSTaggerNameFeatureGeneratorFactory",
|
||||
"opennlp.tools.util.featuregen.PosTaggerFeatureGeneratorFactory",
|
||||
"opennlp.tools.util.featuregen.PrefixFeatureGeneratorFactory",
|
||||
"opennlp.tools.util.featuregen.PreviousMapFeatureGeneratorFactory",
|
||||
"opennlp.tools.util.featuregen.SentenceFeatureGeneratorFactory",
|
||||
"opennlp.tools.util.featuregen.SuffixFeatureGeneratorFactory",
|
||||
"opennlp.tools.util.featuregen.TokenClassFeatureGeneratorFactory",
|
||||
"opennlp.tools.util.featuregen.TokenFeatureGeneratorFactory",
|
||||
"opennlp.tools.util.featuregen.TokenPatternFeatureGeneratorFactory",
|
||||
"opennlp.tools.util.featuregen.TrigramNameFeatureGeneratorFactory",
|
||||
"opennlp.tools.util.featuregen.WindowFeatureGeneratorFactory",
|
||||
"opennlp.tools.util.featuregen.WordClusterFeatureGeneratorFactory"
|
||||
})
|
||||
final class OpenNlpReflection {
|
||||
|
||||
private OpenNlpReflection() {
|
||||
}
|
||||
}
|
||||
@@ -1,36 +0,0 @@
|
||||
package ru.pdguard.detect;
|
||||
|
||||
import java.util.regex.Pattern;
|
||||
|
||||
/**
|
||||
* Проверка, стоит ли перед именем слово, относящее его к организации или объекту на карте.
|
||||
*
|
||||
* <p>«Институт Склифосовского», «Музей Тропинина», «улица Королёва» — это имена в названиях, а не
|
||||
* персональные данные. Отличие от списка известных людей в том, что здесь решает не само имя, а
|
||||
* слово перед ним: клиент по фамилии Королёв защиту не теряет, а улица Королёва под маску не
|
||||
* попадает.
|
||||
*/
|
||||
public final class OrganisationDetector {
|
||||
|
||||
/**
|
||||
* Маркер организации вплотную перед именем. Слово может стоять в любом падеже, между ним и именем
|
||||
* допускается «имени» или «им.» — «Премия имени Ломоносова».
|
||||
*/
|
||||
private static final Pattern ORGANISATION_BEFORE =
|
||||
Pattern.compile(
|
||||
"(?iu:"
|
||||
+ String.join("|", ResourceLoader.lines("/names/organisations.txt", false))
|
||||
+ ")\\p{L}*"
|
||||
+ "(?:\\W{1,3}(?iu:имени|им\\.))?\\W{0,3}$",
|
||||
Pattern.UNICODE_CHARACTER_CLASS | Pattern.UNICODE_CASE);
|
||||
|
||||
/** Сколько знаков перед именем просматривается в поисках маркера организации. */
|
||||
private static final int ORGANISATION_LOOKBEHIND = 40;
|
||||
|
||||
private OrganisationDetector() {}
|
||||
|
||||
public static boolean precededByOrganisation(String text, int nameStart) {
|
||||
int from = Math.max(0, nameStart - ORGANISATION_LOOKBEHIND);
|
||||
return ORGANISATION_BEFORE.matcher(text.substring(from, nameStart)).find();
|
||||
}
|
||||
}
|
||||
@@ -1,59 +0,0 @@
|
||||
package ru.pdguard.detect;
|
||||
|
||||
/**
|
||||
* Имена типов персональных данных, которые умеет распознавать сервис.
|
||||
*
|
||||
* <p>Вынесены из {@link RuleRegistry} отдельно: константы используются и в правилах, и в
|
||||
* маскировании ({@link ru.pdguard.mask.Masker}), и в политиках ({@link
|
||||
* ru.pdguard.config.SystemPolicy}), и в синтетических подстановках ({@link
|
||||
* ru.pdguard.mask.Synthetic}). Единое место — чтобы имя типа не расходилось между слоями.
|
||||
*/
|
||||
public final class PdTypes {
|
||||
|
||||
private PdTypes() {}
|
||||
|
||||
public static final String EMAIL = "EMAIL";
|
||||
public static final String PHONE = "PHONE";
|
||||
public static final String CARD = "CARD";
|
||||
public static final String INN = "INN";
|
||||
public static final String SNILS = "SNILS";
|
||||
public static final String PASSPORT = "PASSPORT";
|
||||
public static final String PASSPORT_ISSUER = "PASSPORT_ISSUER";
|
||||
public static final String PASSPORT_DATE = "PASSPORT_DATE";
|
||||
public static final String DEPT_CODE = "DEPT_CODE";
|
||||
public static final String DRIVER_LICENSE = "DRIVER_LICENSE";
|
||||
public static final String CITIZENSHIP = "CITIZENSHIP";
|
||||
public static final String BIRTH_PLACE = "BIRTH_PLACE";
|
||||
public static final String BIRTH_DATE = "BIRTH_DATE";
|
||||
public static final String DATE = "DATE";
|
||||
public static final String CVV = "CVV";
|
||||
public static final String PIN = "PIN";
|
||||
public static final String CARDHOLDER = "CARDHOLDER";
|
||||
public static final String ADDRESS_COUNTRY = "ADDRESS_COUNTRY";
|
||||
public static final String ADDRESS_POSTCODE = "ADDRESS_POSTCODE";
|
||||
public static final String ADDRESS_CITY = "ADDRESS_CITY";
|
||||
public static final String ADDRESS_STREET = "ADDRESS_STREET";
|
||||
public static final String ADDRESS_HOUSE = "ADDRESS_HOUSE";
|
||||
public static final String ADDRESS_FLAT = "ADDRESS_FLAT";
|
||||
|
||||
/** Регион и район размечает только модель второй ступени: правил под них нет. */
|
||||
public static final String ADDRESS_REGION = "ADDRESS_REGION";
|
||||
|
||||
public static final String ADDRESS_DISTRICT = "ADDRESS_DISTRICT";
|
||||
public static final String FIO = "FIO";
|
||||
public static final String FOREIGN_PASSPORT = "FOREIGN_PASSPORT";
|
||||
public static final String MILITARY_ID = "MILITARY_ID";
|
||||
public static final String BIRTH_CERTIFICATE = "BIRTH_CERTIFICATE";
|
||||
public static final String MEDICAL_POLICY = "MEDICAL_POLICY";
|
||||
|
||||
/** Банковские реквизиты сверх платёжной карты. */
|
||||
public static final String ACCOUNT_NUMBER = "ACCOUNT_NUMBER";
|
||||
|
||||
public static final String BIK = "BIK";
|
||||
public static final String CARD_EXPIRY = "CARD_EXPIRY";
|
||||
public static final String INCOME = "INCOME";
|
||||
public static final String OGRN = "OGRN";
|
||||
public static final String OGRNIP = "OGRNIP";
|
||||
public static final String KPP = "KPP";
|
||||
public static final String BIOMETRIC = "BIOMETRIC";
|
||||
}
|
||||
@@ -1,120 +0,0 @@
|
||||
package ru.pdguard.detect;
|
||||
|
||||
import java.io.BufferedReader;
|
||||
import java.io.IOException;
|
||||
import java.io.InputStream;
|
||||
import java.io.InputStreamReader;
|
||||
import java.io.UncheckedIOException;
|
||||
import java.nio.charset.StandardCharsets;
|
||||
import java.nio.file.Files;
|
||||
import java.nio.file.Path;
|
||||
import java.util.Comparator;
|
||||
import java.util.List;
|
||||
import java.util.function.Function;
|
||||
import java.util.stream.Collectors;
|
||||
import org.slf4j.Logger;
|
||||
import org.slf4j.LoggerFactory;
|
||||
|
||||
/**
|
||||
* Общие приёмы чтения словарей и внешних файлов.
|
||||
*
|
||||
* <p>Словари лежат в сборке как ресурсы и читаются одинаково: строки обрезаются, пустые и
|
||||
* комментарии отбрасываются. Внешние файлы (денилист, настройки систем) перечитываются, когда
|
||||
* меняется время их изменения, и не чаще раза в секунду — чтобы не ходить в файловую систему на
|
||||
* каждом запросе. Обе задачи вынесены сюда, чтобы не дублировать их в каждом словаре.
|
||||
*/
|
||||
final class ResourceLoader {
|
||||
|
||||
private static final Logger LOG = LoggerFactory.getLogger(ResourceLoader.class);
|
||||
|
||||
private ResourceLoader() {}
|
||||
|
||||
/**
|
||||
* Читает строки ресурса, отбрасывая пустые и комментарии.
|
||||
*
|
||||
* @param resource путь к ресурсу в classpath
|
||||
* @param sortByLength сортировать ли от длинных к коротким (нужно для чередований)
|
||||
*/
|
||||
static List<String> lines(String resource, boolean sortByLength) {
|
||||
try (InputStream in = ResourceLoader.class.getResourceAsStream(resource)) {
|
||||
if (in == null) {
|
||||
throw new IllegalStateException("Словарь не найден в сборке: " + resource);
|
||||
}
|
||||
try (BufferedReader reader =
|
||||
new BufferedReader(new InputStreamReader(in, StandardCharsets.UTF_8))) {
|
||||
return reader
|
||||
.lines()
|
||||
.map(String::trim)
|
||||
.filter(line -> !line.isEmpty() && !line.startsWith("#"))
|
||||
.distinct()
|
||||
.sorted(
|
||||
sortByLength
|
||||
? Comparator.comparingInt(String::length).reversed()
|
||||
: Comparator.naturalOrder())
|
||||
.toList();
|
||||
}
|
||||
} catch (IOException e) {
|
||||
throw new UncheckedIOException("Не удалось прочитать словарь " + resource, e);
|
||||
}
|
||||
}
|
||||
|
||||
/** Читает строки ресурса в множество, отбрасывая пустые и комментарии. */
|
||||
static java.util.Set<String> set(String resource) {
|
||||
return lines(resource, false).stream().collect(Collectors.toUnmodifiableSet());
|
||||
}
|
||||
|
||||
/**
|
||||
* Перечитывает внешний файл, когда меняется время его изменения, не чаще раза в секунду.
|
||||
* Возвращает текущее содержимое; при недоступности файла — прежнее.
|
||||
*
|
||||
* @param path путь к файлу
|
||||
* @param state состояние проверки (время последней проверки и mtime файла)
|
||||
* @param reader как превратить строки файла в итоговое значение
|
||||
*/
|
||||
static <T> T refreshIfChanged(
|
||||
Path path, FileWatchState<T> state, Function<List<String>, T> reader) {
|
||||
long now = System.currentTimeMillis();
|
||||
if (now - state.lastCheck < state.recheckMillis) {
|
||||
return state.current;
|
||||
}
|
||||
state.lastCheck = now;
|
||||
try {
|
||||
if (!Files.isReadable(path)) {
|
||||
return state.current;
|
||||
}
|
||||
long mtime = Files.getLastModifiedTime(path).toMillis();
|
||||
if (mtime != state.mtime) {
|
||||
state.mtime = mtime;
|
||||
List<String> lines =
|
||||
Files.readAllLines(path, StandardCharsets.UTF_8).stream()
|
||||
.map(String::trim)
|
||||
.filter(line -> !line.isEmpty() && !line.startsWith("#"))
|
||||
.toList();
|
||||
state.current = reader.apply(lines);
|
||||
}
|
||||
} catch (IOException e) {
|
||||
// Битый файл не должен ронять работу: остаётся прежнее значение.
|
||||
LOG.warn("Не удалось перечитать файл {}", path, e);
|
||||
}
|
||||
return state.current;
|
||||
}
|
||||
|
||||
/** Состояние проверки внешнего файла: время последней проверки и mtime. */
|
||||
static final class FileWatchState<T> {
|
||||
private static final long DEFAULT_RECHECK_MILLIS = 1000;
|
||||
|
||||
final long recheckMillis;
|
||||
long lastCheck;
|
||||
long mtime;
|
||||
T current;
|
||||
|
||||
FileWatchState(T initial, long recheckMillis) {
|
||||
this.current = initial;
|
||||
this.recheckMillis = recheckMillis;
|
||||
}
|
||||
|
||||
FileWatchState(T initial) {
|
||||
this(initial, DEFAULT_RECHECK_MILLIS);
|
||||
}
|
||||
}
|
||||
}
|
||||
@@ -1,228 +0,0 @@
|
||||
package ru.pdguard.detect;
|
||||
|
||||
import ai.onnxruntime.OnnxTensor;
|
||||
import ai.onnxruntime.OrtEnvironment;
|
||||
import ai.onnxruntime.OrtException;
|
||||
import ai.onnxruntime.OrtSession;
|
||||
import com.fasterxml.jackson.databind.JsonNode;
|
||||
import com.fasterxml.jackson.databind.ObjectMapper;
|
||||
import java.io.IOException;
|
||||
import java.nio.LongBuffer;
|
||||
import java.nio.file.Files;
|
||||
import java.nio.file.Path;
|
||||
import java.util.ArrayList;
|
||||
import java.util.HashMap;
|
||||
import java.util.Iterator;
|
||||
import java.util.List;
|
||||
import java.util.Map;
|
||||
import java.util.Set;
|
||||
import org.slf4j.Logger;
|
||||
import org.slf4j.LoggerFactory;
|
||||
|
||||
/**
|
||||
* Распознаватель на BERT: размечает имена и составляющие адреса за один проход.
|
||||
*
|
||||
* <p>В отличие от правил, он опознаёт имена без русского словообразования и нестандартные топонимы.
|
||||
* Метки модели ложатся почти один в один на типы из технического задания: имя, отчество, фамилия,
|
||||
* страна, регион, район, город, улица, дом.
|
||||
*
|
||||
* <p>Модель тяжёлая — сто семьдесят мегабайт и около двенадцати миллисекунд на вызов, — поэтому её
|
||||
* зовут только на участках, которые не разобрала первая ступень. Одновременных вызовов не больше,
|
||||
* чем задано: иначе один запрос с десятком кандидатов занял бы все ядра.
|
||||
*/
|
||||
final class RuBertRecogniser {
|
||||
|
||||
private static final Logger LOG = LoggerFactory.getLogger(RuBertRecogniser.class);
|
||||
|
||||
/** Предел длины входа: участки короткие, до потолка модели в 512 далеко. */
|
||||
private static final int MAX_PIECES = 190;
|
||||
|
||||
private final OrtEnvironment environment;
|
||||
private final OrtSession session;
|
||||
private final WordPiece tokenizer;
|
||||
private final String[] labels;
|
||||
private final Set<String> inputNames;
|
||||
private final Map<String, String> types;
|
||||
|
||||
private RuBertRecogniser(
|
||||
OrtEnvironment environment,
|
||||
OrtSession session,
|
||||
WordPiece tokenizer,
|
||||
String[] labels,
|
||||
Map<String, String> types) {
|
||||
this.environment = environment;
|
||||
this.session = session;
|
||||
this.tokenizer = tokenizer;
|
||||
this.labels = labels;
|
||||
this.inputNames = session.getInputNames();
|
||||
this.types = types;
|
||||
}
|
||||
|
||||
/**
|
||||
* Загружает модель из каталога с файлами {@code model.onnx}, {@code tokenizer.json} и {@code
|
||||
* config.json}. Каталог недоступен или испорчен — вернётся {@code null}, и сервис продолжит
|
||||
* работать на правилах.
|
||||
*
|
||||
* @param types соответствие меток модели типам ПД сервиса
|
||||
*/
|
||||
static RuBertRecogniser load(Path directory, int threadsPerCall, Map<String, String> types) {
|
||||
Path model = directory.resolve("model.onnx");
|
||||
Path tokenizer = directory.resolve("tokenizer.json");
|
||||
Path config = directory.resolve("config.json");
|
||||
if (!Files.isReadable(model) || !Files.isReadable(tokenizer) || !Files.isReadable(config)) {
|
||||
LOG.warn("Модель BERT в {} неполна, распознаватель не создан", directory.toAbsolutePath());
|
||||
return null;
|
||||
}
|
||||
OrtSession session = null;
|
||||
try {
|
||||
OrtEnvironment environment = OrtEnvironment.getEnvironment();
|
||||
try (OrtSession.SessionOptions options = new OrtSession.SessionOptions()) {
|
||||
options.setIntraOpNumThreads(threadsPerCall);
|
||||
options.setInterOpNumThreads(1);
|
||||
session = environment.createSession(model.toString(), options);
|
||||
}
|
||||
RuBertRecogniser recogniser =
|
||||
new RuBertRecogniser(
|
||||
environment,
|
||||
session,
|
||||
WordPiece.fromTokenizerJson(tokenizer),
|
||||
readLabels(config),
|
||||
types);
|
||||
LOG.info("Распознаватель BERT готов, модель {}", model.toAbsolutePath());
|
||||
return recogniser;
|
||||
} catch (OrtException | IOException | RuntimeException e) {
|
||||
closeQuietly(session);
|
||||
LOG.error("Не удалось загрузить модель BERT из {}", directory.toAbsolutePath(), e);
|
||||
return null;
|
||||
}
|
||||
}
|
||||
|
||||
private static void closeQuietly(OrtSession session) {
|
||||
if (session == null) {
|
||||
return;
|
||||
}
|
||||
try {
|
||||
session.close();
|
||||
} catch (OrtException e) {
|
||||
LOG.debug("Не удалось закрыть сессию модели при ошибке загрузки", e);
|
||||
}
|
||||
}
|
||||
|
||||
List<Span> recognise(String text, int from, int to, int priority) {
|
||||
String region = text.substring(from, to);
|
||||
List<WordPiece.Piece> pieces = tokenizer.split(region, MAX_PIECES);
|
||||
if (pieces.isEmpty()) {
|
||||
return List.of();
|
||||
}
|
||||
try {
|
||||
String[] tags = classify(pieces);
|
||||
return toSpans(pieces, tags, from, priority, types);
|
||||
} catch (OrtException e) {
|
||||
throw new IllegalStateException("Сбой вычисления модели BERT", e);
|
||||
}
|
||||
}
|
||||
|
||||
private String[] classify(List<WordPiece.Piece> pieces) throws OrtException {
|
||||
int length = pieces.size() + 2;
|
||||
long[] ids = new long[length];
|
||||
long[] mask = new long[length];
|
||||
long[] tokenTypes = new long[length];
|
||||
ids[0] = tokenizer.classifyId();
|
||||
for (int i = 0; i < pieces.size(); i++) {
|
||||
ids[i + 1] = pieces.get(i).id();
|
||||
}
|
||||
ids[length - 1] = tokenizer.separatorId();
|
||||
java.util.Arrays.fill(mask, 1L);
|
||||
|
||||
long[] shape = {1, length};
|
||||
Map<String, OnnxTensor> inputs = new HashMap<>();
|
||||
try {
|
||||
inputs.put("input_ids", OnnxTensor.createTensor(environment, LongBuffer.wrap(ids), shape));
|
||||
inputs.put(
|
||||
"attention_mask", OnnxTensor.createTensor(environment, LongBuffer.wrap(mask), shape));
|
||||
if (inputNames.contains("token_type_ids")) {
|
||||
inputs.put(
|
||||
"token_type_ids",
|
||||
OnnxTensor.createTensor(environment, LongBuffer.wrap(tokenTypes), shape));
|
||||
}
|
||||
inputs.keySet().retainAll(inputNames);
|
||||
try (OrtSession.Result result = session.run(inputs)) {
|
||||
float[][][] logits = (float[][][]) result.get(0).getValue();
|
||||
String[] tags = new String[pieces.size()];
|
||||
for (int i = 0; i < pieces.size(); i++) {
|
||||
tags[i] = labels[argmax(logits[0][i + 1])];
|
||||
}
|
||||
return tags;
|
||||
}
|
||||
} finally {
|
||||
inputs.values().forEach(OnnxTensor::close);
|
||||
}
|
||||
}
|
||||
|
||||
/**
|
||||
* Собирает подряд идущие подслова одной сущности в фрагменты исходного текста. Схема разметки
|
||||
* различает начало, середину, конец и одиночный токен, но для сборки достаточно смены типа:
|
||||
* границы участков и так проставлены по словам.
|
||||
*/
|
||||
private static List<Span> toSpans(
|
||||
List<WordPiece.Piece> pieces,
|
||||
String[] tags,
|
||||
int offset,
|
||||
int priority,
|
||||
Map<String, String> types) {
|
||||
List<Span> spans = new ArrayList<>();
|
||||
String currentType = null;
|
||||
int start = 0;
|
||||
int end = 0;
|
||||
for (int i = 0; i < tags.length; i++) {
|
||||
String type = types.get(entityOf(tags[i]));
|
||||
if (type != null && type.equals(currentType)) {
|
||||
end = pieces.get(i).end();
|
||||
continue;
|
||||
}
|
||||
if (currentType != null) {
|
||||
spans.add(new Span(offset + start, offset + end, currentType, priority));
|
||||
}
|
||||
currentType = type;
|
||||
start = pieces.get(i).start();
|
||||
end = pieces.get(i).end();
|
||||
}
|
||||
if (currentType != null) {
|
||||
spans.add(new Span(offset + start, offset + end, currentType, priority));
|
||||
}
|
||||
return spans;
|
||||
}
|
||||
|
||||
private static String entityOf(String tag) {
|
||||
int dash = tag.indexOf('-');
|
||||
return dash < 0 ? tag : tag.substring(dash + 1);
|
||||
}
|
||||
|
||||
private static int argmax(float[] scores) {
|
||||
int best = 0;
|
||||
for (int i = 1; i < scores.length; i++) {
|
||||
if (scores[i] > scores[best]) {
|
||||
best = i;
|
||||
}
|
||||
}
|
||||
return best;
|
||||
}
|
||||
|
||||
private static String[] readLabels(Path config) throws IOException {
|
||||
JsonNode node = new ObjectMapper().readTree(Files.readAllBytes(config)).get("id2label");
|
||||
String[] labels = new String[node.size()];
|
||||
for (Iterator<Map.Entry<String, JsonNode>> it = node.fields(); it.hasNext(); ) {
|
||||
Map.Entry<String, JsonNode> entry = it.next();
|
||||
labels[Integer.parseInt(entry.getKey())] = entry.getValue().asText();
|
||||
}
|
||||
return labels;
|
||||
}
|
||||
|
||||
void close() {
|
||||
try {
|
||||
session.close();
|
||||
} catch (OrtException e) {
|
||||
LOG.debug("Не удалось закрыть сессию модели", e);
|
||||
}
|
||||
}
|
||||
}
|
||||
@@ -7,112 +7,93 @@ import java.util.regex.Pattern;
|
||||
/**
|
||||
* Одно правило детекции персональных данных.
|
||||
*
|
||||
* <p>Добавление нового типа ПД — это добавление одного {@code Rule} в {@link RuleRegistry}; менять
|
||||
* остальной код не требуется.
|
||||
* <p>Добавление нового типа ПД — это добавление одного {@code Rule} в
|
||||
* {@link RuleRegistry}; менять остальной код не требуется.
|
||||
*
|
||||
* @param type тип ПД, который распознаёт правило
|
||||
* @param pattern регулярное выражение
|
||||
* @param priority приоритет при разрешении перекрытий
|
||||
* @param groups номера групп, которые маскируются; {@code 0} — всё совпадение целиком. Несколько
|
||||
* групп нужны, когда значение разорвано словами: «серия 4509 номер 123456»
|
||||
* @param validator дополнительная проверка значения (контрольная сумма, диапазон дат); {@code null}
|
||||
* — проверка не нужна
|
||||
* @param veto шаблон окружения, при котором совпадение персональными данными не считается: адрес
|
||||
* отделения банка не является ПД, хотя выглядит как адрес
|
||||
* @param context шаблон окружения, который обязан присутствовать рядом. Нужен там, где форма
|
||||
* совпадения сама по себе слишком общая: «Невский проспект» это адрес рядом с домом и индексом
|
||||
* и просто топоним в рассказе о городе
|
||||
* @param anchors строчные подстроки, одна из которых обязана встретиться в тексте. Проверка через
|
||||
* {@code indexOf} на порядок дешевле запуска регулярного выражения и отсекает большинство
|
||||
* правил на коротком запросе. Пустой список — правило запускается всегда
|
||||
* @param type тип ПД, который распознаёт правило
|
||||
* @param pattern регулярное выражение
|
||||
* @param priority приоритет при разрешении перекрытий
|
||||
* @param groups номера групп, которые маскируются; {@code 0} — всё совпадение целиком.
|
||||
* Несколько групп нужны, когда значение разорвано словами:
|
||||
* «серия 4509 номер 123456»
|
||||
* @param validator дополнительная проверка значения (контрольная сумма, диапазон дат);
|
||||
* {@code null} — проверка не нужна
|
||||
* @param veto шаблон окружения, при котором совпадение персональными данными не считается:
|
||||
* адрес отделения банка не является ПД, хотя выглядит как адрес
|
||||
* @param context шаблон окружения, который обязан присутствовать рядом. Нужен там,
|
||||
* где форма совпадения сама по себе слишком общая: «Невский проспект»
|
||||
* это адрес рядом с домом и индексом и просто топоним в рассказе о городе
|
||||
* @param anchors строчные подстроки, одна из которых обязана встретиться в тексте.
|
||||
* Проверка через {@code indexOf} на порядок дешевле запуска
|
||||
* регулярного выражения и отсекает большинство правил на коротком
|
||||
* запросе. Пустой список — правило запускается всегда
|
||||
*/
|
||||
public record Rule(
|
||||
String type,
|
||||
Pattern pattern,
|
||||
int priority,
|
||||
List<Integer> groups,
|
||||
Predicate<String> validator,
|
||||
Pattern veto,
|
||||
Pattern context,
|
||||
List<String> anchors) {
|
||||
public record Rule(String type, Pattern pattern, int priority, List<Integer> groups,
|
||||
Predicate<String> validator, Pattern veto, Pattern context, List<String> anchors) {
|
||||
|
||||
public Rule {
|
||||
groups = List.copyOf(groups);
|
||||
anchors = List.copyOf(anchors);
|
||||
}
|
||||
/**
|
||||
* Флаги компиляции для всех правил.
|
||||
*
|
||||
* <p>{@code UNICODE_CHARACTER_CLASS} обязателен: без него {@code \w}, {@code \W}
|
||||
* и {@code \b} в Java охватывают только латиницу, и якорные слова вроде
|
||||
* «водительское удостоверение» не находятся. {@code UNICODE_CASE} делает
|
||||
* {@code (?i)} корректным для кириллицы.
|
||||
*/
|
||||
private static final int FLAGS = Pattern.UNICODE_CHARACTER_CLASS | Pattern.UNICODE_CASE;
|
||||
|
||||
/**
|
||||
* Флаги компиляции для всех правил.
|
||||
*
|
||||
* <p>{@code UNICODE_CHARACTER_CLASS} обязателен: без него {@code \w}, {@code \W} и {@code \b} в
|
||||
* Java охватывают только латиницу, и якорные слова вроде «водительское удостоверение» не
|
||||
* находятся. {@code UNICODE_CASE} делает {@code (?i)} корректным для кириллицы.
|
||||
*/
|
||||
private static final int FLAGS = Pattern.UNICODE_CHARACTER_CLASS | Pattern.UNICODE_CASE;
|
||||
/**
|
||||
* Сколько символов слева и справа от совпадения просматривает вето-шаблон.
|
||||
*
|
||||
* <p>150, не 80: на реальных адресах отделений из реестра ЦБ (регион, город,
|
||||
* улица, дом — в одном предложении) расстояние от «отделение» до номера дома
|
||||
* часто превышает 80 знаков за счёт длинного названия региона («Ханты-Мансийский
|
||||
* автономный округ», «Кабардино-Балкарская Республика»). Найдено нагрузочным
|
||||
* тестом на 60 реальных адресах из официального реестра — с окном в 80 знаков
|
||||
* вето не срабатывало на части из них.
|
||||
*/
|
||||
public static final int VETO_LOOKBEHIND = 150;
|
||||
public static final int VETO_LOOKAHEAD = 40;
|
||||
|
||||
/**
|
||||
* Сколько символов слева и справа от совпадения просматривает вето-шаблон.
|
||||
*
|
||||
* <p>150, не 80: на реальных адресах отделений из реестра ЦБ (регион, город, улица, дом — в одном
|
||||
* предложении) расстояние от «отделение» до номера дома часто превышает 80 знаков за счёт
|
||||
* длинного названия региона («Ханты-Мансийский автономный округ», «Кабардино-Балкарская
|
||||
* Республика»). Найдено нагрузочным тестом на 60 реальных адресах из официального реестра — с
|
||||
* окном в 80 знаков вето не срабатывало на части из них.
|
||||
*/
|
||||
public static final int VETO_LOOKBEHIND = 150;
|
||||
|
||||
public static final int VETO_LOOKAHEAD = 40;
|
||||
|
||||
/** Правило без проверок, маскируется всё совпадение. */
|
||||
public static Rule of(String type, String regex, int priority) {
|
||||
return new Rule(
|
||||
type, Pattern.compile(regex, FLAGS), priority, List.of(0), null, null, null, List.of());
|
||||
}
|
||||
|
||||
/** Маскировать только перечисленные группы, а не всё совпадение. */
|
||||
public Rule groups(Integer... indexes) {
|
||||
return new Rule(type, pattern, priority, List.of(indexes), validator, veto, context, anchors);
|
||||
}
|
||||
|
||||
/** Принять совпадение, только если значение прошло проверку. */
|
||||
public Rule validatedBy(Predicate<String> check) {
|
||||
return new Rule(type, pattern, priority, groups, check, veto, context, anchors);
|
||||
}
|
||||
|
||||
/** Запускать правило, только если в тексте есть одна из подстрок (в нижнем регистре). */
|
||||
public Rule anchoredBy(String... required) {
|
||||
return new Rule(type, pattern, priority, groups, validator, veto, context, List.of(required));
|
||||
}
|
||||
|
||||
/** Есть ли в тексте хоть один из якорей правила. */
|
||||
public boolean mayMatch(String lowercasedText) {
|
||||
if (anchors.isEmpty()) {
|
||||
return true;
|
||||
/** Правило без проверок, маскируется всё совпадение. */
|
||||
public static Rule of(String type, String regex, int priority) {
|
||||
return new Rule(type, Pattern.compile(regex, FLAGS), priority, List.of(0), null, null, null, List.of());
|
||||
}
|
||||
for (String anchor : anchors) {
|
||||
if (lowercasedText.contains(anchor)) {
|
||||
return true;
|
||||
}
|
||||
|
||||
/** Маскировать только перечисленные группы, а не всё совпадение. */
|
||||
public Rule groups(Integer... indexes) {
|
||||
return new Rule(type, pattern, priority, List.of(indexes), validator, veto, context, anchors);
|
||||
}
|
||||
return false;
|
||||
}
|
||||
|
||||
/** Принять совпадение, только если рядом встретилось указанное слово. */
|
||||
public Rule requiringNear(String regex) {
|
||||
return new Rule(
|
||||
type, pattern, priority, groups, validator, veto, Pattern.compile(regex, FLAGS), anchors);
|
||||
}
|
||||
/** Принять совпадение, только если значение прошло проверку. */
|
||||
public Rule validatedBy(Predicate<String> check) {
|
||||
return new Rule(type, pattern, priority, groups, check, veto, context, anchors);
|
||||
}
|
||||
|
||||
/** Отбросить совпадение, если рядом встретилось указанное слово. */
|
||||
public Rule vetoedBy(String regex) {
|
||||
return new Rule(
|
||||
type,
|
||||
pattern,
|
||||
priority,
|
||||
groups,
|
||||
validator,
|
||||
Pattern.compile(regex, FLAGS),
|
||||
context,
|
||||
anchors);
|
||||
}
|
||||
/** Запускать правило, только если в тексте есть одна из подстрок (в нижнем регистре). */
|
||||
public Rule anchoredBy(String... required) {
|
||||
return new Rule(type, pattern, priority, groups, validator, veto, context, List.of(required));
|
||||
}
|
||||
|
||||
/** Есть ли в тексте хоть один из якорей правила. */
|
||||
public boolean mayMatch(String lowercasedText) {
|
||||
if (anchors.isEmpty()) {
|
||||
return true;
|
||||
}
|
||||
for (String anchor : anchors) {
|
||||
if (lowercasedText.contains(anchor)) {
|
||||
return true;
|
||||
}
|
||||
}
|
||||
return false;
|
||||
}
|
||||
|
||||
/** Принять совпадение, только если рядом встретилось указанное слово. */
|
||||
public Rule requiringNear(String regex) {
|
||||
return new Rule(type, pattern, priority, groups, validator, veto, Pattern.compile(regex, FLAGS), anchors);
|
||||
}
|
||||
|
||||
/** Отбросить совпадение, если рядом встретилось указанное слово. */
|
||||
public Rule vetoedBy(String regex) {
|
||||
return new Rule(type, pattern, priority, groups, validator, Pattern.compile(regex, FLAGS), context, anchors);
|
||||
}
|
||||
}
|
||||
|
||||
@@ -1,140 +0,0 @@
|
||||
package ru.pdguard.detect;
|
||||
|
||||
/**
|
||||
* Общие фрагменты регулярных выражений, переиспользуемые между группами правил в {@link
|
||||
* RuleRegistry}. Вынесены отдельно, чтобы не дублировать их в каждой группе — «серия и номер»,
|
||||
* разрывы между якорем и значением, формы дат и т.п. встречаются в правилах разных категорий
|
||||
* (документы, банк, ФИО, адрес).
|
||||
*/
|
||||
final class RulePatterns {
|
||||
|
||||
private RulePatterns() {}
|
||||
|
||||
/**
|
||||
* Слово с заглавной буквы; остальные буквы любого регистра, чтобы «ИВАНОВ» распознавался наравне
|
||||
* с «Иванов».
|
||||
*/
|
||||
static final String CAPITALISED = "\\p{Lu}[\\p{Lu}\\p{Ll}]+";
|
||||
|
||||
/** Якорное слово-основа: держатель карты, держателем и т.п. */
|
||||
static final String HOLDER_STEM = "держател";
|
||||
|
||||
/** Разрыв между якорем и значением, когда между ними ролевое слово («ИНН плательщика»). */
|
||||
static final String ROLE_GAP = "(?:\\s+[\\p{L}-]+){0,5}\\W{0,10}";
|
||||
|
||||
/**
|
||||
* То же самое, но только строчные слова-филлеры: ролевые слова перед значением гражданства всегда
|
||||
* строчные («бенефициара», «поручителя»), а само значение — с заглавной («Республики»,
|
||||
* «Соединенные»). Обычный {@link #ROLE_GAP} жадно поглощал бы и заглавное слово значения как
|
||||
* будто это ролевое слово, оставляя значение только хвостом («Республики Беларусь» → «Беларусь»).
|
||||
*/
|
||||
static final String CITIZENSHIP_GAP = "(?:\\s+\\p{Ll}[\\p{L}-]*){0,5}\\W{0,10}";
|
||||
|
||||
/**
|
||||
* Название улицы: от одного до трёх слов с заглавной буквы либо чисел — «Тверская», «Малая
|
||||
* Никитская», «8 Марта». Ограничение по форме обязательно: без него правило дожёвывало строку до
|
||||
* конца, и «Проспект Вернадского перекрыт до вечера» оказывался под маской целиком.
|
||||
*/
|
||||
static final String STREET_NAME =
|
||||
"(?:\\p{Lu}[\\p{L}-]+|\\d+[\\p{L}-]*)(?:\\s+(?:\\p{Lu}[\\p{L}-]+|\\d+[\\p{L}-]*)){0,2}";
|
||||
|
||||
/**
|
||||
* Фамилия по словообразованию: Иванов, Ковалёва, Троицкий, Шевченко, Мкртчян. Хвост из двух букв
|
||||
* покрывает падежные окончания: Ковалёв-ой, Иванов-а.
|
||||
*/
|
||||
static final String SURNAME =
|
||||
"\\p{Lu}[\\p{Lu}\\p{Ll}]*(?iu:ов|ев|ёв|ин|ын|ск(?:ий|ая|ого|ой|ом)|цк(?:ий|ая)"
|
||||
+ "|енко|ко|ук|юк|ян|швили|дзе)\\p{L}{0,2}";
|
||||
|
||||
/**
|
||||
* Отчество: признак надёжный, ни одно другое слово так не оканчивается. Основы даны без падежного
|
||||
* окончания — Иванович, Ивановича, Ивановне.
|
||||
*/
|
||||
static final String PATRONYMIC =
|
||||
"\\p{Lu}[\\p{Lu}\\p{Ll}]+(?iu:ович|евич|ьич|мич|нич|тич|лич|кич|бич|сич"
|
||||
+ "|овн|евн|иничн|ичн)\\p{L}{0,2}";
|
||||
|
||||
/**
|
||||
* Серия и номер: «4509 123456», «45 09 123456», «4509123456», «45 09 № 123456», а также с
|
||||
* произвольным числом пробелов и словом «номер» между частями — «12 34 номер 567890» (реальный
|
||||
* кейс из бланка).
|
||||
*/
|
||||
static final String SERIES_AND_NUMBER =
|
||||
"\\d{2}\\s*\\d{2}(?:\\s*(?:№|N|номер)\\s*|[\\s№N]{0,3})\\d{6}";
|
||||
|
||||
/**
|
||||
* Название месяца: полная форма («январь»), сокращение («янв») и плейсхолдер «ммм» (в логах
|
||||
* встречается и латинская «M»). Сокращения нужны, потому что в датах вида «15 ЯНВ 10» месяц
|
||||
* записан тремя буквами.
|
||||
*/
|
||||
static final String MONTH =
|
||||
"(?iu:январ|феврал|март|апрел|ма[йя]|июн|июл|август|сентябр|октябр|ноябр|декабр"
|
||||
+ "|янв|фев|мар|апр|авг|сен|окт|ноя|дек|[МM]мм)\\p{L}*";
|
||||
|
||||
/** Числовая запись при любом порядке частей: дд.мм.гггг, мм/дд/гггг, гггг-мм-дд. */
|
||||
static final String DATE_DIGITS = "\\b\\d{1,4}[.\\-/]\\d{1,2}[.\\-/]\\d{1,4}\\b";
|
||||
|
||||
/** «15 03 1990», «15 03 10» — числовая дата с пробелами вместо разделителей. */
|
||||
static final String DATE_DIGITS_SPACE = "\\b\\d{1,2}\\s+\\d{1,2}\\s+\\d{2,4}\\b";
|
||||
|
||||
/** «15 03», «15/03» — день и месяц без года. */
|
||||
static final String DATE_DAY_MONTH = "\\b\\d{1,2}\\s*[-/.]?\\s*\\d{1,2}\\b";
|
||||
|
||||
/** «12 мая 1985 г.», «15-ЯНВ-10», «15 января» — месяц словом, год 2-4 цифры или без года. */
|
||||
static final String DATE_MONTH_WORD =
|
||||
"\\b\\d{1,2}\\s*[-/.]?\\s*"
|
||||
+ MONTH
|
||||
+ "\\s*[-/.]?\\s*(?:\\d{2,4})?\\b"
|
||||
+ "(?:\\s*(?iu:года|г\\.|г\\b))?";
|
||||
|
||||
/** «двенадцатого мая тысяча девятьсот восемьдесят пятого года» */
|
||||
static final String DATE_WORDS =
|
||||
"\\b(?:(?iu:двадцать|тридцать)\\s+)?"
|
||||
+ "(?iu:перв|втор|треть|четв[её]рт|пят|шест|седьм|восьм|девят|десят|одиннадцат|двенадцат"
|
||||
+ "|тринадцат|четырнадцат|пятнадцат|шестнадцат|семнадцат|восемнадцат|девятнадцат|двадцат|тридцат)"
|
||||
+ "(?iu:ьего|ого|его|ое)\\s+"
|
||||
+ MONTH
|
||||
+ "\\s+(?:\\d{4}|(?iu:тысяча)(?:\\s+\\p{L}+){1,8})\\s*(?iu:года|год\\b|г\\.)";
|
||||
|
||||
/** Любая из записей даты; внутри только незахватывающие группы. */
|
||||
static final String DATE_ANY =
|
||||
"(?:"
|
||||
+ DATE_WORDS
|
||||
+ "|"
|
||||
+ DATE_MONTH_WORD
|
||||
+ "|"
|
||||
+ DATE_DIGITS
|
||||
+ "|"
|
||||
+ DATE_DIGITS_SPACE
|
||||
+ "|"
|
||||
+ DATE_DAY_MONTH
|
||||
+ ")";
|
||||
|
||||
/**
|
||||
* Промежуток между якорем даты («дата рождения») и самой датой: слова, скобочные группы («(день и
|
||||
* месяц)») и знаки препинания. Без скобочной ветки «Дата рождения клиента (день и месяц): 15
|
||||
* января» не находилась бы: «день и месяц» — это слова, а не дата. Ветка со словами требует
|
||||
* пробела перед словом ({@code \s+}), иначе она неоднозначна с веткой {@code \W}, которая тоже
|
||||
* матчит пробелы, — это приводило к катастрофическому возврату на длинных текстах. Отдельная
|
||||
* ветка с дефисом нужна для слитных слов без пробела внутри: «клиента-нерезидента» — дефис сам по
|
||||
* себе ловится веткой {@code \W}, но следующие за ним буквы без пробела перед ними не покрывала
|
||||
* ни одна ветка.
|
||||
*/
|
||||
static final String DATE_GAP = "(?:\\s+\\([^)]*\\)|\\s+\\p{L}+|-\\p{L}+|\\W){0,30}";
|
||||
|
||||
/**
|
||||
* Значение гражданства: «рф»/«росс…»(любая форма, включая строчную «российское»)/ «республики X»
|
||||
* — частые формы отдельным списком; последняя ветка — страна из 1-4 слов с заглавной буквы
|
||||
* («Армения», «Соединенные Штаты Америки»). Хвост идёт после якоря «гражданств», поэтому
|
||||
* «Двойное» перед якорем не попадёт.
|
||||
*/
|
||||
static final String CITIZENSHIP_VALUE =
|
||||
"\\p{Lu}\\p{Ll}+(?:[\\s/]+\\p{Lu}\\p{Ll}+){0,3}|\\p{Ll}+(?:[\\s/]+\\p{Ll}+){0,3}";
|
||||
|
||||
/**
|
||||
* Слова, при которых адрес/имя принадлежит организации, а не человеку: адрес отделения банка
|
||||
* персональными данными не является.
|
||||
*/
|
||||
static final String ORGANISATION_NEARBY =
|
||||
"(?iu:отделени|филиал|банкомат|доп\\.?\\s?офис|офис|головн|юридическ\\p{L}*\\s+адрес)";
|
||||
}
|
||||
@@ -1,229 +1,494 @@
|
||||
package ru.pdguard.detect;
|
||||
|
||||
import jakarta.enterprise.context.ApplicationScoped;
|
||||
import ru.pdguard.config.SystemPolicy;
|
||||
import ru.pdguard.core.Span;
|
||||
|
||||
import java.util.ArrayList;
|
||||
import java.util.List;
|
||||
import java.util.Locale;
|
||||
import java.util.Set;
|
||||
import java.util.regex.Matcher;
|
||||
import java.util.regex.Pattern;
|
||||
import java.util.stream.Stream;
|
||||
import org.springframework.stereotype.Component;
|
||||
import ru.pdguard.config.SystemPolicy;
|
||||
|
||||
/**
|
||||
* Реестр правил детекции и сам поиск ПД в тексте.
|
||||
*
|
||||
* <p>Правила разбиты на три уровня доверия:
|
||||
*
|
||||
* <ol>
|
||||
* <li>проверяемые контрольной суммой — карта, ИНН, СНИЛС: ложных срабатываний почти нет;
|
||||
* <li>однозначные по формату — email, телефон;
|
||||
* <li>требующие якорного слова — паспорт, водительское удостоверение, CVV, адрес и прочее, где
|
||||
* сама по себе последовательность знаков ни о чём не говорит.
|
||||
* <li>проверяемые контрольной суммой — карта, ИНН, СНИЛС: ложных срабатываний почти нет;</li>
|
||||
* <li>однозначные по формату — email, телефон;</li>
|
||||
* <li>требующие якорного слова — паспорт, водительское удостоверение, CVV, адрес и прочее,
|
||||
* где сама по себе последовательность знаков ни о чём не говорит.</li>
|
||||
* </ol>
|
||||
*
|
||||
* <p>Якорные слова распознаются без учёта регистра — флаг {@code (?iu:...)} навешен именно на них.
|
||||
* На захватываемое значение регистронезависимость не распространяется: там, где значение опознаётся
|
||||
* по заглавной букве, это существенно.
|
||||
*
|
||||
* <p>Сами правила сгруппированы по категориям в отдельных классах пакета — {@link DocumentRules},
|
||||
* {@link FinanceRules}, {@link DateRules}, {@link FioRules}, {@link ContactRules}, {@link
|
||||
* AddressRules} — чтобы каждая категория читалась отдельно от остальных. Здесь их списки только
|
||||
* объединяются и используются.
|
||||
* <p>Якорные слова распознаются без учёта регистра — флаг {@code (?iu:...)} навешен
|
||||
* именно на них. На захватываемое значение регистронезависимость не распространяется:
|
||||
* там, где значение опознаётся по заглавной букве, это существенно.
|
||||
*/
|
||||
@Component
|
||||
@ApplicationScoped
|
||||
public class RuleRegistry {
|
||||
|
||||
/**
|
||||
* Слова, при которых адрес принадлежит организации, а не человеку: адрес отделения банка
|
||||
* персональными данными не является. Части адреса рядом: улица, упомянутая в рассказе о городе,
|
||||
* адресом клиента не является — ровно как адрес отделения банка из технического задания.
|
||||
* Требование стояло только у постфиксной формы правила, префиксная его не имела.
|
||||
*/
|
||||
public static final String ADDRESS_NEARBY =
|
||||
"(?iu:адрес|индекс|\\bд\\.|\\bдом\\b|\\bкв\\.|\\bг\\.|\\bгород|регистрац|прожива)";
|
||||
public static final String EMAIL = "EMAIL";
|
||||
public static final String PHONE = "PHONE";
|
||||
public static final String CARD = "CARD";
|
||||
public static final String INN = "INN";
|
||||
public static final String SNILS = "SNILS";
|
||||
public static final String PASSPORT = "PASSPORT";
|
||||
public static final String PASSPORT_ISSUER = "PASSPORT_ISSUER";
|
||||
public static final String PASSPORT_DATE = "PASSPORT_DATE";
|
||||
public static final String DEPT_CODE = "DEPT_CODE";
|
||||
public static final String DRIVER_LICENSE = "DRIVER_LICENSE";
|
||||
public static final String CITIZENSHIP = "CITIZENSHIP";
|
||||
public static final String BIRTH_PLACE = "BIRTH_PLACE";
|
||||
public static final String BIRTH_DATE = "BIRTH_DATE";
|
||||
public static final String DATE = "DATE";
|
||||
public static final String CVV = "CVV";
|
||||
public static final String PIN = "PIN";
|
||||
public static final String CARDHOLDER = "CARDHOLDER";
|
||||
public static final String ADDRESS_COUNTRY = "ADDRESS_COUNTRY";
|
||||
public static final String ADDRESS_POSTCODE = "ADDRESS_POSTCODE";
|
||||
public static final String ADDRESS_CITY = "ADDRESS_CITY";
|
||||
public static final String ADDRESS_STREET = "ADDRESS_STREET";
|
||||
public static final String ADDRESS_HOUSE = "ADDRESS_HOUSE";
|
||||
public static final String ADDRESS_FLAT = "ADDRESS_FLAT";
|
||||
public static final String FIO = "FIO";
|
||||
public static final String FOREIGN_PASSPORT = "FOREIGN_PASSPORT";
|
||||
public static final String MILITARY_ID = "MILITARY_ID";
|
||||
public static final String BIRTH_CERTIFICATE = "BIRTH_CERTIFICATE";
|
||||
public static final String MEDICAL_POLICY = "MEDICAL_POLICY";
|
||||
|
||||
private static final Pattern ADDRESS_CONTEXT =
|
||||
Pattern.compile(ADDRESS_NEARBY, Pattern.UNICODE_CHARACTER_CLASS | Pattern.UNICODE_CASE);
|
||||
/** Банковские реквизиты сверх платёжной карты. */
|
||||
public static final String ACCOUNT_NUMBER = "ACCOUNT_NUMBER";
|
||||
public static final String BIK = "BIK";
|
||||
public static final String CARD_EXPIRY = "CARD_EXPIRY";
|
||||
public static final String INCOME = "INCOME";
|
||||
public static final String OGRN = "OGRN";
|
||||
public static final String OGRNIP = "OGRNIP";
|
||||
public static final String KPP = "KPP";
|
||||
public static final String BIOMETRIC = "BIOMETRIC";
|
||||
|
||||
/** Адресные типы, которые вне адресного окружения персональными данными не являются. */
|
||||
private static final Set<String> ADDRESS_TYPES =
|
||||
Set.of(
|
||||
PdTypes.ADDRESS_COUNTRY,
|
||||
PdTypes.ADDRESS_REGION,
|
||||
PdTypes.ADDRESS_DISTRICT,
|
||||
PdTypes.ADDRESS_CITY,
|
||||
PdTypes.ADDRESS_STREET,
|
||||
PdTypes.ADDRESS_HOUSE,
|
||||
PdTypes.ADDRESS_FLAT,
|
||||
PdTypes.ADDRESS_POSTCODE);
|
||||
/**
|
||||
* Слово с заглавной буквы; остальные буквы любого регистра, чтобы
|
||||
* «ИВАНОВ» распознавался наравне с «Иванов».
|
||||
*/
|
||||
private static final String CAPITALISED = "\\p{Lu}[\\p{Lu}\\p{Ll}]+";
|
||||
|
||||
/**
|
||||
* Приоритет находок нормализации цифровых ПД: выше правила ИНН без якоря (62), ниже якорных
|
||||
* правил (84+). Нормализация находит то, что жёсткие шаблоны пропустили из-за нестандартных
|
||||
* разделителей, и не должна перебивать находки с якорным словом.
|
||||
*/
|
||||
private static final int NORMALISED_PRIORITY = 63;
|
||||
/**
|
||||
* Название улицы: от одного до трёх слов с заглавной буквы либо чисел —
|
||||
* «Тверская», «Малая Никитская», «8 Марта». Ограничение по форме обязательно:
|
||||
* без него правило дожёвывало строку до конца, и «Проспект Вернадского перекрыт
|
||||
* до вечера» оказывался под маской целиком.
|
||||
*/
|
||||
private static final String STREET_NAME =
|
||||
"(?:\\p{Lu}[\\p{L}-]+|\\d+[\\p{L}-]*)(?:\\s+(?:\\p{Lu}[\\p{L}-]+|\\d+[\\p{L}-]*)){0,2}";
|
||||
|
||||
/**
|
||||
* Цифровой кластер: от 10 до 19 цифр с произвольными разделителями между ними (пробел, дефис,
|
||||
* точка, слэш, скобки). Негативные просмотры не дают захватить часть более длинного числа.
|
||||
* Разделители вычищаются, и чистая цифровая строка прогоняется через контрольную сумму — так
|
||||
* находятся ИНН/СНИЛС/карта/ОГРН(ИП) в свободной форме, где жёсткий шаблон ломается на
|
||||
* нестандартном разделителе.
|
||||
*/
|
||||
private static final Pattern DIGIT_CLUSTER =
|
||||
Pattern.compile("(?<!\\d)\\d(?:[\\s.\\-/()]?\\d){9,18}(?!\\d)");
|
||||
/**
|
||||
* Фамилия по словообразованию: Иванов, Ковалёва, Троицкий, Шевченко, Мкртчян.
|
||||
* Хвост из двух букв покрывает падежные окончания: Ковалёв-ой, Иванов-а.
|
||||
*/
|
||||
private static final String SURNAME =
|
||||
"\\p{Lu}[\\p{Lu}\\p{Ll}]*(?iu:ов|ев|ёв|ин|ын|ск(?:ий|ая|ого|ой|ом)|цк(?:ий|ая)"
|
||||
+ "|енко|ко|ук|юк|ян|швили|дзе)\\p{L}{0,2}";
|
||||
|
||||
/** Вычищает разделители из цифрового кластера: оставляет только цифры. */
|
||||
private static final Pattern NON_DIGIT = Pattern.compile("[^\\d]");
|
||||
/**
|
||||
* Отчество: признак надёжный, ни одно другое слово так не оканчивается.
|
||||
* Основы даны без падежного окончания — Иванович, Ивановича, Ивановне.
|
||||
*/
|
||||
private static final String PATRONYMIC =
|
||||
"\\p{Lu}[\\p{Lu}\\p{Ll}]+(?iu:ович|евич|ьич|мич|нич|тич|лич|кич|бич|сич"
|
||||
+ "|овн|евн|иничн|ичн)\\p{L}{0,2}";
|
||||
|
||||
public static boolean isAddressType(String type) {
|
||||
return ADDRESS_TYPES.contains(type);
|
||||
}
|
||||
/** Серия и номер: «4509 123456», «45 09 123456», «4509123456», «45 09 № 123456». */
|
||||
private static final String SERIES_AND_NUMBER = "\\d{2}\\s?\\d{2}[\\s№N]{0,3}\\d{6}";
|
||||
|
||||
/**
|
||||
* Есть ли рядом другие части адреса. Правила проверяют это сами, а находкам второй ступени
|
||||
* проверку нужно навязать снаружи: модель размечает «Москву» в названии клуба и «Вернадского» в
|
||||
* названии проспекта наравне с настоящим адресом.
|
||||
*/
|
||||
public static boolean hasAddressContext(String text, int start, int end) {
|
||||
return ADDRESS_CONTEXT.matcher(surroundings(text, start, end)).find();
|
||||
}
|
||||
private static final String MONTH =
|
||||
"(?iu:январ|феврал|март|апрел|ма[йя]|июн|июл|август|сентябр|октябр|ноябр|декабр)\\p{L}*";
|
||||
|
||||
private static final List<Rule> RULES =
|
||||
Stream.of(
|
||||
DocumentRules.RULES,
|
||||
FinanceRules.RULES,
|
||||
DateRules.RULES,
|
||||
FioRules.RULES,
|
||||
ContactRules.RULES,
|
||||
AddressRules.RULES)
|
||||
.flatMap(List::stream)
|
||||
.toList();
|
||||
/** Числовая запись при любом порядке частей: дд.мм.гггг, мм/дд/гггг, гггг-мм-дд. */
|
||||
private static final String DATE_DIGITS = "\\b\\d{1,4}[.\\-/]\\d{1,2}[.\\-/]\\d{1,4}\\b";
|
||||
|
||||
/** Все типы ПД, которые умеет распознавать сервис. */
|
||||
public List<String> knownTypes() {
|
||||
return RULES.stream().map(Rule::type).distinct().toList();
|
||||
}
|
||||
/** «12 мая 1985 г.» */
|
||||
private static final String DATE_MONTH_WORD =
|
||||
"\\b\\d{1,2}\\s+" + MONTH + "\\s+\\d{4}\\b(?:\\s*(?iu:года|г\\.|г\\b))?";
|
||||
|
||||
/**
|
||||
* Находит все фрагменты ПД, разрешённые политикой системы. Перекрытия здесь не разрешаются — это
|
||||
* делает вызывающая сторона.
|
||||
*/
|
||||
public List<Span> detect(String text, SystemPolicy policy) {
|
||||
List<Span> found = new ArrayList<>();
|
||||
String lowercased = text.toLowerCase(Locale.ROOT);
|
||||
for (Rule rule : RULES) {
|
||||
if (!policy.allows(rule.type()) || !rule.mayMatch(lowercased)) {
|
||||
continue;
|
||||
}
|
||||
collect(rule, text, found);
|
||||
/** «двенадцатого мая тысяча девятьсот восемьдесят пятого года» */
|
||||
private static final String DATE_WORDS =
|
||||
"\\b(?:(?iu:двадцать|тридцать)\\s+)?"
|
||||
+ "(?iu:перв|втор|треть|четв[её]рт|пят|шест|седьм|восьм|девят|десят|одиннадцат|двенадцат"
|
||||
+ "|тринадцат|четырнадцат|пятнадцат|шестнадцат|семнадцат|восемнадцат|девятнадцат|двадцат|тридцат)"
|
||||
+ "(?iu:ьего|ого|его)\\s+" + MONTH
|
||||
+ "\\s+(?:\\d{4}|(?iu:тысяча)[\\p{L}\\s]{5,60}?)\\s*(?iu:года|год\\b|г\\.)";
|
||||
|
||||
/** Любая из трёх записей даты; внутри только незахватывающие группы. */
|
||||
private static final String DATE_ANY = "(?:" + DATE_WORDS + "|" + DATE_MONTH_WORD + "|" + DATE_DIGITS + ")";
|
||||
|
||||
/**
|
||||
* Слова, при которых адрес принадлежит организации, а не человеку:
|
||||
* адрес отделения банка персональными данными не является.
|
||||
*/
|
||||
/**
|
||||
* Части адреса рядом. Улица, упомянутая в рассказе о городе, адресом клиента не
|
||||
* является — ровно как адрес отделения банка из технического задания. Требование
|
||||
* стояло только у постфиксной формы правила, префиксная его не имела.
|
||||
*/
|
||||
private static final String ADDRESS_NEARBY =
|
||||
"(?iu:адрес|индекс|\\bд\\.|\\bдом\\b|\\bкв\\.|\\bг\\.|\\bгород|регистрац|прожива)";
|
||||
|
||||
private static final String ORGANISATION_NEARBY =
|
||||
"(?iu:отделени|филиал|банкомат|доп\\.?\\s?офис|офис|головн|юридическ\\p{L}*\\s+адрес)";
|
||||
|
||||
private static final List<Rule> RULES = List.of(
|
||||
|
||||
// --- Уровень 3: значение опознаётся только рядом с якорным словом ---
|
||||
|
||||
Rule.of(CVV, "(?iu:\\b(?:cvv2?|cvc2?|код\\s+проверки|защитный\\s+код))\\W{0,5}(\\d{3,4})\\b", 92)
|
||||
.groups(1)
|
||||
.anchoredBy("cvv", "cvc", "код проверки", "защитный код"),
|
||||
|
||||
Rule.of(PIN, "(?iu:\\bпин[\\s-]?кода?|\\bpin[\\s-]?code|\\bpin)\\b\\W{0,5}(\\d{4,6})\\b", 92)
|
||||
.groups(1)
|
||||
.anchoredBy("пин", "pin"),
|
||||
|
||||
// «паспорт 4509 123456», «паспорт гражданина РФ 45 09 123456»
|
||||
Rule.of(PASSPORT, "(?iu:паспорт)\\w*(?:\\W+(?iu:гражданина\\s+РФ|РФ|России|Российской\\s+Федерации))?"
|
||||
+ "\\W{0,10}(" + SERIES_AND_NUMBER + ")\\b", 90)
|
||||
.groups(1)
|
||||
.anchoredBy("паспорт"),
|
||||
|
||||
// «серия 4509 номер 123456», «серии 45 09 № 123456»
|
||||
// Между серией и номером помещается слово: «серия 4509 номер 123456»,
|
||||
// «серии 4509 за номером 123456», «серия 4509 № 123456».
|
||||
Rule.of(PASSPORT, "(?iu:сери)\\w{0,3}\\W{0,5}(\\d{2}\\s?\\d{2})[^\\d]{0,20}(\\d{6})\\b", 90)
|
||||
.groups(1, 2)
|
||||
.anchoredBy("сери"),
|
||||
|
||||
Rule.of(DRIVER_LICENSE, "(?iu:водительск\\w+\\s+удостоверени\\w+|в/у|вод\\.\\s?удост\\w*|\\bВУ)\\b"
|
||||
+ "\\W{0,15}(" + SERIES_AND_NUMBER + ")\\b", 89)
|
||||
.groups(1)
|
||||
.anchoredBy("водительск", "в/у", "вод.", "ву "),
|
||||
|
||||
// --- Прочие документы, удостоверяющие личность ---
|
||||
|
||||
Rule.of(FOREIGN_PASSPORT, "(?iu:загранпаспорт|заграничн\\p{L}*\\s+паспорт)\\p{L}*"
|
||||
+ "\\W{0,10}(\\d{2}\\s?\\d{7})\\b", 89)
|
||||
.groups(1)
|
||||
.anchoredBy("загранпаспорт", "заграничн"),
|
||||
|
||||
Rule.of(MILITARY_ID, "(?iu:военн\\p{L}*\\s+билет)\\p{L}*"
|
||||
+ "\\W{0,10}(\\p{Lu}{2}\\s?\\d{7})\\b", 89)
|
||||
.groups(1)
|
||||
.anchoredBy("военн"),
|
||||
|
||||
Rule.of(BIRTH_CERTIFICATE, "(?iu:свидетельств\\p{L}*\\s+о\\s+рождении)"
|
||||
+ "\\W{0,15}([IVXLC]{1,4}[- ]?\\p{Lu}{2}\\s?(?:№\\s?)?\\d{6})\\b", 89)
|
||||
.groups(1)
|
||||
.anchoredBy("свидетельств"),
|
||||
|
||||
Rule.of(MEDICAL_POLICY, "(?iu:полис\\p{L}*(?:\\s+ОМС)?)\\W{0,10}(\\d{16})\\b", 89)
|
||||
.groups(1)
|
||||
.anchoredBy("полис"),
|
||||
|
||||
Rule.of(DEPT_CODE, "(?iu:код\\w*\\s+подразделения|к/п)\\W{0,5}(\\d{3}\\s?-?\\s?\\d{3})\\b", 88)
|
||||
.groups(1)
|
||||
.anchoredBy("подразделени", "к/п"),
|
||||
|
||||
// --- Банковские реквизиты сверх карты ---
|
||||
|
||||
// Расчётный счёт — ровно 20 цифр после якоря, группировка пробелами не важна.
|
||||
Rule.of(ACCOUNT_NUMBER, "(?iu:р/с|расчетн\\w*\\s+счет|расчётн\\w*\\s+счёт|лицев\\w*\\s+счет|"
|
||||
+ "лицев\\w*\\s+счёт)\\W{0,5}((?:\\d[ ]?){19}\\d)\\b", 83)
|
||||
.groups(1)
|
||||
.anchoredBy("р/с", "расчетн", "расчётн", "лицев"),
|
||||
|
||||
Rule.of(BIK, "(?iu:бик)\\W{0,5}(\\d{9})\\b", 83)
|
||||
.groups(1)
|
||||
.anchoredBy("бик"),
|
||||
|
||||
// «действительна до 09/27», «exp 09/27» — срок действия карты, не дата рождения.
|
||||
Rule.of(CARD_EXPIRY, "(?iu:срок\\s+действия|действительна?\\s+до|\\bexp\\w*)\\W{0,5}"
|
||||
+ "(\\d{2}\\s?/\\s?\\d{2})\\b", 83)
|
||||
.groups(1)
|
||||
.anchoredBy("срок действия", "действительн", "exp"),
|
||||
|
||||
// ОГРНИП раньше ОГРН: без отрицательного просмотра «ОГРНИП» частично ловился бы
|
||||
// ещё и правилом ОГРН. Контрольная сумма отсекает случайные 13/15-значные
|
||||
// числа рядом со словом — раньше якоря было достаточно самого по себе.
|
||||
Rule.of(OGRNIP, "(?iu:огрнип)\\W{0,5}(\\d{15})\\b", 83)
|
||||
.groups(1)
|
||||
.validatedBy(Validators::ogrnip)
|
||||
.anchoredBy("огрнип"),
|
||||
|
||||
Rule.of(OGRN, "(?iu:огрн(?!ип))\\W{0,5}(\\d{13})\\b", 83)
|
||||
.groups(1)
|
||||
.validatedBy(Validators::ogrn)
|
||||
.anchoredBy("огрн"),
|
||||
|
||||
Rule.of(KPP, "(?iu:кпп)\\W{0,5}(\\d{9})\\b", 83)
|
||||
.groups(1)
|
||||
.anchoredBy("кпп"),
|
||||
|
||||
// Доход/зарплата: сумма с разделителями тысяч. Между якорем и суммой может
|
||||
// стоять слово («доход клиента», «доход за год») — без этого якорь ловил
|
||||
// бы только «доход 85000», вплотную.
|
||||
Rule.of(INCOME, "(?iu:доход|заработн\\w*\\s+плат\\w*|зарплат\\w*)(?:\\s+\\p{L}+){0,3}?"
|
||||
+ "\\W{0,5}(\\d{1,3}(?:[\\s.]?\\d{3})*(?:,\\d{2})?)\\s?(?iu:руб\\p{L}*|₽)?\\b", 76)
|
||||
.groups(1)
|
||||
.anchoredBy("доход", "заработн", "зарплат"),
|
||||
|
||||
// Биометрия — сама фраза уже говорит, что дальше персональные данные, отдельного
|
||||
// значения для захвата нет: маскируется якорная фраза целиком.
|
||||
Rule.of(BIOMETRIC, "(?iu:биометрическ\\w*\\s+(?:данны\\w*|образц\\w*|шаблон\\w*)"
|
||||
+ "|слепок\\s+голоса|отпечаток\\s+пальца|скан\\s+лица|\\bЕБС\\b)", 81)
|
||||
.anchoredBy("биометри", "слепок голоса", "отпечаток пальца", "скан лица", "ебс"),
|
||||
|
||||
// --- Даты с явным якорем ---
|
||||
|
||||
Rule.of(BIRTH_DATE, "(?iu:дат\\p{L}*\\s+рождения|дата\\s+рожд\\.)\\W{0,5}(" + DATE_ANY + ")", 87)
|
||||
.groups(1)
|
||||
.validatedBy(Validators::date)
|
||||
.anchoredBy("рожден"),
|
||||
|
||||
Rule.of(BIRTH_DATE, "(?iu:родил(?:ся|ась))\\W{0,5}(" + DATE_ANY + ")", 87)
|
||||
.groups(1)
|
||||
.validatedBy(Validators::date)
|
||||
.anchoredBy("родил"),
|
||||
|
||||
Rule.of(BIRTH_DATE, "(" + DATE_ANY + ")\\s*(?iu:г\\.\\s?р\\.|г/р|года\\s+рождения)", 87)
|
||||
.groups(1)
|
||||
.validatedBy(Validators::date)
|
||||
.anchoredBy("г.р", "г/р", "года рождения"),
|
||||
|
||||
// «дата выдачи 12.05.2015» и «дата выдачи паспорта 12.05.2015»
|
||||
Rule.of(PASSPORT_DATE, "(?iu:дат\\p{L}*\\s+выдачи)(?:\\s+\\p{L}+)?\\W{0,5}(" + DATE_ANY + ")", 87)
|
||||
.groups(1)
|
||||
.validatedBy(Validators::date)
|
||||
.anchoredBy("выдач"),
|
||||
|
||||
Rule.of(CARDHOLDER, "(?iu:держател\\w*(?:\\s+карты)?|cardholder|на\\s+имя)"
|
||||
+ "\\W{0,10}([A-Z]{2,20}\\s+[A-Z]{2,20})\\b", 86)
|
||||
.groups(1)
|
||||
.anchoredBy("держател", "cardholder", "на имя"),
|
||||
|
||||
// --- ФИО ---
|
||||
|
||||
// Фамилия Имя Отчество: первое слово опознаётся по словообразованию фамилии.
|
||||
// Свободная тройка «любое слово с заглавной + имя + отчество» здесь
|
||||
// сознательно не используется: она захватывает глагол в начале
|
||||
// предложения («Пригласите Ивана Сергеевича») и заметно дороже по времени.
|
||||
// Фамилии без привычного окончания — Ким, Цой — ловятся по ролевому слову.
|
||||
Rule.of(FIO, "\\b" + SURNAME + "\\s+" + CAPITALISED + "\\s+" + PATRONYMIC + "\\b", 79),
|
||||
|
||||
// Имя Отчество Фамилия — второй распространённый порядок слов.
|
||||
Rule.of(FIO, "\\b" + CAPITALISED + "\\s+" + PATRONYMIC + "\\s+" + SURNAME + "\\b", 79),
|
||||
|
||||
// Иванов И.И. и И.И. Иванов
|
||||
Rule.of(FIO, "\\b" + SURNAME + "\\s+\\p{Lu}\\.\\s?\\p{Lu}\\.", 79),
|
||||
Rule.of(FIO, "\\b\\p{Lu}\\.\\s?\\p{Lu}\\.\\s?" + SURNAME + "\\b", 79),
|
||||
|
||||
// Имя Отчество без фамилии
|
||||
Rule.of(FIO, "\\b" + CAPITALISED + "\\s+" + PATRONYMIC + "\\b", 77),
|
||||
|
||||
// «ФИО: иванов иван иванович» — явный якорь снимает требование к регистру
|
||||
Rule.of(FIO, "(?iu:\\bФИО|\\bф\\.\\s?и\\.\\s?о\\.|\\bна\\s+имя)"
|
||||
+ "(?:\\s+\\p{L}+)?\\W{0,5}(\\p{L}{2,}(?:\\s+\\p{L}{2,}){0,2})\\b", 77)
|
||||
.groups(1)
|
||||
.anchoredBy("фио", "ф.и.о", "на имя"),
|
||||
|
||||
// «клиент Иванов Иван», «плательщик Петрова»
|
||||
Rule.of(FIO, "(?iu:\\bклиент|\\bзаказчик|\\bпациент|\\bсотрудник|\\bвладел|\\bплательщик"
|
||||
+ "|\\bполучател|\\bабонент|\\bв\\s+лице|\\bпредставител|\\bпоручител"
|
||||
+ "|\\bсозаёмщик|\\bсозаемщик|\\bзаёмщик|\\bзаемщик|\\bзаявител|\\bдоверител"
|
||||
+ "|\\bвкладчик|\\bответственн|\\bконтактное\\s+лицо|\\bисполнител|\\bдержател)\\p{L}*"
|
||||
+ "\\W{0,5}(\\p{Lu}\\p{Ll}+(?:\\s+\\p{Lu}\\p{Ll}+){0,2})\\b", 77)
|
||||
.groups(1)
|
||||
.anchoredBy("клиент", "заказчик", "пациент", "сотрудник", "владел", "плательщик",
|
||||
"получател", "абонент", "в лице", "представител", "поручител", "заёмщик",
|
||||
"заемщик", "заявител", "доверител", "вкладчик", "ответственн",
|
||||
"контактное лицо", "исполнител", "держател"),
|
||||
|
||||
// Фамилия рядом с личным именем из словаря: без словаря правило ловило бы
|
||||
// «Тверская улица» и тому подобное. Имя проверяется по множеству уже
|
||||
// после совпадения — чередование из ста веток в шаблоне обходится дорого.
|
||||
// Самое слабое основание среди правил ФИО — ни ролевого слова, ни явного
|
||||
// якоря, — поэтому именно здесь нужно вето на адресный контекст: «Великие
|
||||
// Луки» (реальный город) распознаётся как имя «Лука» в падеже плюс
|
||||
// случайное слово, «Богдана Хмельницкого» — улица в честь исторической
|
||||
// фигуры. Найдено на реальных адресах отделений из реестра ЦБ.
|
||||
Rule.of(FIO, "\\b" + SURNAME + "\\s+" + CAPITALISED + "\\b", 74)
|
||||
.validatedBy(NameDictionary::containsGivenName)
|
||||
.vetoedBy(ORGANISATION_NEARBY),
|
||||
Rule.of(FIO, "\\b" + CAPITALISED + "\\s+" + SURNAME + "\\b", 74)
|
||||
.validatedBy(NameDictionary::containsGivenName)
|
||||
.vetoedBy(ORGANISATION_NEARBY),
|
||||
|
||||
// --- Уровень 1: подтверждается контрольной суммой ---
|
||||
|
||||
Rule.of(CARD, "\\b\\d(?:[ -]?\\d){11,18}\\b", 85)
|
||||
.validatedBy(Validators::luhn),
|
||||
|
||||
Rule.of(INN, "(?iu)\\bИНН\\b\\D{0,10}(\\d{12}|\\d{10})\\b", 84)
|
||||
.groups(1)
|
||||
.anchoredBy("инн"),
|
||||
|
||||
Rule.of(SNILS, "(?iu)(?:\\bСНИЛС\\b\\D{0,10})?(\\d{3}[ -]\\d{3}[ -]\\d{3}[ -]\\d{2})\\b", 84)
|
||||
.groups(1)
|
||||
.validatedBy(Validators::snils),
|
||||
|
||||
// --- Уровень 2: формат однозначен сам по себе ---
|
||||
|
||||
Rule.of(PHONE, "(?:\\+7|\\b8)[ ()-]{0,3}\\d{3}[ ()-]{0,3}\\d{3}[ -]{0,2}\\d{2}[ -]{0,2}\\d{2}\\b", 82),
|
||||
|
||||
Rule.of(EMAIL, "\\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\\.[A-Za-z]{2,}\\b", 80)
|
||||
.anchoredBy("@"),
|
||||
|
||||
// --- Уровень 3: свободный текст после якорного слова ---
|
||||
|
||||
// «выдан ОУФМС России по г. Москве 12.05.2015» — дата в состав органа не входит,
|
||||
// её забирает отдельное правило. Приоритет выше городского, иначе от органа
|
||||
// осталась бы замаскированной только его часть.
|
||||
Rule.of(PASSPORT_ISSUER, "(?iu:выдан)[\\p{L}]*\\W{0,3}([^,;\\n]{3,90}?)"
|
||||
+ "(?=\\s*\\d{1,2}[.\\-/]\\d{1,2}[.\\-/]\\d{2,4}|[,;\\n]|\\s*$)", 78)
|
||||
.groups(1)
|
||||
.anchoredBy("выдан"),
|
||||
|
||||
Rule.of(BIRTH_PLACE, "(?iu:мест\\w*\\s+рождения)\\W{0,5}([^,;\\n]{3,60}?)(?=\\s*[,;\\n]|\\s*$)", 76)
|
||||
.groups(1)
|
||||
.anchoredBy("рождения"),
|
||||
|
||||
Rule.of(BIRTH_PLACE, "(?iu:родил(?:ся|ась))[^,;\\n]{0,40}?\\s+в\\s+"
|
||||
+ "([^,;\\n]{3,40}?)(?=\\s*[,;\\n]|\\s*$)", 76)
|
||||
.groups(1)
|
||||
.anchoredBy("родил"),
|
||||
|
||||
Rule.of(CITIZENSHIP, "(?iu:гражданств)\\w*\\W{0,5}"
|
||||
+ "((?iu:рф|россии|российской\\s+федерации|республики\\s+\\p{L}+)|\\p{Lu}\\p{Ll}+)\\b", 75)
|
||||
.groups(1)
|
||||
.anchoredBy("гражданств"),
|
||||
|
||||
Rule.of(CITIZENSHIP, "(?iu:граждан(?:ин|ка|ина|ки))\\b\\s+"
|
||||
+ "((?iu:рф|россии|российской\\s+федерации|республики\\s+\\p{L}+)|\\p{Lu}\\p{Ll}+)\\b", 75)
|
||||
.groups(1)
|
||||
.anchoredBy("граждан"),
|
||||
|
||||
// --- Адрес: каждая составляющая настраивается отдельно ---
|
||||
|
||||
Rule.of(ADDRESS_POSTCODE, "(?iu:индекс)\\W{0,5}(\\d{6})\\b", 74)
|
||||
.groups(1)
|
||||
.vetoedBy(ORGANISATION_NEARBY)
|
||||
.anchoredBy("индекс"),
|
||||
|
||||
Rule.of(ADDRESS_POSTCODE,
|
||||
"\\b(\\d{6})(?=\\s*,?\\s*(?iu:г\\.|город|обл\\.|область|респ|край))", 74)
|
||||
.groups(1)
|
||||
.vetoedBy(ORGANISATION_NEARBY),
|
||||
|
||||
// Не только «г.»: перепись, на которой проверяется словарь, покрывает
|
||||
// сёла, посёлки, деревни, хутора и станицы — «рп. Ильинское», «с. Кукуево»
|
||||
// из ТЗ без этих якорей не нашлись бы вообще, город там ни при чём.
|
||||
Rule.of(ADDRESS_CITY, "(?iu:\\bг\\.|\\bгор\\.|\\bгород|\\bрп\\.|\\bпгт\\.?|\\bп\\.|\\bс\\.|\\bсело\\b"
|
||||
+ "|\\bд\\.|\\bдеревня\\b|\\bдер\\.|\\bх\\.|\\bхутор\\b|\\bст-ца|\\bстаница|\\bаул\\b"
|
||||
+ "|\\bсл\\.|\\bслобода\\b|\\bаал\\b)\\s?(\\p{Lu}[\\p{L}-]{1,30})\\b", 73)
|
||||
.groups(1)
|
||||
.validatedBy(ToponymDictionary::isKnownSettlement)
|
||||
.vetoedBy(ORGANISATION_NEARBY)
|
||||
.anchoredBy("г.", "гор", "город", "рп.", "пгт", "п.", "с.", "село", "д.", "деревня",
|
||||
"дер.", "х.", "хутор", "ст-ца", "станица", "аул", "сл.", "слобода", "аал"),
|
||||
|
||||
Rule.of(ADDRESS_STREET,
|
||||
"(?iu:\\bул\\.|\\bулиц\\p{L}*|\\bпр-т|\\bпроспект\\p{L}*|\\bпер\\.|\\bпереул\\p{L}*"
|
||||
+ "|\\bш\\.|\\bшоссе|\\bб-р|\\bбульвар\\p{L}*|\\bнаб\\.|\\bнабережн\\p{L}*)"
|
||||
+ "\\W{0,3}(" + STREET_NAME + ")", 73)
|
||||
.groups(1)
|
||||
.vetoedBy(ORGANISATION_NEARBY)
|
||||
.requiringNear(ADDRESS_NEARBY)
|
||||
.anchoredBy("ул", "просп", "пр-т", "пер.", "шоссе", "ш.", "бульвар", "б-р", "наб"),
|
||||
|
||||
// «Невский пр-т» — указатель после названия. Форма слишком общая, поэтому
|
||||
// принимается только рядом с другими частями адреса: иначе под маску попал бы
|
||||
// любой рассказ про Невский проспект.
|
||||
Rule.of(ADDRESS_STREET, "\\b(\\p{Lu}[\\p{L}-]{2,30})\\s+"
|
||||
+ "(?iu:пр-т|проспект|улиц\\p{L}*|шоссе|бульвар|переул\\p{L}*|набережн\\p{L}*)\\b", 73)
|
||||
.groups(1)
|
||||
.vetoedBy(ORGANISATION_NEARBY)
|
||||
.requiringNear(ADDRESS_NEARBY)
|
||||
.anchoredBy("пр-т", "проспект", "улиц", "шоссе", "бульвар", "переул", "набережн"),
|
||||
|
||||
Rule.of(ADDRESS_HOUSE,
|
||||
"(?iu:\\bд\\.|\\bдом)\\s?(\\d+\\p{L}?(?:\\s?(?iu:к\\.|корп\\.?|стр\\.)\\s?\\d+)?)\\b", 72)
|
||||
.groups(1)
|
||||
.vetoedBy(ORGANISATION_NEARBY)
|
||||
.anchoredBy("д.", "дом"),
|
||||
|
||||
Rule.of(ADDRESS_FLAT, "(?iu:\\bкв\\.|\\bквартир\\p{L}*)\\s?(\\d+\\p{L}?)\\b", 72)
|
||||
.groups(1)
|
||||
.vetoedBy(ORGANISATION_NEARBY)
|
||||
.anchoredBy("кв"),
|
||||
|
||||
Rule.of(ADDRESS_COUNTRY,
|
||||
"(?iu:стран\\p{L}*(?:\\s+(?:регистрации|проживания|гражданства))?)"
|
||||
+ "\\W{0,5}(\\p{Lu}[\\p{L}-]{2,30})\\b", 71)
|
||||
.groups(1)
|
||||
.vetoedBy(ORGANISATION_NEARBY)
|
||||
.anchoredBy("стран"),
|
||||
|
||||
// --- Значения без якоря: принимаются только вместе с другими ПД ---
|
||||
|
||||
// ИНН физлица без якорного слова — только с верной контрольной суммой.
|
||||
Rule.of(INN, "\\b\\d{12}\\b", 62)
|
||||
.validatedBy(Validators::inn),
|
||||
|
||||
// Дата без якорного слова персональными данными сама по себе не является:
|
||||
// маскируется, только если в тексте есть ПД другого типа.
|
||||
Rule.of(DATE, DATE_ANY, 58)
|
||||
.validatedBy(Validators::date)
|
||||
);
|
||||
|
||||
/** Все типы ПД, которые умеет распознавать сервис. */
|
||||
public List<String> knownTypes() {
|
||||
return RULES.stream().map(Rule::type).distinct().toList();
|
||||
}
|
||||
collectNormalisedDigits(text, policy, found);
|
||||
return found;
|
||||
}
|
||||
|
||||
/**
|
||||
* Ищет цифровые ПД в свободной форме: последовательности цифр с произвольными разделителями,
|
||||
* которые жёсткие шаблоны правил пропустили. Разделители вычищаются, и чистая строка проверяется
|
||||
* контрольной суммой — ложные срабатывания отсекаются так же, как и в правилах.
|
||||
*/
|
||||
private static void collectNormalisedDigits(String text, SystemPolicy policy, List<Span> sink) {
|
||||
if (!policy.allows(PdTypes.CARD)
|
||||
&& !policy.allows(PdTypes.INN)
|
||||
&& !policy.allows(PdTypes.SNILS)
|
||||
&& !policy.allows(PdTypes.OGRN)
|
||||
&& !policy.allows(PdTypes.OGRNIP)) {
|
||||
return;
|
||||
}
|
||||
Matcher m = DIGIT_CLUSTER.matcher(text);
|
||||
while (m.find()) {
|
||||
String digits = NON_DIGIT.matcher(m.group()).replaceAll("");
|
||||
String type = typeFor(digits);
|
||||
if (type != null && policy.allows(type)) {
|
||||
sink.add(new Span(m.start(), m.end(), type, NORMALISED_PRIORITY));
|
||||
}
|
||||
}
|
||||
}
|
||||
|
||||
/**
|
||||
* Определяет тип ПД по чистой цифровой строке и контрольной сумме. Для 13 и 15 цифр сначала
|
||||
* пробуются ОГРН/ОГРНИП: они специфичнее карты по длине, и валидный ОГРН не должен случайно стать
|
||||
* номером карты (карта самостоятельна, ОГРН — только спутник, и одинокий ОГРН убирается в {@code
|
||||
* Pipeline}).
|
||||
*/
|
||||
private static String typeFor(String digits) {
|
||||
int length = digits.length();
|
||||
switch (length) {
|
||||
case 10, 12:
|
||||
return Validators.inn(digits) ? PdTypes.INN : null;
|
||||
case 11:
|
||||
return Validators.snils(digits) ? PdTypes.SNILS : null;
|
||||
case 13:
|
||||
return ogrnOrCard(digits);
|
||||
case 15:
|
||||
return ogrnipOrCard(digits);
|
||||
default:
|
||||
return cardIfLuhn(digits);
|
||||
}
|
||||
}
|
||||
|
||||
private static String ogrnOrCard(String digits) {
|
||||
if (Validators.ogrn(digits)) {
|
||||
return PdTypes.OGRN;
|
||||
}
|
||||
return Validators.luhn(digits) ? PdTypes.CARD : null;
|
||||
}
|
||||
|
||||
private static String ogrnipOrCard(String digits) {
|
||||
if (Validators.ogrnip(digits)) {
|
||||
return PdTypes.OGRNIP;
|
||||
}
|
||||
return Validators.luhn(digits) ? PdTypes.CARD : null;
|
||||
}
|
||||
|
||||
private static String cardIfLuhn(String digits) {
|
||||
if (digits.length() >= 13 && digits.length() <= 19 && Validators.luhn(digits)) {
|
||||
return PdTypes.CARD;
|
||||
}
|
||||
return null;
|
||||
}
|
||||
|
||||
private static void collect(Rule rule, String text, List<Span> sink) {
|
||||
Matcher m = rule.pattern().matcher(text);
|
||||
while (m.find()) {
|
||||
for (int group : rule.groups()) {
|
||||
int start = m.start(group);
|
||||
int end = m.end(group);
|
||||
if (isValidGroup(rule, text, start, end)) {
|
||||
sink.add(new Span(start, end, rule.type(), rule.priority()));
|
||||
/**
|
||||
* Находит все фрагменты ПД, разрешённые политикой системы.
|
||||
* Перекрытия здесь не разрешаются — это делает вызывающая сторона.
|
||||
*/
|
||||
public List<Span> detect(String text, SystemPolicy policy) {
|
||||
List<Span> found = new ArrayList<>();
|
||||
String lowercased = text.toLowerCase(Locale.ROOT);
|
||||
for (Rule rule : RULES) {
|
||||
if (!policy.allows(rule.type()) || !rule.mayMatch(lowercased)) {
|
||||
continue;
|
||||
}
|
||||
collect(rule, text, found);
|
||||
}
|
||||
}
|
||||
return found;
|
||||
}
|
||||
}
|
||||
|
||||
/**
|
||||
* Проверяет, что фрагмент группы проходит все условия правила: границы, валидатор, veto и
|
||||
* контекст.
|
||||
*/
|
||||
private static boolean isValidGroup(Rule rule, String text, int start, int end) {
|
||||
if (start < 0 || end <= start) {
|
||||
return false;
|
||||
private static void collect(Rule rule, String text, List<Span> sink) {
|
||||
Matcher m = rule.pattern().matcher(text);
|
||||
while (m.find()) {
|
||||
for (int group : rule.groups()) {
|
||||
int start = m.start(group);
|
||||
int end = m.end(group);
|
||||
if (start < 0 || end <= start) {
|
||||
continue;
|
||||
}
|
||||
if (rule.validator() != null && !rule.validator().test(text.substring(start, end))) {
|
||||
continue;
|
||||
}
|
||||
if (rule.veto() != null && rule.veto().matcher(surroundings(text, start, end)).find()) {
|
||||
continue;
|
||||
}
|
||||
if (rule.context() != null && !rule.context().matcher(surroundings(text, start, end)).find()) {
|
||||
continue;
|
||||
}
|
||||
sink.add(new Span(start, end, rule.type(), rule.priority()));
|
||||
}
|
||||
}
|
||||
}
|
||||
if (rule.validator() != null && !rule.validator().test(text.substring(start, end))) {
|
||||
return false;
|
||||
}
|
||||
String surroundings = surroundings(text, start, end);
|
||||
if (rule.veto() != null && rule.veto().matcher(surroundings).find()) {
|
||||
return false;
|
||||
}
|
||||
return rule.context() == null || rule.context().matcher(surroundings).find();
|
||||
}
|
||||
|
||||
static String surroundings(String text, int start, int end) {
|
||||
int from = Math.max(0, start - Rule.VETO_LOOKBEHIND);
|
||||
int to = Math.min(text.length(), end + Rule.VETO_LOOKAHEAD);
|
||||
return text.substring(from, to);
|
||||
}
|
||||
private static String surroundings(String text, int start, int end) {
|
||||
int from = Math.max(0, start - Rule.VETO_LOOKBEHIND);
|
||||
int to = Math.min(text.length(), end + Rule.VETO_LOOKAHEAD);
|
||||
return text.substring(from, to);
|
||||
}
|
||||
}
|
||||
|
||||
@@ -1,26 +0,0 @@
|
||||
package ru.pdguard.detect;
|
||||
|
||||
/**
|
||||
* Найденный фрагмент персональных данных в исходном тексте.
|
||||
*
|
||||
* @param start индекс первого символа (включительно)
|
||||
* @param end индекс за последним символом (исключительно)
|
||||
* @param type тип ПД, например {@code CARD} или {@code EMAIL}
|
||||
* @param priority приоритет при разрешении перекрытий: больше — важнее
|
||||
*/
|
||||
public record Span(int start, int end, String type, int priority) {
|
||||
|
||||
public Span {
|
||||
if (start < 0 || end <= start) {
|
||||
throw new IllegalArgumentException("Некорректные границы фрагмента: " + start + ".." + end);
|
||||
}
|
||||
}
|
||||
|
||||
public int length() {
|
||||
return end - start;
|
||||
}
|
||||
|
||||
public boolean overlaps(Span other) {
|
||||
return start < other.end && other.start < end;
|
||||
}
|
||||
}
|
||||
@@ -1,50 +1,77 @@
|
||||
package ru.pdguard.detect;
|
||||
|
||||
import java.io.BufferedReader;
|
||||
import java.io.IOException;
|
||||
import java.io.InputStream;
|
||||
import java.io.InputStreamReader;
|
||||
import java.io.UncheckedIOException;
|
||||
import java.nio.charset.StandardCharsets;
|
||||
import java.util.Locale;
|
||||
import java.util.Set;
|
||||
import java.util.stream.Collectors;
|
||||
|
||||
/**
|
||||
* Словарь населённых пунктов России — проверка того, что значение, пойманное правилом {@code
|
||||
* ADDRESS_CITY}, действительно похоже на существующий город, село, посёлок или другой населённый
|
||||
* пункт, а не на произвольное слово с заглавной буквы после якоря.
|
||||
* Словарь населённых пунктов России — проверка того, что значение, пойманное
|
||||
* правилом {@code ADDRESS_CITY}, действительно похоже на существующий город,
|
||||
* село, посёлок или другой населённый пункт, а не на произвольное слово с
|
||||
* заглавной буквы после якоря.
|
||||
*
|
||||
* <p>Не только официальные города (~1100 по классификатору): перепись добавляет сёла, деревни,
|
||||
* хутора, станицы — «рп. Ильинское», «с. Кукуево» из ТЗ находятся ровно за счёт неё. Какой
|
||||
* конкретно тип населённого пункта стоит перед названием, определяет якорь самого правила в {@link
|
||||
* RuleRegistry}, а не этот словарь — он только подтверждает, что название реальное.
|
||||
* <p>Не только официальные города (~1100 по классификатору): перепись
|
||||
* добавляет сёла, деревни, хутора, станицы — «рп. Ильинское», «с. Кукуево»
|
||||
* из ТЗ находятся ровно за счёт неё. Какой конкретно тип населённого пункта
|
||||
* стоит перед названием, определяет якорь самого правила в {@link RuleRegistry},
|
||||
* а не этот словарь — он только подтверждает, что название реальное.
|
||||
*
|
||||
* <p>Сравнение по началу слова, а не точным совпадением: падежные окончания («в Москве», «из
|
||||
* Казани») тем самым покрываются без отдельного разбора морфологии, как и у известных людей в
|
||||
* {@link NameDictionary}.
|
||||
* <p>Сравнение по началу слова, а не точным совпадением: падежные окончания
|
||||
* («в Москве», «из Казани») тем самым покрываются без отдельного разбора
|
||||
* морфологии, как и у известных людей в {@link NameDictionary}.
|
||||
*/
|
||||
public final class ToponymDictionary {
|
||||
|
||||
private static final Set<String> SETTLEMENT_STEMS =
|
||||
ResourceLoader.set("/names/settlements.txt").stream()
|
||||
.map(Declension::withoutInflectedEnding)
|
||||
.collect(java.util.stream.Collectors.toUnmodifiableSet());
|
||||
private static final Set<String> SETTLEMENT_STEMS = load("/names/settlements.txt").stream()
|
||||
.map(Declension::withoutInflectedEnding)
|
||||
.collect(Collectors.toUnmodifiableSet());
|
||||
|
||||
private ToponymDictionary() {}
|
||||
private ToponymDictionary() {
|
||||
}
|
||||
|
||||
/**
|
||||
* Похоже ли значение на название населённого пункта из словаря в любом падеже.
|
||||
*
|
||||
* <p>Названия на согласную склоняются добавлением окончания («Тамбов» → «Тамбове»), поэтому
|
||||
* начало слова из словаря — уже достаточный признак. Названия на гласную меняют последнюю букву
|
||||
* («Москва» → «Москве»), для них сравнение идёт по основе без неё — так же, как с личными именами
|
||||
* в {@link NameDictionary}.
|
||||
*
|
||||
* <p>Проверяются префиксы значения по множеству, а не каждая из ~80 000 основ по значению:
|
||||
* перебор списка на каждое совпадение правила был бы на порядки дороже, чем нужно — префиксов у
|
||||
* слова не больше, чем в нём букв.
|
||||
*/
|
||||
public static boolean isKnownSettlement(String value) {
|
||||
String lower = value.strip().toLowerCase(Locale.ROOT);
|
||||
for (int length = lower.length(); length > 0; length--) {
|
||||
if (SETTLEMENT_STEMS.contains(lower.substring(0, length))) {
|
||||
return true;
|
||||
}
|
||||
/**
|
||||
* Похоже ли значение на название населённого пункта из словаря в любом
|
||||
* падеже.
|
||||
*
|
||||
* <p>Названия на согласную склоняются добавлением окончания («Тамбов» →
|
||||
* «Тамбове»), поэтому начало слова из словаря — уже достаточный признак.
|
||||
* Названия на гласную меняют последнюю букву («Москва» → «Москве»), для
|
||||
* них сравнение идёт по основе без неё — так же, как с личными именами
|
||||
* в {@link NameDictionary}.
|
||||
*
|
||||
* <p>Проверяются префиксы значения по множеству, а не каждая из ~80 000
|
||||
* основ по значению: перебор списка на каждое совпадение правила был бы
|
||||
* на порядки дороже, чем нужно — префиксов у слова не больше, чем в нём букв.
|
||||
*/
|
||||
public static boolean isKnownSettlement(String value) {
|
||||
String lower = value.strip().toLowerCase(Locale.ROOT);
|
||||
for (int length = lower.length(); length > 0; length--) {
|
||||
if (SETTLEMENT_STEMS.contains(lower.substring(0, length))) {
|
||||
return true;
|
||||
}
|
||||
}
|
||||
return false;
|
||||
}
|
||||
|
||||
private static Set<String> load(String resource) {
|
||||
try (InputStream in = ToponymDictionary.class.getResourceAsStream(resource)) {
|
||||
if (in == null) {
|
||||
throw new IllegalStateException("Словарь не найден в сборке: " + resource);
|
||||
}
|
||||
try (BufferedReader reader = new BufferedReader(new InputStreamReader(in, StandardCharsets.UTF_8))) {
|
||||
return reader.lines()
|
||||
.map(String::trim)
|
||||
.filter(line -> !line.isEmpty() && !line.startsWith("#"))
|
||||
.collect(Collectors.toUnmodifiableSet());
|
||||
}
|
||||
} catch (IOException e) {
|
||||
throw new UncheckedIOException("Не удалось прочитать словарь " + resource, e);
|
||||
}
|
||||
}
|
||||
return false;
|
||||
}
|
||||
}
|
||||
|
||||
@@ -1,191 +1,151 @@
|
||||
package ru.pdguard.detect;
|
||||
|
||||
/**
|
||||
* Проверки контрольных сумм. Отсекают случайные числовые последовательности, которые по форме
|
||||
* похожи на ПД, но ими не являются.
|
||||
* Проверки контрольных сумм. Отсекают случайные числовые последовательности,
|
||||
* которые по форме похожи на ПД, но ими не являются.
|
||||
*/
|
||||
public final class Validators {
|
||||
|
||||
private static final int[] INN_10 = {2, 4, 10, 3, 5, 9, 4, 6, 8};
|
||||
private static final int[] INN_12_A = {7, 2, 4, 10, 3, 5, 9, 4, 6, 8};
|
||||
private static final int[] INN_12_B = {3, 7, 2, 4, 10, 3, 5, 9, 4, 6, 8};
|
||||
private static final int[] INN_10 = {2, 4, 10, 3, 5, 9, 4, 6, 8};
|
||||
private static final int[] INN_12_A = {7, 2, 4, 10, 3, 5, 9, 4, 6, 8};
|
||||
private static final int[] INN_12_B = {3, 7, 2, 4, 10, 3, 5, 9, 4, 6, 8};
|
||||
|
||||
private Validators() {}
|
||||
private Validators() {
|
||||
}
|
||||
|
||||
/** Алгоритм Луна: номер платёжной карты, 13–19 цифр. */
|
||||
public static boolean luhn(String value) {
|
||||
int sum = 0;
|
||||
int digits = 0;
|
||||
boolean doubled = false;
|
||||
for (int i = value.length() - 1; i >= 0; i--) {
|
||||
char c = value.charAt(i);
|
||||
if (!Character.isDigit(c)) {
|
||||
continue;
|
||||
}
|
||||
int d = c - '0';
|
||||
digits++;
|
||||
if (doubled) {
|
||||
d *= 2;
|
||||
if (d > 9) {
|
||||
d -= 9;
|
||||
/** Алгоритм Луна: номер платёжной карты, 13–19 цифр. */
|
||||
public static boolean luhn(String value) {
|
||||
int sum = 0;
|
||||
int digits = 0;
|
||||
boolean doubled = false;
|
||||
for (int i = value.length() - 1; i >= 0; i--) {
|
||||
char c = value.charAt(i);
|
||||
if (!Character.isDigit(c)) {
|
||||
continue;
|
||||
}
|
||||
int d = c - '0';
|
||||
digits++;
|
||||
if (doubled) {
|
||||
d *= 2;
|
||||
if (d > 9) {
|
||||
d -= 9;
|
||||
}
|
||||
}
|
||||
sum += d;
|
||||
doubled = !doubled;
|
||||
}
|
||||
}
|
||||
sum += d;
|
||||
doubled = !doubled;
|
||||
return digits >= 13 && digits <= 19 && sum % 10 == 0;
|
||||
}
|
||||
return digits >= 13 && digits <= 19 && sum % 10 == 0;
|
||||
}
|
||||
|
||||
/**
|
||||
* Контрольная цифра Луна для последовательности цифр: дописывается к телу номера, чтобы весь
|
||||
* номер прошёл проверку {@link #luhn}. Используется при генерации правдоподобных подставных
|
||||
* номеров карт.
|
||||
*/
|
||||
public static int luhnCheckDigit(String body) {
|
||||
int sum = 0;
|
||||
boolean doubled = true;
|
||||
for (int i = body.length() - 1; i >= 0; i--) {
|
||||
int d = body.charAt(i) - '0';
|
||||
if (doubled) {
|
||||
d *= 2;
|
||||
if (d > 9) {
|
||||
d -= 9;
|
||||
/** Контрольная сумма ИНН: 10 знаков у юрлица, 12 у физлица. */
|
||||
public static boolean inn(String value) {
|
||||
int[] d = digits(value);
|
||||
if (d.length == 10) {
|
||||
return d[9] == checksum(d, INN_10);
|
||||
}
|
||||
if (d.length == 12) {
|
||||
return d[10] == checksum(d, INN_12_A) && d[11] == checksum(d, INN_12_B);
|
||||
}
|
||||
}
|
||||
sum += d;
|
||||
doubled = !doubled;
|
||||
}
|
||||
return (10 - sum % 10) % 10;
|
||||
}
|
||||
|
||||
/** Контрольная сумма ИНН: 10 знаков у юрлица, 12 у физлица. */
|
||||
public static boolean inn(String value) {
|
||||
int[] d = digits(value);
|
||||
if (d.length == 10) {
|
||||
return d[9] == checksum(d, INN_10);
|
||||
}
|
||||
if (d.length == 12) {
|
||||
return d[10] == checksum(d, INN_12_A) && d[11] == checksum(d, INN_12_B);
|
||||
}
|
||||
return false;
|
||||
}
|
||||
|
||||
/** Контрольная сумма СНИЛС: 11 знаков, последние два — контрольные. */
|
||||
public static boolean snils(String value) {
|
||||
int[] d = digits(value);
|
||||
if (d.length != 11) {
|
||||
return false;
|
||||
}
|
||||
int sum = 0;
|
||||
for (int i = 0; i < 9; i++) {
|
||||
sum += d[i] * (9 - i);
|
||||
}
|
||||
int control = snilsControl(sum);
|
||||
return control == d[9] * 10 + d[10];
|
||||
}
|
||||
|
||||
/** Контрольное число СНИЛС по сумме первых девяти цифр. */
|
||||
private static int snilsControl(int sum) {
|
||||
if (sum < 100) {
|
||||
return sum;
|
||||
}
|
||||
if (sum == 100 || sum == 101) {
|
||||
return 0;
|
||||
}
|
||||
return sum % 101 % 100;
|
||||
}
|
||||
|
||||
/** Контрольная сумма ОГРН: первые 12 цифр по модулю 11, младший разряд — 13-я цифра. */
|
||||
public static boolean ogrn(String value) {
|
||||
int[] d = digits(value);
|
||||
return d.length == 13 && d[12] == modReduce(d, 12, 11);
|
||||
}
|
||||
|
||||
/** Контрольная сумма ОГРНИП: первые 14 цифр по модулю 13, младший разряд — 15-я цифра. */
|
||||
public static boolean ogrnip(String value) {
|
||||
int[] d = digits(value);
|
||||
return d.length == 15 && d[14] == modReduce(d, 14, 13);
|
||||
}
|
||||
|
||||
/**
|
||||
* Остаток от деления первых {@code count} цифр как одного числа на {@code divisor}, взятый по
|
||||
* младшему разряду. Числовое накопление по цифрам, а не парсинг строки в {@code long}: у ОГРНИП
|
||||
* 14 цифр — на грани переполнения {@code int}, и это тот же приём, что уже применяется к самой
|
||||
* длинной последовательности в {@link #luhn}.
|
||||
*/
|
||||
private static int modReduce(int[] d, int count, int divisor) {
|
||||
long remainder = 0;
|
||||
for (int i = 0; i < count; i++) {
|
||||
remainder = (remainder * 10 + d[i]) % divisor;
|
||||
}
|
||||
return (int) (remainder % 10);
|
||||
}
|
||||
|
||||
/**
|
||||
* Дата в числовой записи при любом порядке частей: {@code 12.05.1985}, {@code 05/12/1985}, {@code
|
||||
* 1985-05-12}, {@code 15 03 1990}, а также день и месяц без года: {@code 15 03}, {@code 15/03}.
|
||||
* Отсекает похожие по форме последовательности вроде {@code 192.168.1}.
|
||||
*/
|
||||
public static boolean date(String value) {
|
||||
// Запись с названием месяца словом в дополнительной проверке не нуждается:
|
||||
// «мая» само по себе однозначно указывает на дату.
|
||||
for (int i = 0; i < value.length(); i++) {
|
||||
if (Character.isLetter(value.charAt(i))) {
|
||||
return true;
|
||||
}
|
||||
}
|
||||
String[] parts = value.split("[.\\-/\\s]+");
|
||||
if (parts.length == 2) {
|
||||
return dayAndMonth(Integer.parseInt(parts[0]), Integer.parseInt(parts[1]));
|
||||
}
|
||||
if (parts.length != 3) {
|
||||
return false;
|
||||
}
|
||||
return threePartDate(parts);
|
||||
}
|
||||
|
||||
/** {@code 12.05.1985}, {@code 1985-05-12}, {@code 15 03 90} — дата из трёх чисел. */
|
||||
private static boolean threePartDate(String[] parts) {
|
||||
int[] n = new int[3];
|
||||
for (int i = 0; i < 3; i++) {
|
||||
if (parts[i].isEmpty() || parts[i].length() > 4) {
|
||||
return false;
|
||||
}
|
||||
n[i] = Integer.parseInt(parts[i]);
|
||||
}
|
||||
for (int y = 0; y < 3; y++) {
|
||||
if (parts[y].length() == 4) {
|
||||
return n[y] >= 1900 && n[y] <= 2100 && dayAndMonth(n[(y + 1) % 3], n[(y + 2) % 3]);
|
||||
}
|
||||
}
|
||||
// Год записан двумя цифрами: достаточно, чтобы день и месяц нашлись в любой паре.
|
||||
return dayAndMonth(n[0], n[1]) || dayAndMonth(n[1], n[2]) || dayAndMonth(n[0], n[2]);
|
||||
}
|
||||
|
||||
/** Пара чисел похожа на «день и месяц» в любом порядке. */
|
||||
private static boolean dayAndMonth(int a, int b) {
|
||||
return (a >= 1 && a <= 31 && b >= 1 && b <= 12) || (b >= 1 && b <= 31 && a >= 1 && a <= 12);
|
||||
}
|
||||
|
||||
private static int checksum(int[] d, int[] weights) {
|
||||
int sum = 0;
|
||||
for (int i = 0; i < weights.length; i++) {
|
||||
sum += d[i] * weights[i];
|
||||
/** Контрольная сумма СНИЛС: 11 знаков, последние два — контрольные. */
|
||||
public static boolean snils(String value) {
|
||||
int[] d = digits(value);
|
||||
if (d.length != 11) {
|
||||
return false;
|
||||
}
|
||||
int sum = 0;
|
||||
for (int i = 0; i < 9; i++) {
|
||||
sum += d[i] * (9 - i);
|
||||
}
|
||||
int control = sum < 100 ? sum : (sum == 100 || sum == 101 ? 0 : sum % 101 % 100);
|
||||
return control == d[9] * 10 + d[10];
|
||||
}
|
||||
return sum % 11 % 10;
|
||||
}
|
||||
|
||||
private static int[] digits(String value) {
|
||||
int[] out = new int[value.length()];
|
||||
int n = 0;
|
||||
for (int i = 0; i < value.length(); i++) {
|
||||
char c = value.charAt(i);
|
||||
if (Character.isDigit(c)) {
|
||||
out[n++] = c - '0';
|
||||
}
|
||||
/** Контрольная сумма ОГРН: первые 12 цифр по модулю 11, младший разряд — 13-я цифра. */
|
||||
public static boolean ogrn(String value) {
|
||||
int[] d = digits(value);
|
||||
return d.length == 13 && d[12] == modReduce(d, 12, 11);
|
||||
}
|
||||
|
||||
/** Контрольная сумма ОГРНИП: первые 14 цифр по модулю 13, младший разряд — 15-я цифра. */
|
||||
public static boolean ogrnip(String value) {
|
||||
int[] d = digits(value);
|
||||
return d.length == 15 && d[14] == modReduce(d, 14, 13);
|
||||
}
|
||||
|
||||
/**
|
||||
* Остаток от деления первых {@code count} цифр как одного числа на {@code divisor},
|
||||
* взятый по младшему разряду. Числовое накопление по цифрам, а не парсинг строки
|
||||
* в {@code long}: у ОГРНИП 14 цифр — на грани переполнения {@code int}, и это тот же
|
||||
* приём, что уже применяется к самой длинной последовательности в {@link #luhn}.
|
||||
*/
|
||||
private static int modReduce(int[] d, int count, int divisor) {
|
||||
long remainder = 0;
|
||||
for (int i = 0; i < count; i++) {
|
||||
remainder = (remainder * 10 + d[i]) % divisor;
|
||||
}
|
||||
return (int) (remainder % 10);
|
||||
}
|
||||
|
||||
/**
|
||||
* Дата в числовой записи при любом порядке частей: {@code 12.05.1985},
|
||||
* {@code 05/12/1985}, {@code 1985-05-12}. Отсекает похожие по форме
|
||||
* последовательности вроде {@code 192.168.1}.
|
||||
*/
|
||||
public static boolean date(String value) {
|
||||
// Запись с названием месяца словом в дополнительной проверке не нуждается:
|
||||
// «мая» само по себе однозначно указывает на дату.
|
||||
for (int i = 0; i < value.length(); i++) {
|
||||
if (Character.isLetter(value.charAt(i))) {
|
||||
return true;
|
||||
}
|
||||
}
|
||||
String[] parts = value.split("[.\\-/]");
|
||||
if (parts.length != 3) {
|
||||
return false;
|
||||
}
|
||||
int[] n = new int[3];
|
||||
for (int i = 0; i < 3; i++) {
|
||||
if (parts[i].isEmpty() || parts[i].length() > 4) {
|
||||
return false;
|
||||
}
|
||||
n[i] = Integer.parseInt(parts[i]);
|
||||
}
|
||||
for (int y = 0; y < 3; y++) {
|
||||
if (parts[y].length() == 4) {
|
||||
return n[y] >= 1900 && n[y] <= 2100 && dayAndMonth(n[(y + 1) % 3], n[(y + 2) % 3]);
|
||||
}
|
||||
}
|
||||
// Год записан двумя цифрами: достаточно, чтобы день и месяц нашлись в любой паре.
|
||||
return dayAndMonth(n[0], n[1]) || dayAndMonth(n[1], n[2]) || dayAndMonth(n[0], n[2]);
|
||||
}
|
||||
|
||||
/** Пара чисел похожа на «день и месяц» в любом порядке. */
|
||||
private static boolean dayAndMonth(int a, int b) {
|
||||
return (a >= 1 && a <= 31 && b >= 1 && b <= 12) || (b >= 1 && b <= 31 && a >= 1 && a <= 12);
|
||||
}
|
||||
|
||||
private static int checksum(int[] d, int[] weights) {
|
||||
int sum = 0;
|
||||
for (int i = 0; i < weights.length; i++) {
|
||||
sum += d[i] * weights[i];
|
||||
}
|
||||
return sum % 11 % 10;
|
||||
}
|
||||
|
||||
private static int[] digits(String value) {
|
||||
int[] out = new int[value.length()];
|
||||
int n = 0;
|
||||
for (int i = 0; i < value.length(); i++) {
|
||||
char c = value.charAt(i);
|
||||
if (Character.isDigit(c)) {
|
||||
out[n++] = c - '0';
|
||||
}
|
||||
}
|
||||
int[] trimmed = new int[n];
|
||||
System.arraycopy(out, 0, trimmed, 0, n);
|
||||
return trimmed;
|
||||
}
|
||||
int[] trimmed = new int[n];
|
||||
System.arraycopy(out, 0, trimmed, 0, n);
|
||||
return trimmed;
|
||||
}
|
||||
}
|
||||
|
||||
@@ -1,178 +0,0 @@
|
||||
package ru.pdguard.detect;
|
||||
|
||||
import com.fasterxml.jackson.databind.JsonNode;
|
||||
import com.fasterxml.jackson.databind.ObjectMapper;
|
||||
import java.io.BufferedReader;
|
||||
import java.io.IOException;
|
||||
import java.io.InputStreamReader;
|
||||
import java.nio.charset.StandardCharsets;
|
||||
import java.nio.file.Files;
|
||||
import java.nio.file.Path;
|
||||
import java.util.ArrayList;
|
||||
import java.util.HashMap;
|
||||
import java.util.Iterator;
|
||||
import java.util.List;
|
||||
import java.util.Map;
|
||||
|
||||
/**
|
||||
* Разбиение текста на подслова так, как это делает токенизатор BERT.
|
||||
*
|
||||
* <p>Своя реализация вместо готовой библиотеки: единственная альтернатива на Java подтягивает
|
||||
* нативные библиотеки во время работы, а контейнер должен подниматься без обращений в сеть. Правила
|
||||
* здесь простые и целиком описаны форматом словаря: разбить по пробелам и знакам препинания, затем
|
||||
* каждое слово — жадно по самой длинной подходящей записи словаря, продолжения помечаются префиксом
|
||||
* «##».
|
||||
*
|
||||
* <p>Для каждого подслова сохраняются границы в исходном тексте: без них разметку модели не
|
||||
* перенести обратно на строку.
|
||||
*/
|
||||
final class WordPiece {
|
||||
|
||||
/** Слово длиннее этого целиком заменяется на «неизвестно» — правило BERT. */
|
||||
private static final int MAX_WORD_CHARS = 100;
|
||||
|
||||
private static final String CONTINUATION = "##";
|
||||
|
||||
/** Подслово и его границы в исходном тексте. */
|
||||
record Piece(int id, int start, int end) {}
|
||||
|
||||
private final Map<String, Integer> vocabulary;
|
||||
private final int unknownId;
|
||||
private final int classifyId;
|
||||
private final int separatorId;
|
||||
|
||||
private WordPiece(Map<String, Integer> vocabulary) {
|
||||
this.vocabulary = vocabulary;
|
||||
this.unknownId = required(vocabulary, "[UNK]");
|
||||
this.classifyId = required(vocabulary, "[CLS]");
|
||||
this.separatorId = required(vocabulary, "[SEP]");
|
||||
}
|
||||
|
||||
static WordPiece fromVocabulary(Path vocabularyFile) throws IOException {
|
||||
Map<String, Integer> vocabulary = HashMap.newHashMap(140_000);
|
||||
try (BufferedReader reader =
|
||||
new BufferedReader(
|
||||
new InputStreamReader(Files.newInputStream(vocabularyFile), StandardCharsets.UTF_8))) {
|
||||
String line;
|
||||
int index = 0;
|
||||
while ((line = reader.readLine()) != null) {
|
||||
vocabulary.putIfAbsent(line.strip(), index++);
|
||||
}
|
||||
}
|
||||
return new WordPiece(vocabulary);
|
||||
}
|
||||
|
||||
/**
|
||||
* Читает словарь из {@code tokenizer.json} Hugging Face. Некоторые модели (например, WikiNEuRal)
|
||||
* не кладут отдельный {@code vocab.txt}, а хранят словарь внутри токенизатора.
|
||||
*/
|
||||
static WordPiece fromTokenizerJson(Path tokenizerFile) throws IOException {
|
||||
JsonNode root = new ObjectMapper().readTree(Files.readAllBytes(tokenizerFile));
|
||||
JsonNode vocab = root.path("model").path("vocab");
|
||||
Map<String, Integer> vocabulary = HashMap.newHashMap(vocab.size());
|
||||
Iterator<Map.Entry<String, JsonNode>> fields = vocab.fields();
|
||||
while (fields.hasNext()) {
|
||||
Map.Entry<String, JsonNode> entry = fields.next();
|
||||
vocabulary.putIfAbsent(entry.getKey(), entry.getValue().asInt());
|
||||
}
|
||||
return new WordPiece(vocabulary);
|
||||
}
|
||||
|
||||
int classifyId() {
|
||||
return classifyId;
|
||||
}
|
||||
|
||||
int separatorId() {
|
||||
return separatorId;
|
||||
}
|
||||
|
||||
/** Подслова текста в порядке следования; служебные токены сюда не входят. */
|
||||
List<Piece> split(String text, int maxPieces) {
|
||||
List<Piece> pieces = new ArrayList<>();
|
||||
for (int[] word : words(text)) {
|
||||
if (pieces.size() >= maxPieces) {
|
||||
break;
|
||||
}
|
||||
splitWord(text, word[0], word[1], pieces, maxPieces);
|
||||
}
|
||||
return pieces;
|
||||
}
|
||||
|
||||
/**
|
||||
* Границы слов: разделителями считаются пробельные символы и знаки препинания, причём знак
|
||||
* препинания сам становится отдельным словом.
|
||||
*/
|
||||
private static List<int[]> words(String text) {
|
||||
List<int[]> result = new ArrayList<>();
|
||||
int start = -1;
|
||||
for (int i = 0; i < text.length(); i++) {
|
||||
char c = text.charAt(i);
|
||||
boolean separator = Character.isWhitespace(c) || isPunctuation(c);
|
||||
if (separator) {
|
||||
if (start >= 0) {
|
||||
result.add(new int[] {start, i});
|
||||
start = -1;
|
||||
}
|
||||
if (isPunctuation(c)) {
|
||||
result.add(new int[] {i, i + 1});
|
||||
}
|
||||
} else if (start < 0) {
|
||||
start = i;
|
||||
}
|
||||
}
|
||||
if (start >= 0) {
|
||||
result.add(new int[] {start, text.length()});
|
||||
}
|
||||
return result;
|
||||
}
|
||||
|
||||
private static boolean isPunctuation(char c) {
|
||||
if (Character.isLetterOrDigit(c)) {
|
||||
return false;
|
||||
}
|
||||
return !Character.isWhitespace(c);
|
||||
}
|
||||
|
||||
private void splitWord(String text, int from, int to, List<Piece> sink, int maxPieces) {
|
||||
if (to - from > MAX_WORD_CHARS) {
|
||||
sink.add(new Piece(unknownId, from, to));
|
||||
return;
|
||||
}
|
||||
int cursor = from;
|
||||
List<Piece> ofThisWord = new ArrayList<>();
|
||||
while (cursor < to) {
|
||||
int end = to;
|
||||
Integer id = null;
|
||||
while (end > cursor) {
|
||||
String candidate = text.substring(cursor, end);
|
||||
String lookup = cursor == from ? candidate : CONTINUATION + candidate;
|
||||
id = vocabulary.get(lookup);
|
||||
if (id != null) {
|
||||
break;
|
||||
}
|
||||
end--;
|
||||
}
|
||||
if (id == null) {
|
||||
// Ни одна часть слова не нашлась — слово целиком неизвестно.
|
||||
sink.add(new Piece(unknownId, from, to));
|
||||
return;
|
||||
}
|
||||
ofThisWord.add(new Piece(id, cursor, end));
|
||||
cursor = end;
|
||||
}
|
||||
for (Piece piece : ofThisWord) {
|
||||
if (sink.size() >= maxPieces) {
|
||||
return;
|
||||
}
|
||||
sink.add(piece);
|
||||
}
|
||||
}
|
||||
|
||||
private static int required(Map<String, Integer> vocabulary, String token) {
|
||||
Integer id = vocabulary.get(token);
|
||||
if (id == null) {
|
||||
throw new IllegalStateException("В словаре нет служебного токена " + token);
|
||||
}
|
||||
return id;
|
||||
}
|
||||
}
|
||||
@@ -1,47 +1,33 @@
|
||||
package ru.pdguard.mask;
|
||||
|
||||
import java.util.HashMap;
|
||||
import java.util.LinkedHashMap;
|
||||
import java.util.Map;
|
||||
import java.util.function.BiFunction;
|
||||
|
||||
/**
|
||||
* Состояние одной операции маскирования.
|
||||
*
|
||||
* <p>Одинаковые значения в пределах запроса получают одинаковую замену: если клиент упомянут
|
||||
* дважды, в тексте дважды окажется {@code [FIO_1]}, и смысл запроса для модели сохранится.
|
||||
* <p>Одинаковые значения в пределах запроса получают одинаковую замену: если
|
||||
* клиент упомянут дважды, в тексте дважды окажется {@code [FIO_1]}, и смысл
|
||||
* запроса для модели сохранится.
|
||||
*
|
||||
* <p>Экземпляр живёт в рамках одного вызова и между потоками не разделяется.
|
||||
*/
|
||||
public final class MaskContext {
|
||||
|
||||
/** Разделитель ключа; в названии типа ПД этот знак не встречается. */
|
||||
private static final char SEPARATOR = '#';
|
||||
/** Разделитель ключа; в названии типа ПД этот знак не встречается. */
|
||||
private static final char SEPARATOR = '#';
|
||||
|
||||
private final Map<String, String> assigned = new HashMap<>();
|
||||
private final Map<String, Integer> counters = new HashMap<>();
|
||||
private final Map<String, String> restorations = new LinkedHashMap<>();
|
||||
private final Map<String, String> assigned = new HashMap<>();
|
||||
private final Map<String, Integer> counters = new HashMap<>();
|
||||
|
||||
/**
|
||||
* Замена для значения; при повторе возвращается ранее выданная.
|
||||
*
|
||||
* @param factory получает тип ПД и порядковый номер значения этого типа
|
||||
*/
|
||||
public String resolve(String type, String value, BiFunction<String, Integer, String> factory) {
|
||||
return assigned.computeIfAbsent(
|
||||
type + SEPARATOR + value,
|
||||
key -> {
|
||||
String replacement = factory.apply(type, counters.merge(type, 1, Integer::sum));
|
||||
restorations.put(replacement, value);
|
||||
return replacement;
|
||||
});
|
||||
}
|
||||
|
||||
/**
|
||||
* Чем заменять обратно: подстановка к исходному значению. Нужно там, где текст возвращается не
|
||||
* целиком, а изменённым — например, в ответе языковой модели.
|
||||
*/
|
||||
public Map<String, String> restorations() {
|
||||
return Map.copyOf(restorations);
|
||||
}
|
||||
/**
|
||||
* Замена для значения; при повторе возвращается ранее выданная.
|
||||
*
|
||||
* @param factory получает тип ПД и порядковый номер значения этого типа
|
||||
*/
|
||||
public String resolve(String type, String value, BiFunction<String, Integer, String> factory) {
|
||||
return assigned.computeIfAbsent(type + SEPARATOR + value,
|
||||
key -> factory.apply(type, counters.merge(type, 1, Integer::sum)));
|
||||
}
|
||||
}
|
||||
|
||||
@@ -3,20 +3,12 @@ package ru.pdguard.mask;
|
||||
/** Чем заменяется найденное значение. Выбирается настройками системы-потребителя. */
|
||||
public enum MaskMode {
|
||||
|
||||
/** Звёздочки с сохранением длины и разделителей: {@code 45** ****56}. */
|
||||
MASK,
|
||||
/** Звёздочки с сохранением длины и разделителей: {@code 45** ****56}. */
|
||||
MASK,
|
||||
|
||||
/**
|
||||
* Звёздочки без исключений: каждый тип закрывается целиком, даже те, что в {@link #MASK} частично
|
||||
* открыты (края номера) или превращаются в инициалы (ФИО {@code Иванов Иван Иванович} → {@code
|
||||
* ******* **** *********}, не {@code И. И. И.} — инициалы всё ещё выдают число слов и первую
|
||||
* букву каждого).
|
||||
*/
|
||||
STRICT,
|
||||
/** Порядковый токен: {@code [FIO_1]}. Компактно и однозначно обратимо. */
|
||||
TOKEN,
|
||||
|
||||
/** Порядковый токен: {@code [FIO_1]}. Компактно и однозначно обратимо. */
|
||||
TOKEN,
|
||||
|
||||
/** Правдоподобная подстановка: вместо настоящего имени — вымышленное. */
|
||||
SYNTHETIC
|
||||
/** Правдоподобная подстановка: вместо настоящего имени — вымышленное. */
|
||||
SYNTHETIC
|
||||
}
|
||||
|
||||
@@ -1,81 +1,80 @@
|
||||
package ru.pdguard.mask;
|
||||
|
||||
import jakarta.enterprise.context.ApplicationScoped;
|
||||
import ru.pdguard.detect.RuleRegistry;
|
||||
|
||||
import java.util.Map;
|
||||
import java.util.function.UnaryOperator;
|
||||
import org.springframework.stereotype.Component;
|
||||
import ru.pdguard.detect.PdTypes;
|
||||
|
||||
/**
|
||||
* Превращает найденное значение в замену согласно настройкам системы.
|
||||
*
|
||||
* <p>Тип, для которого вид маски не задан, скрывается звёздочками целиком — безопасное поведение по
|
||||
* умолчанию для вновь добавленных правил.
|
||||
* <p>Тип, для которого вид маски не задан, скрывается звёздочками целиком —
|
||||
* безопасное поведение по умолчанию для вновь добавленных правил.
|
||||
*/
|
||||
@Component
|
||||
@ApplicationScoped
|
||||
public class Masker {
|
||||
|
||||
private static final UnaryOperator<String> EDGES = v -> Strategies.keepEdges(v, 2, 2);
|
||||
private static final UnaryOperator<String> SHORT_SERIES = v -> Strategies.keepEdges(v, 0, 2);
|
||||
private static final UnaryOperator<String> EDGES = v -> Strategies.keepEdges(v, 2, 2);
|
||||
private static final UnaryOperator<String> SHORT_SERIES = v -> Strategies.keepEdges(v, 0, 2);
|
||||
|
||||
private static final Map<String, UnaryOperator<String>> BY_TYPE =
|
||||
Map.ofEntries(
|
||||
Map.entry(PdTypes.EMAIL, Strategies::email),
|
||||
Map.entry(PdTypes.PHONE, EDGES),
|
||||
Map.entry(PdTypes.CARD, EDGES),
|
||||
Map.entry(PdTypes.INN, EDGES),
|
||||
Map.entry(PdTypes.SNILS, EDGES),
|
||||
Map.entry(PdTypes.PASSPORT, EDGES),
|
||||
Map.entry(PdTypes.DRIVER_LICENSE, EDGES),
|
||||
Map.entry(PdTypes.DEPT_CODE, EDGES),
|
||||
// У этих документов серия короткая — две цифры или две буквы. Оставь мы
|
||||
// первые два знака, серия оказалась бы открыта целиком, поэтому видны
|
||||
// только последние. У паспорта РФ и водительского удостоверения серия
|
||||
// из четырёх знаков, там открывается половина.
|
||||
Map.entry(PdTypes.FOREIGN_PASSPORT, SHORT_SERIES),
|
||||
Map.entry(PdTypes.MILITARY_ID, SHORT_SERIES),
|
||||
Map.entry(PdTypes.BIRTH_CERTIFICATE, SHORT_SERIES),
|
||||
Map.entry(PdTypes.MEDICAL_POLICY, EDGES),
|
||||
Map.entry(PdTypes.CARDHOLDER, Strategies::initials),
|
||||
Map.entry(PdTypes.FIO, Strategies::initials),
|
||||
private static final Map<String, UnaryOperator<String>> BY_TYPE = Map.ofEntries(
|
||||
Map.entry(RuleRegistry.EMAIL, Strategies::email),
|
||||
Map.entry(RuleRegistry.PHONE, EDGES),
|
||||
Map.entry(RuleRegistry.CARD, EDGES),
|
||||
Map.entry(RuleRegistry.INN, EDGES),
|
||||
Map.entry(RuleRegistry.SNILS, EDGES),
|
||||
Map.entry(RuleRegistry.PASSPORT, EDGES),
|
||||
Map.entry(RuleRegistry.DRIVER_LICENSE, EDGES),
|
||||
Map.entry(RuleRegistry.DEPT_CODE, EDGES),
|
||||
// У этих документов серия короткая — две цифры или две буквы. Оставь мы
|
||||
// первые два знака, серия оказалась бы открыта целиком, поэтому видны
|
||||
// только последние. У паспорта РФ и водительского удостоверения серия
|
||||
// из четырёх знаков, там открывается половина.
|
||||
Map.entry(RuleRegistry.FOREIGN_PASSPORT, SHORT_SERIES),
|
||||
Map.entry(RuleRegistry.MILITARY_ID, SHORT_SERIES),
|
||||
Map.entry(RuleRegistry.BIRTH_CERTIFICATE, SHORT_SERIES),
|
||||
Map.entry(RuleRegistry.MEDICAL_POLICY, EDGES),
|
||||
Map.entry(RuleRegistry.CARDHOLDER, Strategies::initials),
|
||||
Map.entry(RuleRegistry.FIO, Strategies::initials),
|
||||
|
||||
// Код проверки и пин-код не показываем даже частично: у них слишком
|
||||
// мало знаков, чтобы открывать хотя бы один.
|
||||
Map.entry(PdTypes.CVV, Strategies::stars),
|
||||
Map.entry(PdTypes.PIN, Strategies::stars),
|
||||
Map.entry(PdTypes.PASSPORT_ISSUER, Strategies::stars),
|
||||
// Код проверки и пин-код не показываем даже частично: у них слишком
|
||||
// мало знаков, чтобы открывать хотя бы один.
|
||||
Map.entry(RuleRegistry.CVV, Strategies::stars),
|
||||
Map.entry(RuleRegistry.PIN, Strategies::stars),
|
||||
|
||||
// У дат сохраняем разделители: модель видит, что это дата, но не какая.
|
||||
Map.entry(PdTypes.BIRTH_DATE, Strategies::starsKeepingPunctuation),
|
||||
Map.entry(PdTypes.PASSPORT_DATE, Strategies::starsKeepingPunctuation),
|
||||
Map.entry(PdTypes.DATE, Strategies::starsKeepingPunctuation),
|
||||
Map.entry(PdTypes.ADDRESS_COUNTRY, Strategies::stars),
|
||||
Map.entry(PdTypes.ADDRESS_POSTCODE, Strategies::stars),
|
||||
Map.entry(PdTypes.ADDRESS_CITY, Strategies::stars),
|
||||
Map.entry(PdTypes.ADDRESS_STREET, Strategies::stars),
|
||||
Map.entry(PdTypes.ADDRESS_HOUSE, Strategies::stars),
|
||||
Map.entry(PdTypes.ADDRESS_FLAT, Strategies::stars),
|
||||
Map.entry(PdTypes.ADDRESS_REGION, Strategies::stars),
|
||||
Map.entry(PdTypes.ADDRESS_DISTRICT, Strategies::stars),
|
||||
Map.entry(PdTypes.BIRTH_PLACE, Strategies::stars),
|
||||
Map.entry(PdTypes.CITIZENSHIP, Strategies::stars),
|
||||
Map.entry(PdTypes.ACCOUNT_NUMBER, EDGES),
|
||||
Map.entry(PdTypes.OGRN, EDGES),
|
||||
Map.entry(PdTypes.OGRNIP, EDGES),
|
||||
Map.entry(PdTypes.KPP, EDGES),
|
||||
// Срок действия карты — разделитель виден, сам месяц/год нет.
|
||||
Map.entry(PdTypes.CARD_EXPIRY, Strategies::starsKeepingPunctuation),
|
||||
Map.entry(PdTypes.BIK, Strategies::stars),
|
||||
Map.entry(PdTypes.INCOME, Strategies::stars),
|
||||
Map.entry(PdTypes.BIOMETRIC, Strategies::stars));
|
||||
Map.entry(RuleRegistry.PASSPORT_ISSUER, Strategies::stars),
|
||||
|
||||
public String mask(String type, String value, MaskMode mode, MaskContext context) {
|
||||
return switch (mode) {
|
||||
case MASK -> BY_TYPE.getOrDefault(type, Strategies::stars).apply(value);
|
||||
// STRICT игнорирует BY_TYPE целиком — ни один тип не открывает края
|
||||
// и ФИО не превращается в инициалы, только сплошные звёздочки.
|
||||
case STRICT -> Strategies.stars(value);
|
||||
case TOKEN -> context.resolve(type, value, (t, n) -> "[" + t + "_" + n + "]");
|
||||
case SYNTHETIC -> context.resolve(type, value, (t, n) -> Synthetic.forType(t, value, n));
|
||||
};
|
||||
}
|
||||
// У дат сохраняем разделители: модель видит, что это дата, но не какая.
|
||||
Map.entry(RuleRegistry.BIRTH_DATE, Strategies::starsKeepingPunctuation),
|
||||
Map.entry(RuleRegistry.PASSPORT_DATE, Strategies::starsKeepingPunctuation),
|
||||
Map.entry(RuleRegistry.DATE, Strategies::starsKeepingPunctuation),
|
||||
|
||||
Map.entry(RuleRegistry.ADDRESS_COUNTRY, Strategies::stars),
|
||||
Map.entry(RuleRegistry.ADDRESS_POSTCODE, Strategies::stars),
|
||||
Map.entry(RuleRegistry.ADDRESS_CITY, Strategies::stars),
|
||||
Map.entry(RuleRegistry.ADDRESS_STREET, Strategies::stars),
|
||||
Map.entry(RuleRegistry.ADDRESS_HOUSE, Strategies::stars),
|
||||
Map.entry(RuleRegistry.ADDRESS_FLAT, Strategies::stars),
|
||||
Map.entry(RuleRegistry.BIRTH_PLACE, Strategies::stars),
|
||||
Map.entry(RuleRegistry.CITIZENSHIP, Strategies::stars),
|
||||
|
||||
Map.entry(RuleRegistry.ACCOUNT_NUMBER, EDGES),
|
||||
Map.entry(RuleRegistry.OGRN, EDGES),
|
||||
Map.entry(RuleRegistry.OGRNIP, EDGES),
|
||||
Map.entry(RuleRegistry.KPP, EDGES),
|
||||
// Срок действия карты — разделитель виден, сам месяц/год нет.
|
||||
Map.entry(RuleRegistry.CARD_EXPIRY, Strategies::starsKeepingPunctuation),
|
||||
Map.entry(RuleRegistry.BIK, Strategies::stars),
|
||||
Map.entry(RuleRegistry.INCOME, Strategies::stars),
|
||||
Map.entry(RuleRegistry.BIOMETRIC, Strategies::stars)
|
||||
);
|
||||
|
||||
public String mask(String type, String value, MaskMode mode, MaskContext context) {
|
||||
return switch (mode) {
|
||||
case MASK -> BY_TYPE.getOrDefault(type, Strategies::stars).apply(value);
|
||||
case TOKEN -> context.resolve(type, value, (t, n) -> "[" + t + "_" + n + "]");
|
||||
case SYNTHETIC -> context.resolve(type, value, (t, n) -> Synthetic.forType(t, value, n));
|
||||
};
|
||||
}
|
||||
}
|
||||
|
||||
@@ -3,110 +3,113 @@ package ru.pdguard.mask;
|
||||
/**
|
||||
* Способы преобразования найденного значения в маску.
|
||||
*
|
||||
* <p>Все стратегии сохраняют длину и разделители исходного значения: так замаскированный текст
|
||||
* остаётся читаемым для LLM и минимально отличается от эталона при посимвольном сравнении.
|
||||
* <p>Все стратегии сохраняют длину и разделители исходного значения: так
|
||||
* замаскированный текст остаётся читаемым для LLM и минимально отличается
|
||||
* от эталона при посимвольном сравнении.
|
||||
*/
|
||||
public final class Strategies {
|
||||
|
||||
private static final char MASK = '*';
|
||||
private static final char MASK = '*';
|
||||
|
||||
private Strategies() {}
|
||||
private Strategies() {
|
||||
}
|
||||
|
||||
/** Каждый непробельный символ заменяется на «*». */
|
||||
public static String stars(String value) {
|
||||
StringBuilder sb = new StringBuilder(value.length());
|
||||
for (int i = 0; i < value.length(); i++) {
|
||||
char c = value.charAt(i);
|
||||
sb.append(Character.isWhitespace(c) ? c : MASK);
|
||||
}
|
||||
return sb.toString();
|
||||
}
|
||||
|
||||
/**
|
||||
* Скрывает буквы и цифры, оставляя разделители: {@code 12.05.1985} → {@code **.**.****}, {@code
|
||||
* 12 мая 1985} → {@code ** *** ****}. Форма записи остаётся видна модели, само значение — нет.
|
||||
*/
|
||||
public static String starsKeepingPunctuation(String value) {
|
||||
StringBuilder sb = new StringBuilder(value.length());
|
||||
for (int i = 0; i < value.length(); i++) {
|
||||
char c = value.charAt(i);
|
||||
sb.append(Character.isLetterOrDigit(c) ? MASK : c);
|
||||
}
|
||||
return sb.toString();
|
||||
}
|
||||
|
||||
/**
|
||||
* Оставляет первые и последние значащие символы, остальные скрывает, разделители сохраняет:
|
||||
* {@code 4509 123456} → {@code 45** ****56}.
|
||||
*/
|
||||
public static String keepEdges(String value, int head, int tail) {
|
||||
int significant = 0;
|
||||
for (int i = 0; i < value.length(); i++) {
|
||||
if (Character.isLetterOrDigit(value.charAt(i))) {
|
||||
significant++;
|
||||
}
|
||||
}
|
||||
if (significant <= head + tail) {
|
||||
return stars(value);
|
||||
}
|
||||
StringBuilder sb = new StringBuilder(value.length());
|
||||
int seen = 0;
|
||||
for (int i = 0; i < value.length(); i++) {
|
||||
char c = value.charAt(i);
|
||||
if (!Character.isLetterOrDigit(c)) {
|
||||
sb.append(c);
|
||||
continue;
|
||||
}
|
||||
boolean visible = seen < head || seen >= significant - tail;
|
||||
sb.append(visible ? c : MASK);
|
||||
seen++;
|
||||
}
|
||||
return sb.toString();
|
||||
}
|
||||
|
||||
/** ФИО превращается в инициалы: {@code Иванов Иван Иванович} → {@code И. И. И.} */
|
||||
public static String initials(String value) {
|
||||
StringBuilder sb = new StringBuilder();
|
||||
boolean wordStart = true;
|
||||
for (int i = 0; i < value.length(); i++) {
|
||||
char c = value.charAt(i);
|
||||
if (Character.isLetter(c)) {
|
||||
if (wordStart) {
|
||||
if (!sb.isEmpty()) {
|
||||
sb.append(' ');
|
||||
}
|
||||
sb.append(Character.toUpperCase(c)).append('.');
|
||||
wordStart = false;
|
||||
/** Каждый непробельный символ заменяется на «*». */
|
||||
public static String stars(String value) {
|
||||
StringBuilder sb = new StringBuilder(value.length());
|
||||
for (int i = 0; i < value.length(); i++) {
|
||||
char c = value.charAt(i);
|
||||
sb.append(Character.isWhitespace(c) ? c : MASK);
|
||||
}
|
||||
} else {
|
||||
wordStart = true;
|
||||
}
|
||||
return sb.toString();
|
||||
}
|
||||
return sb.isEmpty() ? stars(value) : sb.toString();
|
||||
}
|
||||
|
||||
/**
|
||||
* Адрес почты: видны первая буква имени ящика, первая буква домена и зона. {@code
|
||||
* ivan.petrov@mail.ru} → {@code i**********@m***.ru}
|
||||
*/
|
||||
public static String email(String value) {
|
||||
int at = value.lastIndexOf('@');
|
||||
if (at <= 0 || at == value.length() - 1) {
|
||||
return stars(value);
|
||||
/**
|
||||
* Скрывает буквы и цифры, оставляя разделители: {@code 12.05.1985} → {@code **.**.****},
|
||||
* {@code 12 мая 1985} → {@code ** *** ****}. Форма записи остаётся видна модели,
|
||||
* само значение — нет.
|
||||
*/
|
||||
public static String starsKeepingPunctuation(String value) {
|
||||
StringBuilder sb = new StringBuilder(value.length());
|
||||
for (int i = 0; i < value.length(); i++) {
|
||||
char c = value.charAt(i);
|
||||
sb.append(Character.isLetterOrDigit(c) ? MASK : c);
|
||||
}
|
||||
return sb.toString();
|
||||
}
|
||||
String local = value.substring(0, at);
|
||||
String domain = value.substring(at + 1);
|
||||
int dot = domain.lastIndexOf('.');
|
||||
if (dot <= 0) {
|
||||
return hideTail(local) + '@' + hideTail(domain);
|
||||
}
|
||||
return hideTail(local) + '@' + hideTail(domain.substring(0, dot)) + domain.substring(dot);
|
||||
}
|
||||
|
||||
private static String hideTail(String part) {
|
||||
if (part.length() <= 1) {
|
||||
return part;
|
||||
/**
|
||||
* Оставляет первые и последние значащие символы, остальные скрывает,
|
||||
* разделители сохраняет: {@code 4509 123456} → {@code 45** ****56}.
|
||||
*/
|
||||
public static String keepEdges(String value, int head, int tail) {
|
||||
int significant = 0;
|
||||
for (int i = 0; i < value.length(); i++) {
|
||||
if (Character.isLetterOrDigit(value.charAt(i))) {
|
||||
significant++;
|
||||
}
|
||||
}
|
||||
if (significant <= head + tail) {
|
||||
return stars(value);
|
||||
}
|
||||
StringBuilder sb = new StringBuilder(value.length());
|
||||
int seen = 0;
|
||||
for (int i = 0; i < value.length(); i++) {
|
||||
char c = value.charAt(i);
|
||||
if (!Character.isLetterOrDigit(c)) {
|
||||
sb.append(c);
|
||||
continue;
|
||||
}
|
||||
boolean visible = seen < head || seen >= significant - tail;
|
||||
sb.append(visible ? c : MASK);
|
||||
seen++;
|
||||
}
|
||||
return sb.toString();
|
||||
}
|
||||
|
||||
/** ФИО превращается в инициалы: {@code Иванов Иван Иванович} → {@code И. И. И.} */
|
||||
public static String initials(String value) {
|
||||
StringBuilder sb = new StringBuilder();
|
||||
boolean wordStart = true;
|
||||
for (int i = 0; i < value.length(); i++) {
|
||||
char c = value.charAt(i);
|
||||
if (Character.isLetter(c)) {
|
||||
if (wordStart) {
|
||||
if (!sb.isEmpty()) {
|
||||
sb.append(' ');
|
||||
}
|
||||
sb.append(Character.toUpperCase(c)).append('.');
|
||||
wordStart = false;
|
||||
}
|
||||
} else {
|
||||
wordStart = true;
|
||||
}
|
||||
}
|
||||
return sb.isEmpty() ? stars(value) : sb.toString();
|
||||
}
|
||||
|
||||
/**
|
||||
* Адрес почты: видны первая буква имени ящика, первая буква домена и зона.
|
||||
* {@code ivan.petrov@mail.ru} → {@code i**********@m***.ru}
|
||||
*/
|
||||
public static String email(String value) {
|
||||
int at = value.lastIndexOf('@');
|
||||
if (at <= 0 || at == value.length() - 1) {
|
||||
return stars(value);
|
||||
}
|
||||
String local = value.substring(0, at);
|
||||
String domain = value.substring(at + 1);
|
||||
int dot = domain.lastIndexOf('.');
|
||||
if (dot <= 0) {
|
||||
return hideTail(local) + '@' + hideTail(domain);
|
||||
}
|
||||
return hideTail(local) + '@' + hideTail(domain.substring(0, dot)) + domain.substring(dot);
|
||||
}
|
||||
|
||||
private static String hideTail(String part) {
|
||||
if (part.length() <= 1) {
|
||||
return part;
|
||||
}
|
||||
return part.charAt(0) + String.valueOf(MASK).repeat(part.length() - 1);
|
||||
}
|
||||
return part.charAt(0) + String.valueOf(MASK).repeat(part.length() - 1);
|
||||
}
|
||||
}
|
||||
|
||||
@@ -1,107 +1,95 @@
|
||||
package ru.pdguard.mask;
|
||||
|
||||
import ru.pdguard.detect.PdTypes;
|
||||
import ru.pdguard.detect.Validators;
|
||||
import ru.pdguard.detect.RuleRegistry;
|
||||
|
||||
/**
|
||||
* Правдоподобные подставные значения вместо настоящих.
|
||||
*
|
||||
* <p>Модель получает текст, который выглядит естественно, и качество ответа страдает меньше, чем от
|
||||
* звёздочек. Значения детерминированы: одно и то же исходное значение всегда даёт одну и ту же
|
||||
* подстановку.
|
||||
* <p>Модель получает текст, который выглядит естественно, и качество ответа
|
||||
* страдает меньше, чем от звёздочек. Значения детерминированы: одно и то же
|
||||
* исходное значение всегда даёт одну и ту же подстановку.
|
||||
*/
|
||||
final class Synthetic {
|
||||
|
||||
private static final String[] SURNAMES = {
|
||||
"Лаврентьев", "Мещеряков", "Тихомиров", "Ясенев", "Бурмистров", "Кольцов"
|
||||
};
|
||||
private static final String[] NAMES = {"Артём", "Никита", "Глеб", "Тимур", "Марк", "Лев"};
|
||||
private static final String[] PATRONYMICS = {
|
||||
"Артёмович", "Никитич", "Глебович", "Тимурович", "Маркович", "Львович"
|
||||
};
|
||||
private static final String[] DOMAINS = {"example.com", "example.org", "example.net"};
|
||||
private static final String[] SURNAMES =
|
||||
{"Лаврентьев", "Мещеряков", "Тихомиров", "Ясенев", "Бурмистров", "Кольцов"};
|
||||
private static final String[] NAMES = {"Артём", "Никита", "Глеб", "Тимур", "Марк", "Лев"};
|
||||
private static final String[] PATRONYMICS =
|
||||
{"Артёмович", "Никитич", "Глебович", "Тимурович", "Маркович", "Львович"};
|
||||
private static final String[] DOMAINS = {"example.com", "example.org", "example.net"};
|
||||
|
||||
private Synthetic() {}
|
||||
|
||||
static String forType(String type, String value, int ordinal) {
|
||||
int seed = value.hashCode() & Integer.MAX_VALUE;
|
||||
return switch (type) {
|
||||
case PdTypes.FIO ->
|
||||
pick(SURNAMES, seed) + " " + pick(NAMES, seed >> 3) + " " + pick(PATRONYMICS, seed >> 6);
|
||||
case PdTypes.CARDHOLDER -> "IVAN PETROV";
|
||||
case PdTypes.EMAIL -> "user" + ordinal + "@" + pick(DOMAINS, seed);
|
||||
case PdTypes.PHONE ->
|
||||
"+7 9"
|
||||
+ digits(seed, 2)
|
||||
+ " "
|
||||
+ digits(seed >> 4, 3)
|
||||
+ "-"
|
||||
+ digits(seed >> 8, 2)
|
||||
+ "-"
|
||||
+ digits(seed >> 12, 2);
|
||||
case PdTypes.CARD -> luhnCard(seed);
|
||||
case PdTypes.PASSPORT,
|
||||
PdTypes.DRIVER_LICENSE,
|
||||
PdTypes.FOREIGN_PASSPORT,
|
||||
PdTypes.MILITARY_ID ->
|
||||
digits(seed, 4) + " " + digits(seed >> 6, 6);
|
||||
case PdTypes.INN -> digits(seed, 12);
|
||||
case PdTypes.MEDICAL_POLICY -> digits(seed, 16);
|
||||
case PdTypes.SNILS ->
|
||||
digits(seed, 3)
|
||||
+ "-"
|
||||
+ digits(seed >> 4, 3)
|
||||
+ "-"
|
||||
+ digits(seed >> 8, 3)
|
||||
+ " "
|
||||
+ digits(seed >> 12, 2);
|
||||
case PdTypes.BIRTH_DATE, PdTypes.PASSPORT_DATE, PdTypes.DATE -> syntheticDate(seed);
|
||||
case PdTypes.ADDRESS_CITY -> "Зареченск";
|
||||
case PdTypes.ADDRESS_STREET -> "Сосновая";
|
||||
case PdTypes.ADDRESS_HOUSE -> String.valueOf(1 + Math.floorMod(seed, 90));
|
||||
case PdTypes.ADDRESS_FLAT -> String.valueOf(1 + Math.floorMod(seed, 200));
|
||||
case PdTypes.ADDRESS_POSTCODE -> digits(seed, 6);
|
||||
case PdTypes.ADDRESS_COUNTRY -> "Заречье";
|
||||
case PdTypes.ADDRESS_REGION -> "Заречная область";
|
||||
case PdTypes.ADDRESS_DISTRICT -> "Сосновый район";
|
||||
case PdTypes.CVV -> digits(seed, 3);
|
||||
case PdTypes.PIN -> digits(seed, 4);
|
||||
// Для остальных типов правдоподобной замены нет — отдаём токен.
|
||||
default -> "[" + type + "_" + ordinal + "]";
|
||||
};
|
||||
}
|
||||
|
||||
private static String pick(String[] options, int seed) {
|
||||
return options[Math.floorMod(seed, options.length)];
|
||||
}
|
||||
|
||||
private static String syntheticDate(int seed) {
|
||||
int day = 1 + Math.floorMod(seed, 28);
|
||||
int month = 1 + Math.floorMod(seed >> 5, 12);
|
||||
int year = 1960 + Math.floorMod(seed >> 9, 45);
|
||||
return String.format("%02d.%02d.%d", day, month, year);
|
||||
}
|
||||
|
||||
private static String digits(int seed, int count) {
|
||||
StringBuilder sb = new StringBuilder(count);
|
||||
int value = Math.abs(seed);
|
||||
for (int i = 0; i < count; i++) {
|
||||
sb.append((char) ('0' + Math.floorMod(value, 10)));
|
||||
value = value / 10 + (i + 1) * 7;
|
||||
private Synthetic() {
|
||||
}
|
||||
return sb.toString();
|
||||
}
|
||||
|
||||
/** Номер карты, проходящий проверку алгоритмом Луна: подстановка должна выглядеть настоящей. */
|
||||
private static String luhnCard(int seed) {
|
||||
StringBuilder body = new StringBuilder("4").append(digits(seed, 14));
|
||||
body.append(Validators.luhnCheckDigit(body.toString()));
|
||||
return body.substring(0, 4)
|
||||
+ " "
|
||||
+ body.substring(4, 8)
|
||||
+ " "
|
||||
+ body.substring(8, 12)
|
||||
+ " "
|
||||
+ body.substring(12);
|
||||
}
|
||||
static String forType(String type, String value, int ordinal) {
|
||||
int seed = Math.abs(value.hashCode());
|
||||
return switch (type) {
|
||||
case RuleRegistry.FIO -> pick(SURNAMES, seed) + " " + pick(NAMES, seed >> 3)
|
||||
+ " " + pick(PATRONYMICS, seed >> 6);
|
||||
case RuleRegistry.CARDHOLDER -> "IVAN PETROV";
|
||||
case RuleRegistry.EMAIL -> "user" + ordinal + "@" + pick(DOMAINS, seed);
|
||||
case RuleRegistry.PHONE -> "+7 9" + digits(seed, 2) + " " + digits(seed >> 4, 3)
|
||||
+ "-" + digits(seed >> 8, 2) + "-" + digits(seed >> 12, 2);
|
||||
case RuleRegistry.CARD -> luhnCard(seed);
|
||||
case RuleRegistry.PASSPORT, RuleRegistry.DRIVER_LICENSE, RuleRegistry.FOREIGN_PASSPORT,
|
||||
RuleRegistry.MILITARY_ID -> digits(seed, 4) + " " + digits(seed >> 6, 6);
|
||||
case RuleRegistry.INN -> digits(seed, 12);
|
||||
case RuleRegistry.MEDICAL_POLICY -> digits(seed, 16);
|
||||
case RuleRegistry.SNILS -> digits(seed, 3) + "-" + digits(seed >> 4, 3)
|
||||
+ "-" + digits(seed >> 8, 3) + " " + digits(seed >> 12, 2);
|
||||
case RuleRegistry.BIRTH_DATE, RuleRegistry.PASSPORT_DATE, RuleRegistry.DATE -> syntheticDate(seed);
|
||||
case RuleRegistry.ADDRESS_CITY -> "Зареченск";
|
||||
case RuleRegistry.ADDRESS_STREET -> "Сосновая";
|
||||
case RuleRegistry.ADDRESS_HOUSE -> String.valueOf(1 + Math.floorMod(seed, 90));
|
||||
case RuleRegistry.ADDRESS_FLAT -> String.valueOf(1 + Math.floorMod(seed, 200));
|
||||
case RuleRegistry.ADDRESS_POSTCODE -> digits(seed, 6);
|
||||
case RuleRegistry.ADDRESS_COUNTRY -> "Заречье";
|
||||
case RuleRegistry.CVV -> digits(seed, 3);
|
||||
case RuleRegistry.PIN -> digits(seed, 4);
|
||||
// Для остальных типов правдоподобной замены нет — отдаём токен.
|
||||
default -> "[" + type + "_" + ordinal + "]";
|
||||
};
|
||||
}
|
||||
|
||||
private static String pick(String[] options, int seed) {
|
||||
return options[Math.floorMod(seed, options.length)];
|
||||
}
|
||||
|
||||
private static String syntheticDate(int seed) {
|
||||
int day = 1 + Math.floorMod(seed, 28);
|
||||
int month = 1 + Math.floorMod(seed >> 5, 12);
|
||||
int year = 1960 + Math.floorMod(seed >> 9, 45);
|
||||
return String.format("%02d.%02d.%d", day, month, year);
|
||||
}
|
||||
|
||||
private static String digits(int seed, int count) {
|
||||
StringBuilder sb = new StringBuilder(count);
|
||||
int value = Math.abs(seed);
|
||||
for (int i = 0; i < count; i++) {
|
||||
sb.append((char) ('0' + Math.floorMod(value, 10)));
|
||||
value = value / 10 + (i + 1) * 7;
|
||||
}
|
||||
return sb.toString();
|
||||
}
|
||||
|
||||
/** Номер карты, проходящий проверку алгоритмом Луна: подстановка должна выглядеть настоящей. */
|
||||
private static String luhnCard(int seed) {
|
||||
StringBuilder body = new StringBuilder("4").append(digits(seed, 14));
|
||||
int sum = 0;
|
||||
boolean doubled = true;
|
||||
for (int i = body.length() - 1; i >= 0; i--) {
|
||||
int d = body.charAt(i) - '0';
|
||||
if (doubled) {
|
||||
d *= 2;
|
||||
if (d > 9) {
|
||||
d -= 9;
|
||||
}
|
||||
}
|
||||
sum += d;
|
||||
doubled = !doubled;
|
||||
}
|
||||
body.append((10 - sum % 10) % 10);
|
||||
return body.substring(0, 4) + " " + body.substring(4, 8) + " "
|
||||
+ body.substring(8, 12) + " " + body.substring(12);
|
||||
}
|
||||
}
|
||||
|
||||
@@ -0,0 +1,56 @@
|
||||
quarkus.http.port=8080
|
||||
# Порт тестов уведён со стандартного 8081: его занимает узел кластера.
|
||||
%test.quarkus.http.test-port=8089
|
||||
quarkus.http.host=0.0.0.0
|
||||
|
||||
# Обработка идёт на рабочих потоках: текст на 100 000 токенов не должен
|
||||
# занимать поток цикла событий.
|
||||
quarkus.vertx.worker-pool-size=200
|
||||
quarkus.http.limits.max-body-size=16M
|
||||
|
||||
# Словари имён читаются из classpath — в образ native их надо включить явно.
|
||||
quarkus.native.resources.includes=names/*.txt
|
||||
|
||||
quarkus.log.level=INFO
|
||||
quarkus.log.category."ru.pdguard".level=INFO
|
||||
|
||||
# Метрики Prometheus: latency и RPS считаются по pdguard_process_seconds,
|
||||
# TPS — по pdguard_tokens_processed_total.
|
||||
quarkus.micrometer.export.prometheus.path=/metrics
|
||||
quarkus.micrometer.binder.http-server.enabled=true
|
||||
|
||||
# Общий слой соответствий для работы на нескольких узлах: memory или redis.
|
||||
# При memory клиент Redis не создаётся и подключение не устанавливается.
|
||||
pdguard.store.backend=memory
|
||||
# Redis поднимаем сами, автоматический контейнер не нужен.
|
||||
quarkus.redis.devservices.enabled=false
|
||||
# Адрес требуется расширению уже на старте, но соединение устанавливается
|
||||
# только при первой команде — а её не будет, пока backend=memory.
|
||||
quarkus.redis.hosts=redis://localhost:6379
|
||||
# Общий слой не должен утяжелять ответ: при недоступности Redis узел уходит
|
||||
# на свою память через 200 мс, а не через штатные десять секунд.
|
||||
quarkus.redis.timeout=200ms
|
||||
|
||||
# Список систем-потребителей. Файла нет — работают настройки по умолчанию.
|
||||
pdguard.systems-file=config/systems.json
|
||||
%test.pdguard.systems-file=src/test/resources/systems-test.json
|
||||
|
||||
# Вторая ступень распознавания имён. Свойство pdguard.ner.model не задано —
|
||||
# ступень выключена и работают только правила. Модель обучается отдельно, см. README.
|
||||
# Каждый неразобранный кандидат стоит около 240 мкс, поэтому их число
|
||||
# на один запрос ограничено.
|
||||
pdguard.ner.max-candidates=16
|
||||
# Распознаватели создаются и прогреваются на старте, по одному на этот счётчик.
|
||||
pdguard.ner.pool-size=16
|
||||
|
||||
# Предел конкурентности подстраивается сам под задержку, а не задан фиксированным
|
||||
# числом: растёт, пока задержка ниже целевой, сжимается, как только она подскакивает.
|
||||
# max-concurrent — потолок (тот же смысл, что раньше), min-concurrent — чтобы предел
|
||||
# не схлопнулся в ноль на одном медленном запросе, target-latency-ms — с каким запасом
|
||||
# от SLA (1 c) начинать сжиматься.
|
||||
pdguard.min-concurrent=8
|
||||
pdguard.max-concurrent=2000
|
||||
pdguard.target-latency-ms=200
|
||||
# Ограничения хранилища соответствий: суммарный объём строк и срок жизни.
|
||||
pdguard.store.max-chars=134217728
|
||||
pdguard.store.ttl-minutes=30
|
||||
@@ -1,60 +0,0 @@
|
||||
server:
|
||||
port: 8080
|
||||
address: 0.0.0.0
|
||||
max-http-request-header-size: 16KB
|
||||
|
||||
spring:
|
||||
application:
|
||||
name: pd-guard-spring
|
||||
jackson:
|
||||
default-property-inclusion: non_null
|
||||
data:
|
||||
redis:
|
||||
host: localhost
|
||||
port: 6379
|
||||
# 200ms давал ложные QueryTimeoutException под пиковой нагрузкой (несколько
|
||||
# контейнеров на одном хосте конкурируют за CPU) — узел уходил на локальную
|
||||
# память, хотя Redis был просто временно медленным, а не недоступным.
|
||||
timeout: 800ms
|
||||
connect-timeout: 800ms
|
||||
|
||||
management:
|
||||
endpoints:
|
||||
web:
|
||||
exposure:
|
||||
include: health,metrics,prometheus
|
||||
endpoint:
|
||||
health:
|
||||
probes:
|
||||
enabled: true
|
||||
prometheus:
|
||||
metrics:
|
||||
export:
|
||||
enabled: true
|
||||
|
||||
# Список систем-потребителей. Файла нет — работают настройки по умолчанию.
|
||||
pdguard:
|
||||
systems-file: config/systems.json
|
||||
store:
|
||||
backend: memory
|
||||
ttl-minutes: 30
|
||||
# 32 байта в hex; AES-256 ключ шифрования хранилища
|
||||
encryption-key: "46a38b200c6df557a5fd2c8a57ad3fec6b710b9f3e1fef1451d121a094f63573"
|
||||
min-concurrent: 100
|
||||
max-concurrent: 2000
|
||||
target-latency-ms: 900
|
||||
warmup-iterations: 2000
|
||||
ner:
|
||||
name-engine: off
|
||||
name-model: models/wikineural-ner
|
||||
address-engine: off
|
||||
address-model: models/rubert-ner
|
||||
legal-engine: off
|
||||
legal-model: models/ru-legal-ner
|
||||
max-candidates: 16
|
||||
pool-size: 16
|
||||
llm:
|
||||
url:
|
||||
api-key:
|
||||
model: gpt-4o-mini
|
||||
timeout-seconds: 20
|
||||
@@ -1,143 +0,0 @@
|
||||
# Основы названий стран для распознавания гражданства.
|
||||
# В нижнем регистре, без падежных окончаний (Declension::withoutInflectedEnding).
|
||||
# Сравнение идёт по началу слова, поэтому «Российская»/«российской» покрываются
|
||||
# основой «российск», «Федерация»/«федерации» — «федераци».
|
||||
российск
|
||||
федераци
|
||||
республик
|
||||
соединенн
|
||||
штат
|
||||
америк
|
||||
армени
|
||||
казахстан
|
||||
белорус
|
||||
украин
|
||||
грузи
|
||||
азербайджан
|
||||
узбекистан
|
||||
таджикистан
|
||||
туркменистан
|
||||
киргиз
|
||||
молдов
|
||||
молдав
|
||||
литв
|
||||
латви
|
||||
эстони
|
||||
польш
|
||||
германи
|
||||
франци
|
||||
итали
|
||||
испани
|
||||
португали
|
||||
нидерланд
|
||||
бельги
|
||||
швейцари
|
||||
австри
|
||||
чехи
|
||||
словаки
|
||||
венгри
|
||||
румыни
|
||||
болгари
|
||||
серби
|
||||
хорвати
|
||||
словени
|
||||
босни
|
||||
македони
|
||||
черногори
|
||||
греци
|
||||
турци
|
||||
кипр
|
||||
израил
|
||||
иордани
|
||||
ливан
|
||||
сири
|
||||
ирак
|
||||
иран
|
||||
афганистан
|
||||
пакистан
|
||||
инди
|
||||
кита
|
||||
япони
|
||||
коре
|
||||
монголи
|
||||
вьетнам
|
||||
таиланд
|
||||
индонези
|
||||
малайзи
|
||||
сингапур
|
||||
филиппин
|
||||
австрали
|
||||
новозеланд
|
||||
канад
|
||||
мексик
|
||||
бразили
|
||||
аргентин
|
||||
чили
|
||||
перу
|
||||
колумби
|
||||
венесуэл
|
||||
эквадор
|
||||
уругва
|
||||
парагва
|
||||
боливи
|
||||
куб
|
||||
доминикан
|
||||
гаити
|
||||
ямайк
|
||||
египет
|
||||
алжир
|
||||
марокко
|
||||
тунис
|
||||
ливи
|
||||
судан
|
||||
эфиопи
|
||||
кени
|
||||
нигери
|
||||
ган
|
||||
юар
|
||||
ангол
|
||||
мозамбик
|
||||
танзани
|
||||
уганд
|
||||
замби
|
||||
зимбабве
|
||||
ботсван
|
||||
намиби
|
||||
сенегал
|
||||
кот
|
||||
д'ивуар
|
||||
камерун
|
||||
конго
|
||||
габон
|
||||
экваториальн
|
||||
мадагаскар
|
||||
маврики
|
||||
сейшельск
|
||||
мальдив
|
||||
шри
|
||||
ланк
|
||||
непал
|
||||
бутан
|
||||
бангладеш
|
||||
мьянм
|
||||
камбодж
|
||||
лаос
|
||||
финлянди
|
||||
швеци
|
||||
норвеги
|
||||
дани
|
||||
исланди
|
||||
ирланди
|
||||
великобритан
|
||||
британ
|
||||
англи
|
||||
шотланд
|
||||
уэльс
|
||||
люксембург
|
||||
мальт
|
||||
андорр
|
||||
монако
|
||||
сан
|
||||
марин
|
||||
ватикан
|
||||
лихтенштейн
|
||||
@@ -1,79 +0,0 @@
|
||||
# Слова, после которых идущее следом имя принадлежит организации, учреждению или
|
||||
# объекту на карте, а не человеку: «Институт Склифосовского», «Музей Тропинина»,
|
||||
# «улица Королёва», «Премия имени Ломоносова».
|
||||
#
|
||||
# Здесь не названия, а маркеры. Слово засчитывается только вплотную перед именем,
|
||||
# поэтому «Больница приняла Иванова Ивана» под правило не попадает.
|
||||
#
|
||||
# «ИП» сюда сознательно не входит: имя индивидуального предпринимателя —
|
||||
# это персональные данные.
|
||||
институт
|
||||
университет
|
||||
академия
|
||||
школа
|
||||
гимназия
|
||||
лицей
|
||||
училище
|
||||
колледж
|
||||
музей
|
||||
театр
|
||||
галерея
|
||||
библиотека
|
||||
филармония
|
||||
консерватория
|
||||
больница
|
||||
поликлиника
|
||||
клиника
|
||||
госпиталь
|
||||
диспансер
|
||||
санаторий
|
||||
фонд
|
||||
премия
|
||||
стипендия
|
||||
стадион
|
||||
клуб
|
||||
общество
|
||||
союз
|
||||
ассоциация
|
||||
федерация
|
||||
комитет
|
||||
министерство
|
||||
ведомство
|
||||
департамент
|
||||
управление
|
||||
агентство
|
||||
бюро
|
||||
корпорация
|
||||
холдинг
|
||||
компания
|
||||
завод
|
||||
комбинат
|
||||
фабрика
|
||||
верфь
|
||||
аэропорт
|
||||
вокзал
|
||||
станция
|
||||
порт
|
||||
парк
|
||||
сквер
|
||||
площадь
|
||||
проспект
|
||||
улица
|
||||
переулок
|
||||
бульвар
|
||||
шоссе
|
||||
набережная
|
||||
проезд
|
||||
тупик
|
||||
мост
|
||||
тоннель
|
||||
храм
|
||||
собор
|
||||
монастырь
|
||||
часовня
|
||||
кладбище
|
||||
мемориал
|
||||
памятник
|
||||
монумент
|
||||
центр
|
||||
имени
|
||||
@@ -1,308 +0,0 @@
|
||||
<!DOCTYPE html>
|
||||
<html lang="ru">
|
||||
<head>
|
||||
<meta charset="utf-8">
|
||||
<meta name="viewport" content="width=device-width, initial-scale=1">
|
||||
<title>PD Guard</title>
|
||||
<style>
|
||||
:root {
|
||||
--bg: #f3efe6;
|
||||
--ink: #1c1915;
|
||||
--muted: #6d655c;
|
||||
--line: #ddd4c6;
|
||||
--card: #fffdf8;
|
||||
--accent: #0e6b52;
|
||||
--accent-ink: #083d30;
|
||||
--danger: #8d2e2e;
|
||||
--danger-bg: #f8ecec;
|
||||
}
|
||||
|
||||
* { box-sizing: border-box; }
|
||||
|
||||
body {
|
||||
margin: 0;
|
||||
min-height: 100vh;
|
||||
color: var(--ink);
|
||||
background:
|
||||
radial-gradient(1200px 500px at 10% -10%, #e7f3ee 0%, transparent 55%),
|
||||
var(--bg);
|
||||
font: 16px/1.45 "Segoe UI", system-ui, sans-serif;
|
||||
}
|
||||
|
||||
main {
|
||||
width: min(760px, calc(100% - 32px));
|
||||
margin: 0 auto;
|
||||
padding: 48px 0 64px;
|
||||
}
|
||||
|
||||
header h1 {
|
||||
margin: 0;
|
||||
font-size: 32px;
|
||||
letter-spacing: -0.03em;
|
||||
}
|
||||
|
||||
header p {
|
||||
margin: 8px 0 0;
|
||||
color: var(--muted);
|
||||
}
|
||||
|
||||
form {
|
||||
margin-top: 28px;
|
||||
display: grid;
|
||||
gap: 18px;
|
||||
}
|
||||
|
||||
fieldset {
|
||||
margin: 0;
|
||||
padding: 0;
|
||||
border: 0;
|
||||
}
|
||||
|
||||
legend {
|
||||
padding: 0;
|
||||
margin-bottom: 8px;
|
||||
font-size: 13px;
|
||||
font-weight: 650;
|
||||
letter-spacing: 0.04em;
|
||||
text-transform: uppercase;
|
||||
color: var(--muted);
|
||||
}
|
||||
|
||||
.modes {
|
||||
display: grid;
|
||||
grid-template-columns: repeat(auto-fit, minmax(160px, 1fr));
|
||||
gap: 10px;
|
||||
}
|
||||
|
||||
.mode {
|
||||
display: block;
|
||||
padding: 14px 14px 12px;
|
||||
border: 1px solid var(--line);
|
||||
border-radius: 12px;
|
||||
background: var(--card);
|
||||
cursor: pointer;
|
||||
}
|
||||
|
||||
.mode:has(input:checked) {
|
||||
border-color: var(--accent);
|
||||
box-shadow: inset 0 0 0 1px var(--accent);
|
||||
}
|
||||
|
||||
.mode:has(input:focus-visible) {
|
||||
outline: 2px solid var(--accent);
|
||||
outline-offset: 2px;
|
||||
}
|
||||
|
||||
.mode input {
|
||||
position: absolute;
|
||||
opacity: 0;
|
||||
pointer-events: none;
|
||||
}
|
||||
|
||||
.mode strong {
|
||||
display: block;
|
||||
font-size: 14px;
|
||||
letter-spacing: 0.04em;
|
||||
}
|
||||
|
||||
.mode span {
|
||||
display: block;
|
||||
margin-top: 4px;
|
||||
color: var(--muted);
|
||||
font-size: 13px;
|
||||
}
|
||||
|
||||
label.field {
|
||||
display: grid;
|
||||
gap: 8px;
|
||||
font-size: 13px;
|
||||
font-weight: 650;
|
||||
letter-spacing: 0.04em;
|
||||
text-transform: uppercase;
|
||||
color: var(--muted);
|
||||
}
|
||||
|
||||
textarea {
|
||||
width: 100%;
|
||||
min-height: 160px;
|
||||
resize: vertical;
|
||||
padding: 14px;
|
||||
border: 1px solid var(--line);
|
||||
border-radius: 12px;
|
||||
background: var(--card);
|
||||
color: var(--ink);
|
||||
font: 15px/1.5 "Segoe UI", system-ui, sans-serif;
|
||||
text-transform: none;
|
||||
letter-spacing: 0;
|
||||
font-weight: 400;
|
||||
}
|
||||
|
||||
textarea:focus {
|
||||
outline: 2px solid var(--accent);
|
||||
outline-offset: 1px;
|
||||
border-color: transparent;
|
||||
}
|
||||
|
||||
button {
|
||||
justify-self: start;
|
||||
padding: 12px 18px;
|
||||
border: 0;
|
||||
border-radius: 10px;
|
||||
background: var(--accent);
|
||||
color: #f7fffb;
|
||||
font: 650 15px/1 "Segoe UI", system-ui, sans-serif;
|
||||
cursor: pointer;
|
||||
}
|
||||
|
||||
button:hover { background: var(--accent-ink); }
|
||||
|
||||
button:disabled {
|
||||
opacity: 0.6;
|
||||
cursor: progress;
|
||||
}
|
||||
|
||||
#result {
|
||||
min-height: 120px;
|
||||
margin: 0;
|
||||
padding: 14px;
|
||||
border: 1px solid var(--line);
|
||||
border-radius: 12px;
|
||||
background: var(--card);
|
||||
white-space: pre-wrap;
|
||||
word-break: break-word;
|
||||
font: 15px/1.5 ui-monospace, "Cascadia Mono", Consolas, monospace;
|
||||
text-transform: none;
|
||||
letter-spacing: 0;
|
||||
font-weight: 400;
|
||||
}
|
||||
|
||||
#result.error {
|
||||
color: var(--danger);
|
||||
background: var(--danger-bg);
|
||||
border-color: #e4c8c8;
|
||||
}
|
||||
|
||||
#result:empty::before {
|
||||
content: "Результат появится здесь";
|
||||
color: var(--muted);
|
||||
font-family: "Segoe UI", system-ui, sans-serif;
|
||||
}
|
||||
|
||||
@media (max-width: 640px) {
|
||||
.modes { grid-template-columns: 1fr; }
|
||||
main { padding-top: 28px; }
|
||||
}
|
||||
</style>
|
||||
</head>
|
||||
<body>
|
||||
<main>
|
||||
<header>
|
||||
<h1>PD Guard</h1>
|
||||
<p>Маскирование персональных данных перед обработкой.</p>
|
||||
</header>
|
||||
|
||||
<form id="form">
|
||||
<fieldset>
|
||||
<legend>Режим</legend>
|
||||
<div class="modes">
|
||||
<label class="mode">
|
||||
<input type="radio" name="mode" value="default" checked>
|
||||
<strong>MASK</strong>
|
||||
<span>Звёздочки, края номеров видны</span>
|
||||
</label>
|
||||
<label class="mode">
|
||||
<input type="radio" name="mode" value="strict">
|
||||
<strong>STRICT</strong>
|
||||
<span>Сплошные звёздочки</span>
|
||||
</label>
|
||||
<label class="mode">
|
||||
<input type="radio" name="mode" value="crm">
|
||||
<strong>TOKEN</strong>
|
||||
<span>Токены вида [FIO_1]</span>
|
||||
</label>
|
||||
<label class="mode">
|
||||
<input type="radio" name="mode" value="analytics">
|
||||
<strong>SYNTHETIC</strong>
|
||||
<span>Правдоподобная подмена</span>
|
||||
</label>
|
||||
</div>
|
||||
</fieldset>
|
||||
|
||||
<label class="field">
|
||||
Текст
|
||||
<textarea id="payload" name="payload" required>Клиент Иванов Иван Иванович, паспорт 4509 123456, тел +7 916 123-45-67</textarea>
|
||||
</label>
|
||||
|
||||
<button type="submit" id="run">Обработать</button>
|
||||
|
||||
<label class="field">
|
||||
Результат
|
||||
<pre id="result" aria-live="polite"></pre>
|
||||
</label>
|
||||
</form>
|
||||
</main>
|
||||
|
||||
<script>
|
||||
const form = document.getElementById("form");
|
||||
const payload = document.getElementById("payload");
|
||||
const result = document.getElementById("result");
|
||||
const run = document.getElementById("run");
|
||||
|
||||
form.addEventListener("submit", async (event) => {
|
||||
event.preventDefault();
|
||||
const text = payload.value;
|
||||
if (!text.trim()) {
|
||||
show("Введите текст", true);
|
||||
return;
|
||||
}
|
||||
|
||||
const systemId = new FormData(form).get("mode");
|
||||
run.disabled = true;
|
||||
show("");
|
||||
|
||||
try {
|
||||
const response = await fetch("/process", {
|
||||
method: "POST",
|
||||
headers: {
|
||||
"Content-Type": "application/json",
|
||||
"X-System-Id": systemId
|
||||
},
|
||||
body: JSON.stringify({
|
||||
payload: text,
|
||||
payload_id: crypto.randomUUID()
|
||||
})
|
||||
});
|
||||
|
||||
if (response.status === 429) {
|
||||
show("Сервис перегружен. Повторите через секунду.", true);
|
||||
return;
|
||||
}
|
||||
|
||||
const raw = await response.text();
|
||||
let message = raw;
|
||||
try {
|
||||
const data = JSON.parse(raw);
|
||||
if (data && typeof data.result === "string") message = data.result;
|
||||
} catch (ignored) {
|
||||
/* ответ не JSON — показываем как есть */
|
||||
}
|
||||
|
||||
if (!response.ok) {
|
||||
show(message || "Запрос отклонён (" + response.status + ")", true);
|
||||
return;
|
||||
}
|
||||
show(message);
|
||||
} catch (error) {
|
||||
show("Не удалось связаться с сервисом.", true);
|
||||
} finally {
|
||||
run.disabled = false;
|
||||
}
|
||||
});
|
||||
|
||||
function show(text, isError) {
|
||||
result.textContent = text;
|
||||
result.classList.toggle("error", Boolean(isError));
|
||||
}
|
||||
</script>
|
||||
</body>
|
||||
</html>
|
||||
@@ -1,9 +1,5 @@
|
||||
package ru.pdguard;
|
||||
|
||||
import static org.junit.jupiter.api.Assertions.assertEquals;
|
||||
import static org.junit.jupiter.api.Assertions.assertFalse;
|
||||
|
||||
import java.util.UUID;
|
||||
import org.junit.jupiter.api.Test;
|
||||
import ru.pdguard.config.SystemPolicy;
|
||||
import ru.pdguard.core.PayloadStore;
|
||||
@@ -11,165 +7,89 @@ import ru.pdguard.core.Pipeline;
|
||||
import ru.pdguard.detect.RuleRegistry;
|
||||
import ru.pdguard.mask.Masker;
|
||||
|
||||
import java.util.UUID;
|
||||
|
||||
import static org.junit.jupiter.api.Assertions.assertEquals;
|
||||
import static org.junit.jupiter.api.Assertions.assertFalse;
|
||||
|
||||
/** Банковские реквизиты сверх платёжной карты: счёт, БИК, ОГРН(ИП), КПП, доход, биометрия. */
|
||||
class BankTypesTest {
|
||||
|
||||
private final Pipeline pipeline =
|
||||
new Pipeline(new RuleRegistry(), new Masker(), new PayloadStore(30));
|
||||
private final Pipeline pipeline =
|
||||
new Pipeline(new RuleRegistry(), new Masker(), new PayloadStore(1_000_000L, 30));
|
||||
|
||||
private void assertHidden(String text, String secret) {
|
||||
String masked = pipeline.process(text, UUID.randomUUID().toString(), SystemPolicy.DEFAULT);
|
||||
assertFalse(
|
||||
masked.contains(secret), "не замаскировано: «" + secret + "» в ответе «" + masked + "»");
|
||||
}
|
||||
|
||||
/**
|
||||
* Банковские реквизиты маскируются рядом с данными человека. Сами по себе они опознают
|
||||
* организацию или счёт, а не клиента, и в перечне типов из задания их нет — поэтому они
|
||||
* переведены в {@code requireCompanion}, как пин-код и дата.
|
||||
*/
|
||||
@Test
|
||||
void masksAccountNumberNextToPersonalData() {
|
||||
assertHidden(
|
||||
"Клиент Иванов Иван Иванович, расчётный счёт 40702810500000001234", "40702810500000001234");
|
||||
assertHidden("Иванов И.И., р/с 4070 2810 5000 0000 1234", "4070 2810 5000 0000 1234");
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksBikNextToPersonalData() {
|
||||
assertHidden("Перевод Иванову Ивану Ивановичу, БИК 044525593 банка-получателя", "044525593");
|
||||
}
|
||||
|
||||
@Test
|
||||
void keepsBankDetailsWithoutAnyPersonalData() {
|
||||
for (String text :
|
||||
new String[] {
|
||||
"Расчётный счёт 40702810500000001234 открыт вчера",
|
||||
"БИК 044525593 банка-получателя",
|
||||
"ОГРН 1027700132195 организации",
|
||||
"КПП 770101001 указан в реквизитах"
|
||||
}) {
|
||||
assertEquals(
|
||||
text,
|
||||
pipeline.process(text, UUID.randomUUID().toString(), SystemPolicy.DEFAULT),
|
||||
"реквизиты без человека персональными данными не являются");
|
||||
private void assertHidden(String text, String secret) {
|
||||
String masked = pipeline.process(text, UUID.randomUUID().toString(), SystemPolicy.DEFAULT);
|
||||
assertFalse(masked.contains(secret), "не замаскировано: «" + secret + "» в ответе «" + masked + "»");
|
||||
}
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksCardExpiryButNotCardNumber() {
|
||||
String masked =
|
||||
pipeline.process(
|
||||
"Карта 4111 1111 1111 1111, срок действия 09/27", "expiry-1", SystemPolicy.DEFAULT);
|
||||
assertFalse(masked.contains("09/27"), masked);
|
||||
assertEquals("Карта 41** **** **** **11, срок действия **/**", masked);
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksOgrnAndOgrnipDifferently() {
|
||||
assertHidden("Директор Иванов И.И., ОГРН 1027700132195 организации", "1027700132195");
|
||||
assertHidden("ИП Иванов Иван Иванович, ОГРНИП 304500116000157", "304500116000157");
|
||||
}
|
||||
|
||||
/** ОГРНИП (15 цифр) не должен наполовину ловиться правилом ОГРН (13 цифр). */
|
||||
@Test
|
||||
void ogrnDoesNotSwallowOgrnip() {
|
||||
String masked =
|
||||
pipeline.process(
|
||||
"ИП Иванов Иван Иванович, ОГРНИП 304500116000157", "ogrnip-1", SystemPolicy.DEFAULT);
|
||||
assertFalse(masked.contains("304500116000157"), masked);
|
||||
assertFalse(
|
||||
masked.matches(".*\\d{15}.*"), "осталась незамаскированная часть номера: " + masked);
|
||||
}
|
||||
|
||||
/**
|
||||
* Контрольная сумма отсекает случайное 13-значное число рядом со словом «ОГРН». Число подобрано
|
||||
* так, чтобы не проходить заодно и Луна — иначе оно всё равно маскировалось бы, но уже как номер
|
||||
* карты, и тест ничего бы не показывал.
|
||||
*/
|
||||
@Test
|
||||
void doesNotMaskOgrnWithBrokenChecksum() {
|
||||
String text = "ОГРН 1027700132190 организации";
|
||||
assertEquals(
|
||||
text,
|
||||
pipeline.process(text, UUID.randomUUID().toString(), SystemPolicy.DEFAULT),
|
||||
"число с неверной контрольной суммой не является настоящим ОГРН");
|
||||
}
|
||||
|
||||
/** Та же проверка для ОГРНИП — случайное 15-значное число рядом со словом. */
|
||||
@Test
|
||||
void doesNotMaskOgrnipWithBrokenChecksum() {
|
||||
String text = "ОГРНИП 304500116000150 предпринимателя";
|
||||
assertEquals(
|
||||
text,
|
||||
pipeline.process(text, UUID.randomUUID().toString(), SystemPolicy.DEFAULT),
|
||||
"число с неверной контрольной суммой не является настоящим ОГРНИП");
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksKppNextToPersonalData() {
|
||||
assertHidden("Заявитель Иванов И.И., КПП 770101001 указан в реквизитах", "770101001");
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksIncomeNextToPersonalData() {
|
||||
assertHidden("Иванов Иван Иванович, доход 85 000 руб. в месяц", "85 000");
|
||||
assertHidden("Иванову И.И. начислена заработная плата 120000 в месяц", "120000");
|
||||
}
|
||||
|
||||
/**
|
||||
* Сумма заработка без человека — статистика или описание продукта. Опознать по ней никого нельзя,
|
||||
* а для прокси к языковой модели вымаранное число означает, что вопрос про среднюю зарплату по
|
||||
* отрасли отвечать уже не на чем.
|
||||
*/
|
||||
@Test
|
||||
void keepsIncomeWithoutAnyPersonalData() {
|
||||
for (String text :
|
||||
new String[] {
|
||||
"По данным Росстата доход домохозяйств вырос до 74 500 руб",
|
||||
"Зарплатный проект: зарплата 80 000 руб перечисляется на счёт"
|
||||
}) {
|
||||
assertEquals(
|
||||
text,
|
||||
pipeline.process(text, UUID.randomUUID().toString(), SystemPolicy.DEFAULT),
|
||||
"сумма заработка без человека персональными данными не является");
|
||||
@Test
|
||||
void masksAccountNumber() {
|
||||
assertHidden("Расчётный счёт 40702810500000001234 открыт вчера", "40702810500000001234");
|
||||
assertHidden("р/с 4070 2810 5000 0000 1234", "4070 2810 5000 0000 1234");
|
||||
}
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksBiometricMentionNextToPersonalData() {
|
||||
assertHidden("Клиент Иванов Иван Иванович сдал биометрические данные", "биометрические данные");
|
||||
assertHidden("Для Иванова И.И. оформлен слепок голоса", "слепок голоса");
|
||||
}
|
||||
|
||||
/**
|
||||
* Биометрии в тексте не бывает: это шаблон в базе, и правило маскирует само упоминание — слово, а
|
||||
* не данные. Без человека рядом такая замена скрывает ноль сведений и разрушает смысл фразы.
|
||||
*/
|
||||
@Test
|
||||
void keepsBiometricMentionWithoutAnyPersonalData() {
|
||||
for (String text :
|
||||
new String[] {
|
||||
"Банк внедрил биометрические данные в обслуживание клиентов",
|
||||
"Сдать биометрию можно через ЕБС в любом отделении"
|
||||
}) {
|
||||
assertEquals(
|
||||
text,
|
||||
pipeline.process(text, UUID.randomUUID().toString(), SystemPolicy.DEFAULT),
|
||||
"упоминание биометрии без человека персональными данными не является");
|
||||
@Test
|
||||
void masksBik() {
|
||||
assertHidden("БИК 044525593 банка-получателя", "044525593");
|
||||
}
|
||||
}
|
||||
|
||||
/**
|
||||
* Два несамостоятельных типа рядом не заверяют друг друга: сочетание даты и ОГРН самостоятельным
|
||||
* не становится, человека в таком тексте нет.
|
||||
*/
|
||||
@Test
|
||||
void twoCompanionTypesDoNotVouchForEachOther() {
|
||||
String text = "Оплата 01.02.2025, ОГРН 1027700132195";
|
||||
assertEquals(
|
||||
text,
|
||||
pipeline.process(text, UUID.randomUUID().toString(), SystemPolicy.DEFAULT),
|
||||
"спутники заверили друг друга в отсутствие настоящих ПД");
|
||||
}
|
||||
@Test
|
||||
void masksCardExpiryButNotCardNumber() {
|
||||
String masked = pipeline.process(
|
||||
"Карта 4111 1111 1111 1111, срок действия 09/27", "expiry-1", SystemPolicy.DEFAULT);
|
||||
assertFalse(masked.contains("09/27"), masked);
|
||||
assertEquals("Карта 41** **** **** **11, срок действия **/**", masked);
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksOgrnAndOgrnipDifferently() {
|
||||
assertHidden("ОГРН 1027700132195 организации", "1027700132195");
|
||||
assertHidden("ОГРНИП 304500116000157 предпринимателя", "304500116000157");
|
||||
}
|
||||
|
||||
/** ОГРНИП (15 цифр) не должен наполовину ловиться правилом ОГРН (13 цифр). */
|
||||
@Test
|
||||
void ogrnDoesNotSwallowOgrnip() {
|
||||
String masked = pipeline.process("ОГРНИП 304500116000157", "ogrnip-1", SystemPolicy.DEFAULT);
|
||||
assertFalse(masked.contains("304500116000157"), masked);
|
||||
assertFalse(masked.matches(".*\\d{15}.*"), "осталась незамаскированная часть номера: " + masked);
|
||||
}
|
||||
|
||||
/**
|
||||
* Контрольная сумма отсекает случайное 13-значное число рядом со словом «ОГРН».
|
||||
* Число подобрано так, чтобы не проходить заодно и Луна — иначе оно всё равно
|
||||
* маскировалось бы, но уже как номер карты, и тест ничего бы не показывал.
|
||||
*/
|
||||
@Test
|
||||
void doesNotMaskOgrnWithBrokenChecksum() {
|
||||
String text = "ОГРН 1027700132190 организации";
|
||||
assertEquals(text, pipeline.process(text, UUID.randomUUID().toString(), SystemPolicy.DEFAULT),
|
||||
"число с неверной контрольной суммой не является настоящим ОГРН");
|
||||
}
|
||||
|
||||
/** Та же проверка для ОГРНИП — случайное 15-значное число рядом со словом. */
|
||||
@Test
|
||||
void doesNotMaskOgrnipWithBrokenChecksum() {
|
||||
String text = "ОГРНИП 304500116000150 предпринимателя";
|
||||
assertEquals(text, pipeline.process(text, UUID.randomUUID().toString(), SystemPolicy.DEFAULT),
|
||||
"число с неверной контрольной суммой не является настоящим ОГРНИП");
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksKpp() {
|
||||
assertHidden("КПП 770101001 указан в реквизитах", "770101001");
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksIncomeAmount() {
|
||||
assertHidden("Доход клиента 85 000 руб. в месяц", "85 000");
|
||||
assertHidden("Заработная плата 120000 в месяц", "120000");
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksBiometricMention() {
|
||||
assertHidden("Клиент сдал биометрические данные в отделении", "биометрические данные");
|
||||
assertHidden("Оформлен слепок голоса для верификации", "слепок голоса");
|
||||
}
|
||||
}
|
||||
|
||||
@@ -1,5 +1,7 @@
|
||||
package ru.pdguard;
|
||||
|
||||
import ru.pdguard.core.Span;
|
||||
|
||||
import java.io.BufferedReader;
|
||||
import java.io.IOException;
|
||||
import java.io.InputStream;
|
||||
@@ -10,57 +12,56 @@ import java.util.List;
|
||||
import java.util.Objects;
|
||||
import java.util.regex.Matcher;
|
||||
import java.util.regex.Pattern;
|
||||
import ru.pdguard.detect.Span;
|
||||
|
||||
/**
|
||||
* Общий разбор размеченных наборов {@code {{ТИП:значение}}} — используется и {@link BenchmarkTest}
|
||||
* (замер качества по строкам), и {@link LargeTextTest} (те же строки, перемешанные и склеенные в
|
||||
* большой текст).
|
||||
* Общий разбор размеченных наборов {@code {{ТИП:значение}}} — используется
|
||||
* и {@link BenchmarkTest} (замер качества по строкам), и {@link LargeTextTest}
|
||||
* (те же строки, перемешанные и склеенные в большой текст).
|
||||
*/
|
||||
final class BenchmarkFixtures {
|
||||
|
||||
private static final Pattern MARKUP = Pattern.compile("\\{\\{([A-Z_]+):([^}]*)}}");
|
||||
private static final Pattern MARKUP = Pattern.compile("\\{\\{([A-Z_]+):([^}]*)}}");
|
||||
|
||||
/** Размеченный пример: чистый текст и эталонные фрагменты. */
|
||||
record Sample(String text, List<Span> gold) {}
|
||||
/** Размеченный пример: чистый текст и эталонные фрагменты. */
|
||||
record Sample(String text, List<Span> gold) {
|
||||
}
|
||||
|
||||
private BenchmarkFixtures() {}
|
||||
private BenchmarkFixtures() {
|
||||
}
|
||||
|
||||
/** Читает набор построчно, пропуская пустые строки и комментарии {@code #}. */
|
||||
static List<Sample> load(String resource) {
|
||||
List<Sample> samples = new ArrayList<>();
|
||||
try (InputStream in = BenchmarkFixtures.class.getResourceAsStream(resource);
|
||||
BufferedReader reader =
|
||||
new BufferedReader(
|
||||
new InputStreamReader(
|
||||
Objects.requireNonNull(in, resource), StandardCharsets.UTF_8))) {
|
||||
String line;
|
||||
while ((line = reader.readLine()) != null) {
|
||||
String trimmed = line.trim();
|
||||
if (!trimmed.isEmpty() && !trimmed.startsWith("#")) {
|
||||
samples.add(parse(trimmed));
|
||||
/** Читает набор построчно, пропуская пустые строки и комментарии {@code #}. */
|
||||
static List<Sample> load(String resource) {
|
||||
List<Sample> samples = new ArrayList<>();
|
||||
try (InputStream in = BenchmarkFixtures.class.getResourceAsStream(resource);
|
||||
BufferedReader reader = new BufferedReader(
|
||||
new InputStreamReader(Objects.requireNonNull(in, resource), StandardCharsets.UTF_8))) {
|
||||
String line;
|
||||
while ((line = reader.readLine()) != null) {
|
||||
String trimmed = line.trim();
|
||||
if (!trimmed.isEmpty() && !trimmed.startsWith("#")) {
|
||||
samples.add(parse(trimmed));
|
||||
}
|
||||
}
|
||||
} catch (IOException e) {
|
||||
throw new IllegalStateException("Не удалось прочитать " + resource, e);
|
||||
}
|
||||
}
|
||||
} catch (IOException e) {
|
||||
throw new IllegalStateException("Не удалось прочитать " + resource, e);
|
||||
return samples;
|
||||
}
|
||||
return samples;
|
||||
}
|
||||
|
||||
/** Разбирает разметку {@code {{ТИП:значение}}} в чистый текст и эталонные фрагменты. */
|
||||
static Sample parse(String line) {
|
||||
StringBuilder text = new StringBuilder(line.length());
|
||||
List<Span> gold = new ArrayList<>();
|
||||
Matcher m = MARKUP.matcher(line);
|
||||
int cursor = 0;
|
||||
while (m.find()) {
|
||||
text.append(line, cursor, m.start());
|
||||
int start = text.length();
|
||||
text.append(m.group(2));
|
||||
gold.add(new Span(start, text.length(), m.group(1), 0));
|
||||
cursor = m.end();
|
||||
/** Разбирает разметку {@code {{ТИП:значение}}} в чистый текст и эталонные фрагменты. */
|
||||
static Sample parse(String line) {
|
||||
StringBuilder text = new StringBuilder(line.length());
|
||||
List<Span> gold = new ArrayList<>();
|
||||
Matcher m = MARKUP.matcher(line);
|
||||
int cursor = 0;
|
||||
while (m.find()) {
|
||||
text.append(line, cursor, m.start());
|
||||
int start = text.length();
|
||||
text.append(m.group(2));
|
||||
gold.add(new Span(start, text.length(), m.group(1), 0));
|
||||
cursor = m.end();
|
||||
}
|
||||
text.append(line, cursor, line.length());
|
||||
return new Sample(text.toString(), gold);
|
||||
}
|
||||
text.append(line, cursor, line.length());
|
||||
return new Sample(text.toString(), gold);
|
||||
}
|
||||
}
|
||||
|
||||
@@ -1,7 +1,13 @@
|
||||
package ru.pdguard;
|
||||
|
||||
import static org.junit.jupiter.api.Assertions.assertTrue;
|
||||
import static org.junit.jupiter.api.Assumptions.assumeTrue;
|
||||
import org.junit.jupiter.api.Test;
|
||||
import ru.pdguard.config.SystemPolicy;
|
||||
import ru.pdguard.core.PayloadStore;
|
||||
import ru.pdguard.core.Pipeline;
|
||||
import ru.pdguard.core.Span;
|
||||
import ru.pdguard.detect.NameCascade;
|
||||
import ru.pdguard.detect.RuleRegistry;
|
||||
import ru.pdguard.mask.Masker;
|
||||
|
||||
import java.nio.file.Files;
|
||||
import java.nio.file.Path;
|
||||
@@ -11,409 +17,325 @@ import java.util.LinkedHashMap;
|
||||
import java.util.List;
|
||||
import java.util.Map;
|
||||
import java.util.Optional;
|
||||
import org.junit.jupiter.api.Test;
|
||||
import ru.pdguard.config.SystemPolicy;
|
||||
import ru.pdguard.core.PayloadStore;
|
||||
import ru.pdguard.core.Pipeline;
|
||||
import ru.pdguard.detect.NameCascade;
|
||||
import ru.pdguard.detect.PdTypes;
|
||||
import ru.pdguard.detect.RuleRegistry;
|
||||
import ru.pdguard.detect.Span;
|
||||
import ru.pdguard.mask.Masker;
|
||||
|
||||
import static org.junit.jupiter.api.Assertions.assertTrue;
|
||||
import static org.junit.jupiter.api.Assumptions.assumeTrue;
|
||||
|
||||
/**
|
||||
* Замер качества детекции на размеченных наборах.
|
||||
*
|
||||
* <p>Наборов два. {@code benchmark.txt} использовался при отладке правил, поэтому его оценка
|
||||
* завышена и годится только как защита от ухудшений. {@code benchmark-holdout.txt} составлен
|
||||
* независимо и на нём правила не настраивались — именно он показывает настоящее качество.
|
||||
* <p>Наборов два. {@code benchmark.txt} использовался при отладке правил, поэтому
|
||||
* его оценка завышена и годится только как защита от ухудшений.
|
||||
* {@code benchmark-holdout.txt} составлен независимо и на нём правила не
|
||||
* настраивались — именно он показывает настоящее качество.
|
||||
*
|
||||
* <p>Метрики посимвольные: так они не зависят от того, где именно правило поставило границу
|
||||
* совпадения, и напрямую соотносятся с посимвольным сравнением замаскированного текста с эталоном.
|
||||
* <p>Метрики посимвольные: так они не зависят от того, где именно правило
|
||||
* поставило границу совпадения, и напрямую соотносятся с посимвольным
|
||||
* сравнением замаскированного текста с эталоном.
|
||||
*
|
||||
* <p>Отдельно считается строка «любой тип»: для защиты важно, что знаки скрыты, а расхождение в
|
||||
* названии типа (скажем, место рождения против города) на качество маскирования не влияет.
|
||||
* <p>Отдельно считается строка «любой тип»: для защиты важно, что знаки скрыты,
|
||||
* а расхождение в названии типа (скажем, место рождения против города) на
|
||||
* качество маскирования не влияет.
|
||||
*/
|
||||
class BenchmarkTest {
|
||||
|
||||
/**
|
||||
* Вторая ступень для замера. Модели нет — прогон идёт на одних правилах, и это видно по заголовку
|
||||
* отчёта. Путь подменяется свойством {@code -Dbench.model=...}.
|
||||
*/
|
||||
private static final String ENGINE = System.getProperty("bench.engine", "rubert");
|
||||
/** Модель второй ступени; собирается отдельно, см. README. */
|
||||
private static final String MODEL_PATH = "models/ru-ner-person.bin";
|
||||
|
||||
private static final String MODEL_PATH = System.getProperty("bench.model", "models/rubert-ner");
|
||||
|
||||
/** Итог замера по одному набору. */
|
||||
private record Result(
|
||||
double fioF1,
|
||||
double overallPrecision,
|
||||
double overallRecall,
|
||||
double falsePositiveRate,
|
||||
int foundFioSpans,
|
||||
int goldFioSpans) {}
|
||||
|
||||
/** Накопитель посимвольных совпадений по одному типу. */
|
||||
private static final class Score {
|
||||
private int truePositive;
|
||||
private int falsePositive;
|
||||
private int falseNegative;
|
||||
|
||||
private int gold() {
|
||||
return truePositive + falseNegative;
|
||||
/** Итог замера по одному набору. */
|
||||
private record Result(double fioF1, double overallPrecision, double overallRecall,
|
||||
double falsePositiveRate, int foundFioSpans, int goldFioSpans) {
|
||||
}
|
||||
|
||||
private double precision() {
|
||||
int found = truePositive + falsePositive;
|
||||
return found == 0 ? 1.0 : (double) truePositive / found;
|
||||
}
|
||||
/** Накопитель посимвольных совпадений по одному типу. */
|
||||
private static final class Score {
|
||||
private int truePositive;
|
||||
private int falsePositive;
|
||||
private int falseNegative;
|
||||
|
||||
private double recall() {
|
||||
return gold() == 0 ? 1.0 : (double) truePositive / gold();
|
||||
}
|
||||
|
||||
private double f1() {
|
||||
double p = precision();
|
||||
double r = recall();
|
||||
return p + r == 0 ? 0.0 : 2 * p * r / (p + r);
|
||||
}
|
||||
}
|
||||
|
||||
private final Pipeline pipeline =
|
||||
new Pipeline(new RuleRegistry(), new Masker(), new PayloadStore(30));
|
||||
|
||||
/**
|
||||
* Набор, на котором правила отлаживались. Пороги здесь высокие: любое падение означает, что
|
||||
* сломалось то, что раньше работало.
|
||||
*/
|
||||
@Test
|
||||
void detectionQualityOnTuningSet() {
|
||||
Result result = measure("/benchmark.txt", "набор отладки");
|
||||
|
||||
assertTrue(result.fioF1() >= 0.95, String.format("F1 по ФИО упал до %.3f", result.fioF1()));
|
||||
assertTrue(
|
||||
result.overallRecall() >= 0.95,
|
||||
String.format("полнота по всем типам упала до %.3f", result.overallRecall()));
|
||||
assertTrue(
|
||||
result.falsePositiveRate() <= 0.05,
|
||||
String.format("ложные срабатывания на чистых текстах: %.3f", result.falsePositiveRate()));
|
||||
}
|
||||
|
||||
/**
|
||||
* Отложенный набор: правила на нём не настраивались. Пороги ниже — они отражают измеренное на нём
|
||||
* качество, а не желаемое.
|
||||
*/
|
||||
@Test
|
||||
void detectionQualityOnHoldoutSet() {
|
||||
Result result = measure("/benchmark-holdout.txt", "отложенный набор");
|
||||
|
||||
assertTrue(
|
||||
result.fioF1() >= 0.75,
|
||||
String.format("F1 по ФИО на отложенном наборе упал до %.3f", result.fioF1()));
|
||||
assertTrue(
|
||||
result.overallRecall() >= 0.75,
|
||||
String.format("полнота на отложенном наборе упала до %.3f", result.overallRecall()));
|
||||
assertTrue(
|
||||
result.falsePositiveRate() <= 0.15,
|
||||
String.format(
|
||||
"ложные срабатывания на отложенном наборе: %.3f", result.falsePositiveRate()));
|
||||
}
|
||||
|
||||
/**
|
||||
* Второй контрольный набор, составленный после того, как первый дважды повлиял на правила. На нём
|
||||
* не настраивалось ничего — он и показывает настоящее качество. Пороги низкие намеренно: тест
|
||||
* ловит обвал, а не сторожит значение.
|
||||
*/
|
||||
@Test
|
||||
void detectionQualityOnThirdHoldoutSet() {
|
||||
Pipeline stage =
|
||||
Files.isReadable(Path.of(MODEL_PATH))
|
||||
? new Pipeline(
|
||||
new RuleRegistry(),
|
||||
new Masker(),
|
||||
new PayloadStore(30),
|
||||
new NameCascade(ENGINE, Optional.of(MODEL_PATH), 16, 4))
|
||||
: pipeline;
|
||||
Result result = measure(stage, "/benchmark-holdout3.txt", "второй контрольный набор");
|
||||
|
||||
assertTrue(
|
||||
result.fioF1() >= 0.70,
|
||||
String.format("F1 по ФИО на втором контрольном наборе упал до %.3f", result.fioF1()));
|
||||
assertTrue(
|
||||
result.overallRecall() >= 0.70,
|
||||
String.format(
|
||||
"полнота на втором контрольном наборе упала до %.3f", result.overallRecall()));
|
||||
}
|
||||
|
||||
/**
|
||||
* Контрольный набор. Правила по нему не настраиваются: он существует, чтобы показывать качество
|
||||
* на данных, которых разработка не видела. Пороги здесь низкие намеренно — тест ловит обвал, а не
|
||||
* сторожит достигнутое значение. Замер идёт со второй ступенью, если модель собрана, иначе на
|
||||
* одних правилах.
|
||||
*/
|
||||
@Test
|
||||
void detectionQualityOnSecondHoldoutSet() {
|
||||
Pipeline stage =
|
||||
Files.isReadable(Path.of(MODEL_PATH))
|
||||
? new Pipeline(
|
||||
new RuleRegistry(),
|
||||
new Masker(),
|
||||
new PayloadStore(30),
|
||||
new NameCascade(ENGINE, Optional.of(MODEL_PATH), 16, 4))
|
||||
: pipeline;
|
||||
Result result = measure(stage, "/benchmark-holdout2.txt", "второй отложенный набор");
|
||||
|
||||
assertTrue(
|
||||
result.fioF1() >= 0.70,
|
||||
String.format("F1 по ФИО на втором отложенном наборе упал до %.3f", result.fioF1()));
|
||||
assertTrue(
|
||||
result.overallRecall() >= 0.70,
|
||||
String.format("полнота на втором отложенном наборе упала до %.3f", result.overallRecall()));
|
||||
}
|
||||
|
||||
/**
|
||||
* Независимый сгенерированный набор — покрывает все типы ПД из ТЗ и вариации написания, не
|
||||
* встречавшиеся ни в одном из остальных наборов. Правила под него не настраивались; пороги низкие
|
||||
* по той же причине, что и у второго отложенного набора — тест ловит обвал, а не сторожит
|
||||
* достигнутое значение.
|
||||
*/
|
||||
@Test
|
||||
void detectionQualityOnGeneratedSet() {
|
||||
Pipeline stage =
|
||||
Files.isReadable(Path.of(MODEL_PATH))
|
||||
? new Pipeline(
|
||||
new RuleRegistry(),
|
||||
new Masker(),
|
||||
new PayloadStore(30),
|
||||
new NameCascade(ENGINE, Optional.of(MODEL_PATH), 16, 4))
|
||||
: pipeline;
|
||||
Result result = measure(stage, "/benchmark-generated.txt", "сгенерированный набор");
|
||||
|
||||
assertTrue(
|
||||
result.fioF1() >= 0.70,
|
||||
String.format("F1 по ФИО на сгенерированном наборе упал до %.3f", result.fioF1()));
|
||||
assertTrue(
|
||||
result.overallRecall() >= 0.70,
|
||||
String.format("полнота на сгенерированном наборе упала до %.3f", result.overallRecall()));
|
||||
}
|
||||
|
||||
/**
|
||||
* Тот же отложенный набор, но со включённой второй ступенью. Модели нет — проверка пропускается:
|
||||
* в сборке без модели сервис работает на одних правилах.
|
||||
*/
|
||||
@Test
|
||||
void detectionQualityWithNameCascade() {
|
||||
Path model = Path.of(MODEL_PATH);
|
||||
assumeTrue(Files.isReadable(model), "модель " + model.toAbsolutePath() + " не собрана");
|
||||
|
||||
Pipeline withCascade =
|
||||
new Pipeline(
|
||||
new RuleRegistry(),
|
||||
new Masker(),
|
||||
new PayloadStore(30),
|
||||
new NameCascade(ENGINE, Optional.of(MODEL_PATH), 16, 4));
|
||||
Result result =
|
||||
measure(withCascade, "/benchmark-holdout.txt", "отложенный набор, вторая ступень включена");
|
||||
|
||||
assertTrue(
|
||||
result.fioF1() >= 0.75,
|
||||
String.format("F1 по ФИО со второй ступенью упал до %.3f", result.fioF1()));
|
||||
}
|
||||
|
||||
private Result measure(String resource, String title) {
|
||||
return measure(pipeline, resource, title);
|
||||
}
|
||||
|
||||
private Result measure(Pipeline stage, String resource, String title) {
|
||||
List<BenchmarkFixtures.Sample> samples = BenchmarkFixtures.load(resource);
|
||||
Map<String, Score> byType = new LinkedHashMap<>();
|
||||
Score anyType = new Score();
|
||||
|
||||
int cleanTexts = 0;
|
||||
int cleanTextsWithFalseHit = 0;
|
||||
int goldFioSpans = 0;
|
||||
int foundFioSpans = 0;
|
||||
List<String> falseHits = new ArrayList<>();
|
||||
List<String> missedFio = new ArrayList<>();
|
||||
List<String> overMasked = new ArrayList<>();
|
||||
|
||||
for (BenchmarkFixtures.Sample sample : samples) {
|
||||
List<Span> found = stage.findPersonalData(sample.text(), SystemPolicy.DEFAULT);
|
||||
|
||||
String[] goldChars = paint(sample.text().length(), sample.gold());
|
||||
String[] foundChars = paint(sample.text().length(), found);
|
||||
|
||||
for (int i = 0; i < sample.text().length(); i++) {
|
||||
account(byType, goldChars[i], foundChars[i]);
|
||||
accountAnyType(anyType, goldChars[i] != null, foundChars[i] != null);
|
||||
}
|
||||
|
||||
if (sample.gold().isEmpty()) {
|
||||
cleanTexts++;
|
||||
if (!found.isEmpty()) {
|
||||
cleanTextsWithFalseHit++;
|
||||
falseHits.add(fragment(sample.text(), found.get(0)) + " ← " + sample.text());
|
||||
private int gold() {
|
||||
return truePositive + falseNegative;
|
||||
}
|
||||
} else {
|
||||
collectOverMasked(sample.text(), goldChars, foundChars, overMasked);
|
||||
}
|
||||
|
||||
for (Span gold : sample.gold()) {
|
||||
if (!PdTypes.FIO.equals(gold.type())) {
|
||||
continue;
|
||||
private double precision() {
|
||||
int found = truePositive + falsePositive;
|
||||
return found == 0 ? 1.0 : (double) truePositive / found;
|
||||
}
|
||||
goldFioSpans++;
|
||||
if (overlappedByFio(gold, found)) {
|
||||
foundFioSpans++;
|
||||
} else {
|
||||
missedFio.add(fragment(sample.text(), gold) + " ← " + sample.text());
|
||||
|
||||
private double recall() {
|
||||
return gold() == 0 ? 1.0 : (double) truePositive / gold();
|
||||
}
|
||||
|
||||
private double f1() {
|
||||
double p = precision();
|
||||
double r = recall();
|
||||
return p + r == 0 ? 0.0 : 2 * p * r / (p + r);
|
||||
}
|
||||
}
|
||||
}
|
||||
|
||||
report(
|
||||
title,
|
||||
samples.size(),
|
||||
byType,
|
||||
anyType,
|
||||
goldFioSpans,
|
||||
foundFioSpans,
|
||||
cleanTexts,
|
||||
cleanTextsWithFalseHit,
|
||||
missedFio,
|
||||
falseHits,
|
||||
overMasked);
|
||||
private final Pipeline pipeline =
|
||||
new Pipeline(new RuleRegistry(), new Masker(), new PayloadStore(10_000_000L, 30));
|
||||
|
||||
Score fio = byType.getOrDefault(PdTypes.FIO, new Score());
|
||||
double falsePositiveRate = cleanTexts == 0 ? 0.0 : (double) cleanTextsWithFalseHit / cleanTexts;
|
||||
return new Result(
|
||||
fio.f1(),
|
||||
anyType.precision(),
|
||||
anyType.recall(),
|
||||
falsePositiveRate,
|
||||
foundFioSpans,
|
||||
goldFioSpans);
|
||||
}
|
||||
/**
|
||||
* Набор, на котором правила отлаживались. Пороги здесь высокие: любое падение
|
||||
* означает, что сломалось то, что раньше работало.
|
||||
*/
|
||||
@Test
|
||||
void detectionQualityOnTuningSet() {
|
||||
Result result = measure("/benchmark.txt", "набор отладки");
|
||||
|
||||
/** Раскрашивает каждый знак текста типом ПД, который его покрывает. */
|
||||
private static String[] paint(int length, List<Span> spans) {
|
||||
String[] painted = new String[length];
|
||||
for (Span span : spans) {
|
||||
for (int i = span.start(); i < Math.min(span.end(), length); i++) {
|
||||
painted[i] = span.type();
|
||||
}
|
||||
assertTrue(result.fioF1() >= 0.95,
|
||||
String.format("F1 по ФИО упал до %.3f", result.fioF1()));
|
||||
assertTrue(result.overallRecall() >= 0.95,
|
||||
String.format("полнота по всем типам упала до %.3f", result.overallRecall()));
|
||||
assertTrue(result.falsePositiveRate() <= 0.05,
|
||||
String.format("ложные срабатывания на чистых текстах: %.3f", result.falsePositiveRate()));
|
||||
}
|
||||
return painted;
|
||||
}
|
||||
|
||||
private static void account(Map<String, Score> byType, String gold, String found) {
|
||||
if (gold != null) {
|
||||
Score score = byType.computeIfAbsent(gold, t -> new Score());
|
||||
if (gold.equals(found)) {
|
||||
score.truePositive++;
|
||||
} else {
|
||||
score.falseNegative++;
|
||||
}
|
||||
/**
|
||||
* Отложенный набор: правила на нём не настраивались. Пороги ниже — они
|
||||
* отражают измеренное на нём качество, а не желаемое.
|
||||
*/
|
||||
@Test
|
||||
void detectionQualityOnHoldoutSet() {
|
||||
Result result = measure("/benchmark-holdout.txt", "отложенный набор");
|
||||
|
||||
assertTrue(result.fioF1() >= 0.75,
|
||||
String.format("F1 по ФИО на отложенном наборе упал до %.3f", result.fioF1()));
|
||||
assertTrue(result.overallRecall() >= 0.75,
|
||||
String.format("полнота на отложенном наборе упала до %.3f", result.overallRecall()));
|
||||
assertTrue(result.falsePositiveRate() <= 0.15,
|
||||
String.format("ложные срабатывания на отложенном наборе: %.3f", result.falsePositiveRate()));
|
||||
}
|
||||
if (found != null && !found.equals(gold)) {
|
||||
byType.computeIfAbsent(found, t -> new Score()).falsePositive++;
|
||||
|
||||
/**
|
||||
* Контрольный набор. Правила по нему не настраиваются: он существует, чтобы
|
||||
* показывать качество на данных, которых разработка не видела. Пороги здесь
|
||||
* низкие намеренно — тест ловит обвал, а не сторожит достигнутое значение.
|
||||
* Замер идёт со второй ступенью, если модель собрана, иначе на одних правилах.
|
||||
*/
|
||||
@Test
|
||||
void detectionQualityOnSecondHoldoutSet() {
|
||||
Pipeline stage = Files.isReadable(Path.of(MODEL_PATH))
|
||||
? new Pipeline(new RuleRegistry(), new Masker(), new PayloadStore(10_000_000L, 30),
|
||||
new NameCascade(Optional.of(MODEL_PATH), 16, 4))
|
||||
: pipeline;
|
||||
Result result = measure(stage, "/benchmark-holdout2.txt", "второй отложенный набор");
|
||||
|
||||
assertTrue(result.fioF1() >= 0.70,
|
||||
String.format("F1 по ФИО на втором отложенном наборе упал до %.3f", result.fioF1()));
|
||||
assertTrue(result.overallRecall() >= 0.70,
|
||||
String.format("полнота на втором отложенном наборе упала до %.3f", result.overallRecall()));
|
||||
}
|
||||
}
|
||||
|
||||
private static void accountAnyType(Score score, boolean gold, boolean found) {
|
||||
if (gold && found) {
|
||||
score.truePositive++;
|
||||
} else if (gold) {
|
||||
score.falseNegative++;
|
||||
} else if (found) {
|
||||
score.falsePositive++;
|
||||
/**
|
||||
* Реальные адреса отделений Альфа-Банка (ловушка из ТЗ — не ПД клиента),
|
||||
* расширенный денилист, обобщённое companion-правило (место рождения,
|
||||
* страна) и новые банковские типы. Собран специально под соответствующие
|
||||
* доработки — пороги ниже, чем у набора отладки, но проверяют именно то,
|
||||
* что было доработано, а не общее качество остального пайплайна.
|
||||
*/
|
||||
@Test
|
||||
void detectionQualityOnBankContextSet() {
|
||||
Result result = measure("/benchmark-bank-context.txt", "банковский контекст");
|
||||
|
||||
assertTrue(result.fioF1() >= 0.70,
|
||||
String.format("F1 по ФИО на банковском наборе упал до %.3f", result.fioF1()));
|
||||
assertTrue(result.overallRecall() >= 0.70,
|
||||
String.format("полнота на банковском наборе упала до %.3f", result.overallRecall()));
|
||||
assertTrue(result.falsePositiveRate() <= 0.10,
|
||||
String.format("ложные срабатывания на банковском наборе: %.3f", result.falsePositiveRate()));
|
||||
}
|
||||
}
|
||||
|
||||
private static boolean overlappedByFio(Span gold, List<Span> found) {
|
||||
return found.stream().anyMatch(span -> PdTypes.FIO.equals(span.type()) && span.overlaps(gold));
|
||||
}
|
||||
/**
|
||||
* Независимый сгенерированный набор — покрывает все типы ПД из ТЗ и вариации
|
||||
* написания, не встречавшиеся ни в одном из остальных наборов. Правила под
|
||||
* него не настраивались; пороги низкие по той же причине, что и у второго
|
||||
* отложенного набора — тест ловит обвал, а не сторожит достигнутое значение.
|
||||
*/
|
||||
@Test
|
||||
void detectionQualityOnGeneratedSet() {
|
||||
Pipeline stage = Files.isReadable(Path.of(MODEL_PATH))
|
||||
? new Pipeline(new RuleRegistry(), new Masker(), new PayloadStore(10_000_000L, 30),
|
||||
new NameCascade(Optional.of(MODEL_PATH), 16, 4))
|
||||
: pipeline;
|
||||
Result result = measure(stage, "/benchmark-generated.txt", "сгенерированный набор");
|
||||
|
||||
private static String fragment(String text, Span span) {
|
||||
return "«" + text.substring(span.start(), Math.min(span.end(), text.length())) + "»";
|
||||
}
|
||||
|
||||
/** Знаки, замаскированные сверх эталона: полезно видеть, где правило берёт лишнее. */
|
||||
private static void collectOverMasked(
|
||||
String text, String[] gold, String[] found, List<String> sink) {
|
||||
int from = -1;
|
||||
for (int i = 0; i <= text.length(); i++) {
|
||||
boolean extra = i < text.length() && found[i] != null && gold[i] == null;
|
||||
if (extra && from < 0) {
|
||||
from = i;
|
||||
} else if (!extra && from >= 0) {
|
||||
sink.add("«" + text.substring(from, i) + "» как " + found[from] + " ← " + text);
|
||||
from = -1;
|
||||
}
|
||||
assertTrue(result.fioF1() >= 0.70,
|
||||
String.format("F1 по ФИО на сгенерированном наборе упал до %.3f", result.fioF1()));
|
||||
assertTrue(result.overallRecall() >= 0.70,
|
||||
String.format("полнота на сгенерированном наборе упала до %.3f", result.overallRecall()));
|
||||
}
|
||||
}
|
||||
|
||||
private void report(
|
||||
String title,
|
||||
int samples,
|
||||
Map<String, Score> byType,
|
||||
Score anyType,
|
||||
int goldFio,
|
||||
int foundFio,
|
||||
int cleanTexts,
|
||||
int falseHitTexts,
|
||||
List<String> missedFio,
|
||||
List<String> falseHits,
|
||||
List<String> overMasked) {
|
||||
StringBuilder out = new StringBuilder(4096);
|
||||
out.append("\n=== ")
|
||||
.append(title)
|
||||
.append(": ")
|
||||
.append(samples)
|
||||
.append(" размеченных строк ===\n\n");
|
||||
out.append(
|
||||
String.format("%-20s %8s %8s %8s %8s%n", "тип", "знаков", "точность", "полнота", "F1"));
|
||||
/**
|
||||
* Тот же отложенный набор, но со включённой второй ступенью. Модели нет —
|
||||
* проверка пропускается: в сборке без модели сервис работает на одних правилах.
|
||||
*/
|
||||
@Test
|
||||
void detectionQualityWithNameCascade() {
|
||||
Path model = Path.of(MODEL_PATH);
|
||||
assumeTrue(Files.isReadable(model), "модель " + model.toAbsolutePath() + " не собрана");
|
||||
|
||||
byType.entrySet().stream()
|
||||
.sorted(
|
||||
Comparator.comparingInt((Map.Entry<String, Score> e) -> e.getValue().gold()).reversed())
|
||||
.forEach(
|
||||
e ->
|
||||
out.append(
|
||||
String.format(
|
||||
"%-20s %8d %8.3f %8.3f %8.3f%n",
|
||||
e.getKey(),
|
||||
e.getValue().gold(),
|
||||
e.getValue().precision(),
|
||||
e.getValue().recall(),
|
||||
e.getValue().f1())));
|
||||
Pipeline withCascade = new Pipeline(new RuleRegistry(), new Masker(),
|
||||
new PayloadStore(10_000_000L, 30), new NameCascade(Optional.of(MODEL_PATH), 16, 4));
|
||||
Result result = measure(withCascade, "/benchmark-holdout.txt", "отложенный набор, вторая ступень включена");
|
||||
|
||||
out.append(
|
||||
String.format(
|
||||
"%-20s %8d %8.3f %8.3f %8.3f%n",
|
||||
"ЛЮБОЙ ТИП", anyType.gold(), anyType.precision(), anyType.recall(), anyType.f1()));
|
||||
|
||||
out.append(
|
||||
String.format(
|
||||
"%nФИО пофрагментно: найдено %d из %d (%.1f %%)%n",
|
||||
foundFio, goldFio, goldFio == 0 ? 100.0 : 100.0 * foundFio / goldFio));
|
||||
out.append(
|
||||
String.format(
|
||||
"Тексты без ПД: ложные срабатывания на %d из %d (%.1f %%)%n",
|
||||
falseHitTexts, cleanTexts, cleanTexts == 0 ? 0.0 : 100.0 * falseHitTexts / cleanTexts));
|
||||
|
||||
appendList(out, "\nНе найденные ФИО:", missedFio);
|
||||
appendList(out, "\nЛожные срабатывания:", falseHits);
|
||||
appendList(out, "\nЗамаскировано сверх эталона:", overMasked);
|
||||
|
||||
System.out.println(out);
|
||||
}
|
||||
|
||||
private static void appendList(StringBuilder out, String title, List<String> lines) {
|
||||
if (lines.isEmpty()) {
|
||||
return;
|
||||
assertTrue(result.fioF1() >= 0.75,
|
||||
String.format("F1 по ФИО со второй ступенью упал до %.3f", result.fioF1()));
|
||||
}
|
||||
out.append(title).append('\n');
|
||||
lines.forEach(line -> out.append(" ").append(line).append('\n'));
|
||||
}
|
||||
|
||||
private Result measure(String resource, String title) {
|
||||
return measure(pipeline, resource, title);
|
||||
}
|
||||
|
||||
private Result measure(Pipeline stage, String resource, String title) {
|
||||
List<BenchmarkFixtures.Sample> samples = BenchmarkFixtures.load(resource);
|
||||
Map<String, Score> byType = new LinkedHashMap<>();
|
||||
Score anyType = new Score();
|
||||
|
||||
int cleanTexts = 0;
|
||||
int cleanTextsWithFalseHit = 0;
|
||||
int goldFioSpans = 0;
|
||||
int foundFioSpans = 0;
|
||||
List<String> falseHits = new ArrayList<>();
|
||||
List<String> missedFio = new ArrayList<>();
|
||||
List<String> overMasked = new ArrayList<>();
|
||||
|
||||
for (BenchmarkFixtures.Sample sample : samples) {
|
||||
List<Span> found = stage.findPersonalData(sample.text(), SystemPolicy.DEFAULT);
|
||||
|
||||
String[] goldChars = paint(sample.text().length(), sample.gold());
|
||||
String[] foundChars = paint(sample.text().length(), found);
|
||||
|
||||
for (int i = 0; i < sample.text().length(); i++) {
|
||||
account(byType, goldChars[i], foundChars[i]);
|
||||
accountAnyType(anyType, goldChars[i] != null, foundChars[i] != null);
|
||||
}
|
||||
|
||||
if (sample.gold().isEmpty()) {
|
||||
cleanTexts++;
|
||||
if (!found.isEmpty()) {
|
||||
cleanTextsWithFalseHit++;
|
||||
falseHits.add(fragment(sample.text(), found.get(0)) + " ← " + sample.text());
|
||||
}
|
||||
} else {
|
||||
collectOverMasked(sample.text(), goldChars, foundChars, overMasked);
|
||||
}
|
||||
|
||||
for (Span gold : sample.gold()) {
|
||||
if (!RuleRegistry.FIO.equals(gold.type())) {
|
||||
continue;
|
||||
}
|
||||
goldFioSpans++;
|
||||
if (overlappedByFio(gold, found)) {
|
||||
foundFioSpans++;
|
||||
} else {
|
||||
missedFio.add(fragment(sample.text(), gold) + " ← " + sample.text());
|
||||
}
|
||||
}
|
||||
}
|
||||
|
||||
report(title, samples.size(), byType, anyType, goldFioSpans, foundFioSpans,
|
||||
cleanTexts, cleanTextsWithFalseHit, missedFio, falseHits, overMasked);
|
||||
|
||||
Score fio = byType.getOrDefault(RuleRegistry.FIO, new Score());
|
||||
double falsePositiveRate = cleanTexts == 0 ? 0.0 : (double) cleanTextsWithFalseHit / cleanTexts;
|
||||
return new Result(fio.f1(), anyType.precision(), anyType.recall(),
|
||||
falsePositiveRate, foundFioSpans, goldFioSpans);
|
||||
}
|
||||
|
||||
/** Раскрашивает каждый знак текста типом ПД, который его покрывает. */
|
||||
private static String[] paint(int length, List<Span> spans) {
|
||||
String[] painted = new String[length];
|
||||
for (Span span : spans) {
|
||||
for (int i = span.start(); i < Math.min(span.end(), length); i++) {
|
||||
painted[i] = span.type();
|
||||
}
|
||||
}
|
||||
return painted;
|
||||
}
|
||||
|
||||
private static void account(Map<String, Score> byType, String gold, String found) {
|
||||
if (gold != null) {
|
||||
Score score = byType.computeIfAbsent(gold, t -> new Score());
|
||||
if (gold.equals(found)) {
|
||||
score.truePositive++;
|
||||
} else {
|
||||
score.falseNegative++;
|
||||
}
|
||||
}
|
||||
if (found != null && !found.equals(gold)) {
|
||||
byType.computeIfAbsent(found, t -> new Score()).falsePositive++;
|
||||
}
|
||||
}
|
||||
|
||||
private static void accountAnyType(Score score, boolean gold, boolean found) {
|
||||
if (gold && found) {
|
||||
score.truePositive++;
|
||||
} else if (gold) {
|
||||
score.falseNegative++;
|
||||
} else if (found) {
|
||||
score.falsePositive++;
|
||||
}
|
||||
}
|
||||
|
||||
private static boolean overlappedByFio(Span gold, List<Span> found) {
|
||||
return found.stream()
|
||||
.anyMatch(span -> RuleRegistry.FIO.equals(span.type()) && span.overlaps(gold));
|
||||
}
|
||||
|
||||
private static String fragment(String text, Span span) {
|
||||
return "«" + text.substring(span.start(), Math.min(span.end(), text.length())) + "»";
|
||||
}
|
||||
|
||||
/** Знаки, замаскированные сверх эталона: полезно видеть, где правило берёт лишнее. */
|
||||
private static void collectOverMasked(String text, String[] gold, String[] found, List<String> sink) {
|
||||
int from = -1;
|
||||
for (int i = 0; i <= text.length(); i++) {
|
||||
boolean extra = i < text.length() && found[i] != null && gold[i] == null;
|
||||
if (extra && from < 0) {
|
||||
from = i;
|
||||
} else if (!extra && from >= 0) {
|
||||
sink.add("«" + text.substring(from, i) + "» как " + found[from] + " ← " + text);
|
||||
from = -1;
|
||||
}
|
||||
}
|
||||
}
|
||||
|
||||
private void report(String title, int samples, Map<String, Score> byType, Score anyType,
|
||||
int goldFio, int foundFio, int cleanTexts, int falseHitTexts,
|
||||
List<String> missedFio, List<String> falseHits, List<String> overMasked) {
|
||||
StringBuilder out = new StringBuilder(4096);
|
||||
out.append("\n=== ").append(title).append(": ").append(samples).append(" размеченных строк ===\n\n");
|
||||
out.append(String.format("%-20s %8s %8s %8s %8s%n", "тип", "знаков", "точность", "полнота", "F1"));
|
||||
|
||||
byType.entrySet().stream()
|
||||
.sorted(Comparator.comparingInt((Map.Entry<String, Score> e) -> e.getValue().gold()).reversed())
|
||||
.forEach(e -> out.append(String.format("%-20s %8d %8.3f %8.3f %8.3f%n",
|
||||
e.getKey(), e.getValue().gold(), e.getValue().precision(),
|
||||
e.getValue().recall(), e.getValue().f1())));
|
||||
|
||||
out.append(String.format("%-20s %8d %8.3f %8.3f %8.3f%n", "ЛЮБОЙ ТИП", anyType.gold(),
|
||||
anyType.precision(), anyType.recall(), anyType.f1()));
|
||||
|
||||
out.append(String.format("%nФИО пофрагментно: найдено %d из %d (%.1f %%)%n",
|
||||
foundFio, goldFio, goldFio == 0 ? 100.0 : 100.0 * foundFio / goldFio));
|
||||
out.append(String.format("Тексты без ПД: ложные срабатывания на %d из %d (%.1f %%)%n",
|
||||
falseHitTexts, cleanTexts, cleanTexts == 0 ? 0.0 : 100.0 * falseHitTexts / cleanTexts));
|
||||
|
||||
appendList(out, "\nНе найденные ФИО:", missedFio);
|
||||
appendList(out, "\nЛожные срабатывания:", falseHits);
|
||||
appendList(out, "\nЗамаскировано сверх эталона:", overMasked);
|
||||
|
||||
System.out.println(out);
|
||||
}
|
||||
|
||||
private static void appendList(StringBuilder out, String title, List<String> lines) {
|
||||
if (lines.isEmpty()) {
|
||||
return;
|
||||
}
|
||||
out.append(title).append('\n');
|
||||
lines.forEach(line -> out.append(" ").append(line).append('\n'));
|
||||
}
|
||||
|
||||
}
|
||||
|
||||
@@ -1,18 +0,0 @@
|
||||
package ru.pdguard;
|
||||
|
||||
import static org.junit.jupiter.api.Assertions.assertTrue;
|
||||
|
||||
import org.junit.jupiter.api.Test;
|
||||
import org.springframework.beans.factory.annotation.Autowired;
|
||||
import org.springframework.boot.test.context.SpringBootTest;
|
||||
import ru.pdguard.core.PayloadCipher;
|
||||
|
||||
@SpringBootTest
|
||||
class CipherEnabledTest {
|
||||
@Autowired PayloadCipher cipher;
|
||||
|
||||
@Test
|
||||
void cipherIsEnabled() {
|
||||
assertTrue(cipher.enabled(), "шифрование должно быть включено ключом из конфигурации");
|
||||
}
|
||||
}
|
||||
@@ -1,25 +0,0 @@
|
||||
package ru.pdguard;
|
||||
|
||||
import static org.junit.jupiter.api.Assertions.assertEquals;
|
||||
import static org.junit.jupiter.api.Assertions.assertTrue;
|
||||
|
||||
import org.junit.jupiter.api.Test;
|
||||
import ru.pdguard.core.PayloadCipher;
|
||||
|
||||
/** Проверка ключа шифрования из application.yml. */
|
||||
class CipherKeyTest {
|
||||
|
||||
private static final String KEY =
|
||||
"46a38b200c6df557a5fd2c8a57ad3fec6b710b9f3e1fef1451d121a094f63573";
|
||||
|
||||
@Test
|
||||
void keyIsValidAes256() {
|
||||
PayloadCipher cipher = new PayloadCipher(KEY);
|
||||
assertTrue(cipher.enabled(), "ключ должен включать шифрование");
|
||||
String original = "Клиент Иванов Иван Иванович, паспорт 4509 123456";
|
||||
assertEquals(
|
||||
original,
|
||||
cipher.decrypt(cipher.encrypt(original)),
|
||||
"round-trip с ключом из application.yml должен работать");
|
||||
}
|
||||
}
|
||||
@@ -1,163 +1,162 @@
|
||||
package ru.pdguard;
|
||||
|
||||
import static org.junit.jupiter.api.Assertions.assertEquals;
|
||||
import static org.junit.jupiter.api.Assertions.assertFalse;
|
||||
import static org.junit.jupiter.api.Assertions.assertTrue;
|
||||
|
||||
import java.util.UUID;
|
||||
import org.junit.jupiter.api.Test;
|
||||
import org.junit.jupiter.api.io.TempDir;
|
||||
import ru.pdguard.config.SystemPolicy;
|
||||
import ru.pdguard.core.PayloadStore;
|
||||
import ru.pdguard.core.Pipeline;
|
||||
import ru.pdguard.detect.RuleRegistry;
|
||||
import ru.pdguard.mask.Masker;
|
||||
|
||||
import java.util.UUID;
|
||||
|
||||
import static org.junit.jupiter.api.Assertions.assertEquals;
|
||||
import static org.junit.jupiter.api.Assertions.assertFalse;
|
||||
import static org.junit.jupiter.api.Assertions.assertTrue;
|
||||
|
||||
/** Типы ПД, которые опознаются только рядом с якорным словом. */
|
||||
class ContextDetectionTest {
|
||||
|
||||
private final Pipeline pipeline =
|
||||
new Pipeline(new RuleRegistry(), new Masker(), new PayloadStore(30));
|
||||
private final Pipeline pipeline =
|
||||
new Pipeline(new RuleRegistry(), new Masker(), new PayloadStore(1_000_000L, 30));
|
||||
|
||||
private String mask(String text) {
|
||||
return pipeline.process(text, UUID.randomUUID().toString(), SystemPolicy.DEFAULT);
|
||||
}
|
||||
private String mask(String text) {
|
||||
return pipeline.process(text, UUID.randomUUID().toString(), SystemPolicy.DEFAULT);
|
||||
}
|
||||
|
||||
private void assertHidden(String text, String secret) {
|
||||
String masked = mask(text);
|
||||
assertFalse(
|
||||
masked.contains(secret), "не замаскировано: «" + secret + "» в ответе «" + masked + "»");
|
||||
}
|
||||
private void assertHidden(String text, String secret) {
|
||||
String masked = mask(text);
|
||||
assertFalse(masked.contains(secret), "не замаскировано: «" + secret + "» в ответе «" + masked + "»");
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksPassportInEveryNotation() {
|
||||
assertHidden("Паспорт 4509 123456 выдан давно", "4509 123456");
|
||||
assertHidden("паспорт гражданина РФ 45 09 123456", "45 09 123456");
|
||||
assertHidden("ПАСПОРТ 4509123456", "4509123456");
|
||||
assertHidden("Серия 4509 номер 123456", "4509");
|
||||
assertHidden("серии 45 09 № 123456", "123456");
|
||||
}
|
||||
@Test
|
||||
void masksPassportInEveryNotation() {
|
||||
assertHidden("Паспорт 4509 123456 выдан давно", "4509 123456");
|
||||
assertHidden("паспорт гражданина РФ 45 09 123456", "45 09 123456");
|
||||
assertHidden("ПАСПОРТ 4509123456", "4509123456");
|
||||
assertHidden("Серия 4509 номер 123456", "4509");
|
||||
assertHidden("серии 45 09 № 123456", "123456");
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksPassportSeriesAndNumberSplitByWords() {
|
||||
String masked = mask("Документ: серия 4509 номер 123456, выдан отделом");
|
||||
assertTrue(masked.contains("серия "), masked);
|
||||
assertTrue(masked.contains("номер "), masked);
|
||||
assertFalse(masked.contains("4509"), masked);
|
||||
assertFalse(masked.contains("123456"), masked);
|
||||
}
|
||||
@Test
|
||||
void masksPassportSeriesAndNumberSplitByWords() {
|
||||
String masked = mask("Документ: серия 4509 номер 123456, выдан отделом");
|
||||
assertTrue(masked.contains("серия "), masked);
|
||||
assertTrue(masked.contains("номер "), masked);
|
||||
assertFalse(masked.contains("4509"), masked);
|
||||
assertFalse(masked.contains("123456"), masked);
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksDepartmentCode() {
|
||||
assertHidden("Код подразделения 770-001", "770-001");
|
||||
assertHidden("к/п 770001", "770001");
|
||||
}
|
||||
@Test
|
||||
void masksDepartmentCode() {
|
||||
assertHidden("Код подразделения 770-001", "770-001");
|
||||
assertHidden("к/п 770001", "770001");
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksIssuingAuthorityButNotTheDateAfterIt() {
|
||||
String masked = mask("Паспорт выдан ОУФМС России по г. Москве 12.05.2015");
|
||||
assertFalse(masked.contains("ОУФМС"), masked);
|
||||
assertFalse(masked.contains("12.05.2015"), masked);
|
||||
assertTrue(
|
||||
masked.contains("**.**.****"), "дата маскируется отдельно от органа выдачи: " + masked);
|
||||
}
|
||||
@Test
|
||||
void masksIssuingAuthorityButNotTheDateAfterIt() {
|
||||
String masked = mask("Паспорт выдан ОУФМС России по г. Москве 12.05.2015");
|
||||
assertFalse(masked.contains("ОУФМС"), masked);
|
||||
assertFalse(masked.contains("12.05.2015"), masked);
|
||||
assertTrue(masked.contains("**.**.****"), "дата маскируется отдельно от органа выдачи: " + masked);
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksDriverLicense() {
|
||||
assertHidden("Водительское удостоверение 9902 123456", "9902 123456");
|
||||
assertHidden("в/у 99 02 123456", "99 02 123456");
|
||||
}
|
||||
@Test
|
||||
void masksDriverLicense() {
|
||||
assertHidden("Водительское удостоверение 9902 123456", "9902 123456");
|
||||
assertHidden("в/у 99 02 123456", "99 02 123456");
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksCitizenship() {
|
||||
assertHidden("гражданство Республики Беларусь", "Беларусь");
|
||||
}
|
||||
@Test
|
||||
void masksCitizenship() {
|
||||
assertHidden("Гражданство: РФ", "РФ");
|
||||
assertHidden("гражданство Республики Беларусь", "Беларусь");
|
||||
assertHidden("Гражданин России обратился", "России");
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksBirthPlace() {
|
||||
// Место рождения — тип из requireCompanion: без другого ПД рядом не маскируется
|
||||
// («Нижний Новгород» в рассказе о городе не должен теряться), поэтому в тесте
|
||||
// на распознавание якоря рядом добавлен телефон.
|
||||
assertHidden(
|
||||
"Место рождения: город Тверь, проживает в Москве, тел. +7 916 123-45-67", "город Тверь");
|
||||
assertHidden("Родился в Нижнем Новгороде, тел. +7 916 123-45-67", "Нижнем Новгороде");
|
||||
}
|
||||
@Test
|
||||
void masksBirthPlace() {
|
||||
// Место рождения — тип из requireCompanion: без другого ПД рядом не маскируется
|
||||
// («Нижний Новгород» в рассказе о городе не должен теряться), поэтому в тесте
|
||||
// на распознавание якоря рядом добавлен телефон.
|
||||
assertHidden("Место рождения: город Тверь, проживает в Москве, тел. +7 916 123-45-67", "город Тверь");
|
||||
assertHidden("Родился в Нижнем Новгороде, тел. +7 916 123-45-67", "Нижнем Новгороде");
|
||||
}
|
||||
|
||||
@Test
|
||||
void doesNotMaskBirthPlaceWithoutAnyOtherPersonalData() {
|
||||
String text = "Экскурсия в Нижний Новгород перенесена на май";
|
||||
assertEquals(text, mask(text), "место рождения без другого ПД рядом не маскируется");
|
||||
}
|
||||
@Test
|
||||
void doesNotMaskBirthPlaceWithoutAnyOtherPersonalData() {
|
||||
String text = "Экскурсия в Нижний Новгород перенесена на май";
|
||||
assertEquals(text, mask(text), "место рождения без другого ПД рядом не маскируется");
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksBirthPlaceWhenOtherPersonalDataIsAlsoPresent() {
|
||||
assertHidden("Место рождения: город Тверь, ИНН 770301234550", "город Тверь");
|
||||
}
|
||||
@Test
|
||||
void masksBirthPlaceWhenOtherPersonalDataIsAlsoPresent() {
|
||||
assertHidden("Место рождения: город Тверь, ИНН 770301234550", "город Тверь");
|
||||
}
|
||||
|
||||
@Test
|
||||
void doesNotMaskCountryWithoutAnyOtherPersonalData() {
|
||||
String text = "Цены на нефть выросли в Казахстане в этом квартале";
|
||||
assertEquals(text, mask(text), "страна без другого ПД рядом не маскируется");
|
||||
}
|
||||
@Test
|
||||
void doesNotMaskCountryWithoutAnyOtherPersonalData() {
|
||||
String text = "Цены на нефть выросли в Казахстане в этом квартале";
|
||||
assertEquals(text, mask(text), "страна без другого ПД рядом не маскируется");
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksCountryWhenOtherPersonalDataIsAlsoPresent() {
|
||||
assertHidden("Страна проживания Казахстан, ИНН 770301234550", "Казахстан");
|
||||
}
|
||||
@Test
|
||||
void masksCountryWhenOtherPersonalDataIsAlsoPresent() {
|
||||
assertHidden("Страна проживания Казахстан, ИНН 770301234550", "Казахстан");
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksCardholderName() {
|
||||
assertHidden("Держатель карты IVAN PETROV", "IVAN PETROV");
|
||||
assertHidden("cardholder: PETR SIDOROV", "PETR SIDOROV");
|
||||
}
|
||||
@Test
|
||||
void masksCardholderName() {
|
||||
assertHidden("Держатель карты IVAN PETROV", "IVAN PETROV");
|
||||
assertHidden("cardholder: PETR SIDOROV", "PETR SIDOROV");
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksSecurityCodeAndPinCompletely() {
|
||||
String masked = mask("Карта 4111 1111 1111 1111, CVV 123, пин-код 4321");
|
||||
assertFalse(masked.contains("123,"), masked);
|
||||
assertFalse(masked.contains("4321"), masked);
|
||||
assertTrue(masked.contains("***"), masked);
|
||||
}
|
||||
@Test
|
||||
void masksSecurityCodeAndPinCompletely() {
|
||||
String masked = mask("Карта 4111 1111 1111 1111, CVV 123, пин-код 4321");
|
||||
assertFalse(masked.contains("123,"), masked);
|
||||
assertFalse(masked.contains("4321"), masked);
|
||||
assertTrue(masked.contains("***"), masked);
|
||||
}
|
||||
|
||||
@Test
|
||||
void doesNotMaskPinWithoutAnyOtherPersonalData() {
|
||||
String text = "Пин-код 1234 введён неверно";
|
||||
assertEquals(text, mask(text), "одиночный пин-код персональными данными не является");
|
||||
}
|
||||
@Test
|
||||
void doesNotMaskPinWithoutAnyOtherPersonalData() {
|
||||
String text = "Пин-код 1234 введён неверно";
|
||||
assertEquals(text, mask(text), "одиночный пин-код персональными данными не является");
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksPinWhenCardNumberIsAlsoPresent() {
|
||||
assertHidden("Пин-код 1234 от карты 4111 1111 1111 1111", "1234 от");
|
||||
}
|
||||
@Test
|
||||
void masksPinWhenCardNumberIsAlsoPresent() {
|
||||
assertHidden("Пин-код 1234 от карты 4111 1111 1111 1111", "1234 от");
|
||||
}
|
||||
|
||||
@Test
|
||||
void anchorWordsAreCaseInsensitive() {
|
||||
assertHidden("ПАСПОРТ СЕРИЯ 4509 НОМЕР 123456", "123456");
|
||||
assertHidden("гРаЖдАнСтВо РФ, паспорт 4509 123456", "4509 123456");
|
||||
}
|
||||
@Test
|
||||
void anchorWordsAreCaseInsensitive() {
|
||||
assertHidden("ПАСПОРТ СЕРИЯ 4509 НОМЕР 123456", "123456");
|
||||
assertHidden("гРаЖдАнСтВо РФ, паспорт 4509 123456", "4509 123456");
|
||||
}
|
||||
|
||||
@Test
|
||||
void complexSentenceKeepsSurroundingWords() {
|
||||
String original =
|
||||
"Клиент, паспорт 4509 123456 выдан ОУФМС по г. Москве, "
|
||||
+ "код подразделения 770-001, ИНН 770301234550, телефон +7 916 123-45-67";
|
||||
String masked = mask(original);
|
||||
@Test
|
||||
void complexSentenceKeepsSurroundingWords() {
|
||||
String original = "Клиент, паспорт 4509 123456 выдан ОУФМС по г. Москве, "
|
||||
+ "код подразделения 770-001, ИНН 770301234550, телефон +7 916 123-45-67";
|
||||
String masked = mask(original);
|
||||
|
||||
assertTrue(masked.startsWith("Клиент, паспорт "), masked);
|
||||
assertTrue(masked.contains("код подразделения"), masked);
|
||||
assertTrue(masked.contains("телефон"), masked);
|
||||
assertFalse(masked.contains("4509 123456"), masked);
|
||||
assertFalse(masked.contains("770301234550"), masked);
|
||||
}
|
||||
assertTrue(masked.startsWith("Клиент, паспорт "), masked);
|
||||
assertTrue(masked.contains("код подразделения"), masked);
|
||||
assertTrue(masked.contains("телефон"), masked);
|
||||
assertFalse(masked.contains("4509 123456"), masked);
|
||||
assertFalse(masked.contains("770301234550"), masked);
|
||||
}
|
||||
|
||||
@Test
|
||||
void unmaskingRestoresComplexSentence() {
|
||||
String original =
|
||||
"Паспорт 4509 123456, выдан ОУФМС России по г. Москве, "
|
||||
+ "код подразделения 770-001, гражданство РФ, CVV 123, карта 4111 1111 1111 1111";
|
||||
String id = "complex-1";
|
||||
@Test
|
||||
void unmaskingRestoresComplexSentence() {
|
||||
String original = "Паспорт 4509 123456, выдан ОУФМС России по г. Москве, "
|
||||
+ "код подразделения 770-001, гражданство РФ, CVV 123, карта 4111 1111 1111 1111";
|
||||
String id = "complex-1";
|
||||
|
||||
String masked = pipeline.process(original, id, SystemPolicy.DEFAULT);
|
||||
assertFalse(masked.contains("4509 123456"), masked);
|
||||
assertEquals(original, pipeline.process(masked, id, SystemPolicy.DEFAULT));
|
||||
}
|
||||
String masked = pipeline.process(original, id, SystemPolicy.DEFAULT);
|
||||
assertFalse(masked.contains("4509 123456"), masked);
|
||||
assertEquals(original, pipeline.process(masked, id, SystemPolicy.DEFAULT));
|
||||
}
|
||||
}
|
||||
|
||||
@@ -1,69 +0,0 @@
|
||||
package ru.pdguard;
|
||||
|
||||
import static org.junit.jupiter.api.Assertions.assertEquals;
|
||||
import static org.junit.jupiter.api.Assertions.assertFalse;
|
||||
import static org.junit.jupiter.api.DynamicTest.dynamicTest;
|
||||
|
||||
import java.util.List;
|
||||
import java.util.stream.Stream;
|
||||
import org.junit.jupiter.api.DynamicTest;
|
||||
import org.junit.jupiter.api.TestFactory;
|
||||
import ru.pdguard.config.SystemPolicy;
|
||||
import ru.pdguard.core.PayloadStore;
|
||||
import ru.pdguard.core.Pipeline;
|
||||
import ru.pdguard.detect.RuleRegistry;
|
||||
import ru.pdguard.detect.Span;
|
||||
import ru.pdguard.mask.Masker;
|
||||
|
||||
/**
|
||||
* 200 вручную составленных текстовых тестов из {@code dataset-200.txt} — по одному предложению на
|
||||
* строку, каждое своя отдельная проверка (не сборка одного большого текста, как в {@link
|
||||
* HugeDatasetTest}). Набор покрывает все типы ПДН из {@link RuleRegistry} (кроме
|
||||
* ADDRESS_REGION/ADDRESS_DISTRICT — для них нет правил, только модель второй ступени), варианты
|
||||
* написания (регистр, формат даты, разделяющие слова) и несколько строк-ловушек без разметки
|
||||
* (известный человек, адрес отделения, дата без якоря) — они не должны маскироваться вовсе.
|
||||
*
|
||||
* <p>На каждой строке: маскирование не оставляет исходное значение ПДН в открытом виде, а
|
||||
* демаскирование побайтово восстанавливает исходный текст.
|
||||
*/
|
||||
class Dataset200Test {
|
||||
|
||||
private static final RuleRegistry REGISTRY = new RuleRegistry();
|
||||
private static final Masker MASKER = new Masker();
|
||||
private static final List<BenchmarkFixtures.Sample> DATASET =
|
||||
BenchmarkFixtures.load("/dataset-200.txt");
|
||||
|
||||
@TestFactory
|
||||
Stream<DynamicTest> datasetOf200Cases() {
|
||||
List<DynamicTest> cases = new java.util.ArrayList<>(DATASET.size());
|
||||
for (int i = 0; i < DATASET.size(); i++) {
|
||||
BenchmarkFixtures.Sample sample = DATASET.get(i);
|
||||
int index = i;
|
||||
cases.add(
|
||||
dynamicTest(
|
||||
String.format("#%03d: %s", index, preview(sample.text())),
|
||||
() -> runCase(sample, index)));
|
||||
}
|
||||
return cases.stream();
|
||||
}
|
||||
|
||||
private void runCase(BenchmarkFixtures.Sample sample, int index) {
|
||||
Pipeline pipeline = new Pipeline(REGISTRY, MASKER, new PayloadStore(30));
|
||||
String payloadId = "dataset200-" + index;
|
||||
|
||||
String masked = pipeline.process(sample.text(), payloadId, SystemPolicy.DEFAULT);
|
||||
for (Span gold : sample.gold()) {
|
||||
String value = sample.text().substring(gold.start(), gold.end());
|
||||
assertFalse(
|
||||
masked.contains(value),
|
||||
"ПДН типа " + gold.type() + " утекло в замаскированный текст: " + value);
|
||||
}
|
||||
|
||||
String restored = pipeline.process(masked, payloadId, SystemPolicy.DEFAULT);
|
||||
assertEquals(sample.text(), restored, "демаскирование не восстановило исходный текст");
|
||||
}
|
||||
|
||||
private static String preview(String text) {
|
||||
return text.length() <= 40 ? text : text.substring(0, 40) + "...";
|
||||
}
|
||||
}
|
||||
@@ -1,141 +1,143 @@
|
||||
package ru.pdguard;
|
||||
|
||||
import org.junit.jupiter.api.Test;
|
||||
import ru.pdguard.config.SystemPolicy;
|
||||
import ru.pdguard.core.PayloadStore;
|
||||
import ru.pdguard.core.Pipeline;
|
||||
import ru.pdguard.detect.RuleRegistry;
|
||||
import ru.pdguard.mask.Masker;
|
||||
|
||||
import java.util.UUID;
|
||||
|
||||
import static org.junit.jupiter.api.Assertions.assertEquals;
|
||||
import static org.junit.jupiter.api.Assertions.assertFalse;
|
||||
import static org.junit.jupiter.api.Assertions.assertTrue;
|
||||
|
||||
import java.util.UUID;
|
||||
import org.junit.jupiter.api.Test;
|
||||
import ru.pdguard.config.SystemPolicy;
|
||||
import ru.pdguard.core.PayloadStore;
|
||||
import ru.pdguard.core.Pipeline;
|
||||
import ru.pdguard.detect.PdTypes;
|
||||
import ru.pdguard.detect.RuleRegistry;
|
||||
import ru.pdguard.mask.Masker;
|
||||
|
||||
/** Даты во всех вариантах записи и составляющие адреса. */
|
||||
class DateAndAddressTest {
|
||||
|
||||
private final Pipeline pipeline =
|
||||
new Pipeline(new RuleRegistry(), new Masker(), new PayloadStore(30));
|
||||
private final Pipeline pipeline =
|
||||
new Pipeline(new RuleRegistry(), new Masker(), new PayloadStore(1_000_000L, 30));
|
||||
|
||||
private String mask(String text) {
|
||||
return pipeline.process(text, UUID.randomUUID().toString(), SystemPolicy.DEFAULT);
|
||||
}
|
||||
private String mask(String text) {
|
||||
return pipeline.process(text, UUID.randomUUID().toString(), SystemPolicy.DEFAULT);
|
||||
}
|
||||
|
||||
private void assertHidden(String text, String secret) {
|
||||
String masked = mask(text);
|
||||
assertFalse(
|
||||
masked.contains(secret), "не замаскировано: «" + secret + "» в ответе «" + masked + "»");
|
||||
}
|
||||
private void assertHidden(String text, String secret) {
|
||||
String masked = mask(text);
|
||||
assertFalse(masked.contains(secret), "не замаскировано: «" + secret + "» в ответе «" + masked + "»");
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksBirthDateInAnyPartOrder() {
|
||||
assertHidden("Дата рождения 12.05.1985", "12.05.1985");
|
||||
assertHidden("дата рождения: 05/12/1985", "05/12/1985");
|
||||
assertHidden("Дата рождения 1985-12-05", "1985-12-05");
|
||||
assertHidden("Родился 12-05-1985", "12-05-1985");
|
||||
assertHidden("12.05.1985 г.р. — данные клиента", "12.05.1985");
|
||||
}
|
||||
@Test
|
||||
void masksBirthDateInAnyPartOrder() {
|
||||
assertHidden("Дата рождения 12.05.1985", "12.05.1985");
|
||||
assertHidden("дата рождения: 05/12/1985", "05/12/1985");
|
||||
assertHidden("Дата рождения 1985-12-05", "1985-12-05");
|
||||
assertHidden("Родился 12-05-1985", "12-05-1985");
|
||||
assertHidden("12.05.1985 г.р. — данные клиента", "12.05.1985");
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksBirthDateWrittenWithWords() {
|
||||
assertHidden("Дата рождения: 12 мая 1985 года", "12 мая 1985");
|
||||
assertHidden(
|
||||
"Дата рождения двенадцатого мая тысяча девятьсот восемьдесят пятого года",
|
||||
"двенадцатого мая");
|
||||
}
|
||||
@Test
|
||||
void masksBirthDateWrittenWithWords() {
|
||||
assertHidden("Дата рождения: 12 мая 1985 года", "12 мая 1985");
|
||||
assertHidden("Дата рождения двенадцатого мая тысяча девятьсот восемьдесят пятого года",
|
||||
"двенадцатого мая");
|
||||
assertHidden("Дата рождения: двадцать первого августа 1990 года", "двадцать первого августа");
|
||||
}
|
||||
|
||||
@Test
|
||||
void keepsSeparatorsInMaskedDate() {
|
||||
String masked = mask("Дата рождения 12.05.1985");
|
||||
assertTrue(masked.endsWith("**.**.****"), masked);
|
||||
}
|
||||
@Test
|
||||
void keepsSeparatorsInMaskedDate() {
|
||||
String masked = mask("Дата рождения 12.05.1985");
|
||||
assertTrue(masked.endsWith("**.**.****"), masked);
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksPassportIssueDate() {
|
||||
assertHidden("Паспорт 4509 123456, дата выдачи 12.05.2015", "12.05.2015");
|
||||
}
|
||||
@Test
|
||||
void masksPassportIssueDate() {
|
||||
assertHidden("Паспорт 4509 123456, дата выдачи 12.05.2015", "12.05.2015");
|
||||
}
|
||||
|
||||
@Test
|
||||
void doesNotMaskDateWithoutAnyOtherPersonalData() {
|
||||
String text = "Встреча перенесена на 12.05.2025, подтвердите";
|
||||
assertEquals(text, mask(text), "дата сама по себе персональными данными не является");
|
||||
}
|
||||
@Test
|
||||
void doesNotMaskDateWithoutAnyOtherPersonalData() {
|
||||
String text = "Встреча перенесена на 12.05.2025, подтвердите";
|
||||
assertEquals(text, mask(text), "дата сама по себе персональными данными не является");
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksBareDateWhenOtherPersonalDataIsPresent() {
|
||||
assertHidden("Паспорт 4509 123456 оформлен 12.05.2015", "12.05.2015");
|
||||
}
|
||||
@Test
|
||||
void masksBareDateWhenOtherPersonalDataIsPresent() {
|
||||
assertHidden("Паспорт 4509 123456 оформлен 12.05.2015", "12.05.2015");
|
||||
}
|
||||
|
||||
@Test
|
||||
void doesNotTreatVersionOrAddressLikeNumbersAsDate() {
|
||||
String text = "Сервер 192.168.1 отвечает, сборка 1.2.3 развёрнута";
|
||||
assertEquals(text, mask(text));
|
||||
}
|
||||
@Test
|
||||
void doesNotTreatVersionOrAddressLikeNumbersAsDate() {
|
||||
String text = "Сервер 192.168.1 отвечает, сборка 1.2.3 развёрнута";
|
||||
assertEquals(text, mask(text));
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksAddressComponentsSeparately() {
|
||||
String masked = mask("Адрес: 125009, г. Москва, ул. Тверская, д. 7, кв. 15");
|
||||
assertFalse(masked.contains("125009"), masked);
|
||||
assertFalse(masked.contains("Москва"), masked);
|
||||
assertFalse(masked.contains("Тверская"), masked);
|
||||
assertTrue(masked.contains("г. "), "указатели вида «г.», «ул.» остаются: " + masked);
|
||||
assertTrue(masked.contains("ул. "), masked);
|
||||
}
|
||||
@Test
|
||||
void masksAddressComponentsSeparately() {
|
||||
String masked = mask("Адрес: 125009, г. Москва, ул. Тверская, д. 7, кв. 15");
|
||||
assertFalse(masked.contains("125009"), masked);
|
||||
assertFalse(masked.contains("Москва"), masked);
|
||||
assertFalse(masked.contains("Тверская"), masked);
|
||||
assertTrue(masked.contains("г. "), "указатели вида «г.», «ул.» остаются: " + masked);
|
||||
assertTrue(masked.contains("ул. "), masked);
|
||||
}
|
||||
|
||||
@Test
|
||||
void streetNameDoesNotSwallowTheRestOfTheSentence() {
|
||||
String masked = mask("Адрес клиента: ул. Сосновая перекрыта из-за ремонта");
|
||||
assertTrue(
|
||||
masked.contains("перекрыта из-за ремонта"),
|
||||
"название улицы это одно-три слова, а не остаток предложения: " + masked);
|
||||
assertFalse(masked.contains("Сосновая"), masked);
|
||||
}
|
||||
@Test
|
||||
void streetNameDoesNotSwallowTheRestOfTheSentence() {
|
||||
String masked = mask("Адрес клиента: ул. Сосновая перекрыта из-за ремонта");
|
||||
assertTrue(masked.contains("перекрыта из-за ремонта"),
|
||||
"название улицы это одно-три слова, а не остаток предложения: " + masked);
|
||||
assertFalse(masked.contains("Сосновая"), masked);
|
||||
}
|
||||
|
||||
@Test
|
||||
void doesNotMaskStreetMentionedOutsideAnAddress() {
|
||||
assertEquals("Проспект Мира перекрыт до вечера", mask("Проспект Мира перекрыт до вечера"));
|
||||
assertEquals(
|
||||
"Улица Весенняя названа в честь праздника",
|
||||
mask("Улица Весенняя названа в честь праздника"));
|
||||
}
|
||||
@Test
|
||||
void doesNotMaskStreetMentionedOutsideAnAddress() {
|
||||
assertEquals("Проспект Мира перекрыт до вечера", mask("Проспект Мира перекрыт до вечера"));
|
||||
assertEquals("Улица Весенняя названа в честь праздника",
|
||||
mask("Улица Весенняя названа в честь праздника"));
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksMultiWordStreetName() {
|
||||
String masked = mask("Адрес: г. Москва, ул. Малая Никитская, д. 4");
|
||||
assertFalse(masked.contains("Малая Никитская"), masked);
|
||||
}
|
||||
@Test
|
||||
void masksMultiWordStreetName() {
|
||||
String masked = mask("Адрес: г. Москва, ул. Малая Никитская, д. 4");
|
||||
assertFalse(masked.contains("Малая Никитская"), masked);
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksIndexByAnchorWord() {
|
||||
assertHidden("Индекс 125009 для доставки клиенту Иванову, паспорт 4509 123456", "125009");
|
||||
}
|
||||
@Test
|
||||
void masksIndexByAnchorWord() {
|
||||
assertHidden("Индекс 125009 для доставки клиенту Иванову, паспорт 4509 123456", "125009");
|
||||
}
|
||||
|
||||
@Test
|
||||
void doesNotMaskOfficeAddress() {
|
||||
String text = "Дополнительный офис, г. Москва, ул. Арбат, д. 1";
|
||||
assertEquals(text, mask(text));
|
||||
}
|
||||
@Test
|
||||
void doesNotMaskBankBranchAddress() {
|
||||
String text = "Отделение банка на улице Тверская, дом 7 работает до 20:00";
|
||||
assertEquals(text, mask(text), "адрес отделения банка персональными данными не является");
|
||||
}
|
||||
|
||||
@Test
|
||||
void addressTypesAreConfigurableSeparately() {
|
||||
SystemPolicy onlyCity = SystemPolicy.forTypes(PdTypes.ADDRESS_CITY);
|
||||
String masked = pipeline.process("г. Москва, ул. Тверская, д. 7", "addr-1", onlyCity);
|
||||
@Test
|
||||
void doesNotMaskOfficeAddress() {
|
||||
String text = "Дополнительный офис, г. Москва, ул. Арбат, д. 1";
|
||||
assertEquals(text, mask(text));
|
||||
}
|
||||
|
||||
assertFalse(masked.contains("Москва"), masked);
|
||||
assertTrue(masked.contains("Тверская"), "улица этой системой не маскируется: " + masked);
|
||||
}
|
||||
@Test
|
||||
void addressTypesAreConfigurableSeparately() {
|
||||
SystemPolicy onlyCity = SystemPolicy.forTypes(RuleRegistry.ADDRESS_CITY);
|
||||
String masked = pipeline.process("г. Москва, ул. Тверская, д. 7", "addr-1", onlyCity);
|
||||
|
||||
@Test
|
||||
void unmaskingRestoresTextWithDateAndAddress() {
|
||||
String original =
|
||||
"Иванов, дата рождения 12.05.1985, адрес: 125009, г. Москва, "
|
||||
+ "ул. Тверская, д. 7, кв. 15, паспорт 4509 123456";
|
||||
String id = "date-addr-1";
|
||||
assertFalse(masked.contains("Москва"), masked);
|
||||
assertTrue(masked.contains("Тверская"), "улица этой системой не маскируется: " + masked);
|
||||
}
|
||||
|
||||
String masked = pipeline.process(original, id, SystemPolicy.DEFAULT);
|
||||
assertFalse(masked.contains("12.05.1985"), masked);
|
||||
assertEquals(original, pipeline.process(masked, id, SystemPolicy.DEFAULT));
|
||||
}
|
||||
@Test
|
||||
void unmaskingRestoresTextWithDateAndAddress() {
|
||||
String original = "Иванов, дата рождения 12.05.1985, адрес: 125009, г. Москва, "
|
||||
+ "ул. Тверская, д. 7, кв. 15, паспорт 4509 123456";
|
||||
String id = "date-addr-1";
|
||||
|
||||
String masked = pipeline.process(original, id, SystemPolicy.DEFAULT);
|
||||
assertFalse(masked.contains("12.05.1985"), masked);
|
||||
assertEquals(original, pipeline.process(masked, id, SystemPolicy.DEFAULT));
|
||||
}
|
||||
}
|
||||
|
||||
@@ -1,10 +1,5 @@
|
||||
package ru.pdguard;
|
||||
|
||||
import static org.junit.jupiter.api.Assertions.assertEquals;
|
||||
import static org.junit.jupiter.api.Assertions.assertFalse;
|
||||
import static org.junit.jupiter.api.Assertions.assertTrue;
|
||||
|
||||
import java.util.UUID;
|
||||
import org.junit.jupiter.api.Test;
|
||||
import ru.pdguard.config.SystemPolicy;
|
||||
import ru.pdguard.core.PayloadStore;
|
||||
@@ -12,121 +7,125 @@ import ru.pdguard.core.Pipeline;
|
||||
import ru.pdguard.detect.RuleRegistry;
|
||||
import ru.pdguard.mask.Masker;
|
||||
|
||||
import java.util.UUID;
|
||||
|
||||
import static org.junit.jupiter.api.Assertions.assertEquals;
|
||||
import static org.junit.jupiter.api.Assertions.assertFalse;
|
||||
import static org.junit.jupiter.api.Assertions.assertTrue;
|
||||
|
||||
/** ФИО и защита от ложных срабатываний. */
|
||||
class FioTest {
|
||||
|
||||
private final Pipeline pipeline =
|
||||
new Pipeline(new RuleRegistry(), new Masker(), new PayloadStore(30));
|
||||
private final Pipeline pipeline =
|
||||
new Pipeline(new RuleRegistry(), new Masker(), new PayloadStore(1_000_000L, 30));
|
||||
|
||||
private String mask(String text) {
|
||||
return pipeline.process(text, UUID.randomUUID().toString(), SystemPolicy.DEFAULT);
|
||||
}
|
||||
private String mask(String text) {
|
||||
return pipeline.process(text, UUID.randomUUID().toString(), SystemPolicy.DEFAULT);
|
||||
}
|
||||
|
||||
private void assertHidden(String text, String secret) {
|
||||
String masked = mask(text);
|
||||
assertFalse(
|
||||
masked.contains(secret), "не замаскировано: «" + secret + "» в ответе «" + masked + "»");
|
||||
}
|
||||
private void assertHidden(String text, String secret) {
|
||||
String masked = mask(text);
|
||||
assertFalse(masked.contains(secret), "не замаскировано: «" + secret + "» в ответе «" + masked + "»");
|
||||
}
|
||||
|
||||
private void assertUnchanged(String text) {
|
||||
assertEquals(text, mask(text), "ложное срабатывание");
|
||||
}
|
||||
private void assertUnchanged(String text) {
|
||||
assertEquals(text, mask(text), "ложное срабатывание");
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksFullNameAsInitials() {
|
||||
assertEquals("Клиент И. И. И. обратился", mask("Клиент Иванов Иван Иванович обратился"));
|
||||
}
|
||||
@Test
|
||||
void masksFullNameAsInitials() {
|
||||
assertEquals("Клиент И. И. И. обратился", mask("Клиент Иванов Иван Иванович обратился"));
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksNameAndPatronymicWithoutSurname() {
|
||||
assertHidden("Пригласите Ивана Сергеевича на встречу", "Ивана Сергеевича");
|
||||
}
|
||||
@Test
|
||||
void masksNameAndPatronymicWithoutSurname() {
|
||||
assertHidden("Пригласите Ивана Сергеевича на встречу", "Ивана Сергеевича");
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksFemalePatronymic() {
|
||||
assertHidden("Петрова Анна Ивановна подписала", "Петрова Анна Ивановна");
|
||||
assertHidden("Мария Никитична ждёт ответа", "Мария Никитична");
|
||||
}
|
||||
@Test
|
||||
void masksFemalePatronymic() {
|
||||
assertHidden("Петрова Анна Ивановна подписала", "Петрова Анна Ивановна");
|
||||
assertHidden("Мария Никитична ждёт ответа", "Мария Никитична");
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksSurnameWithInitialsInBothOrders() {
|
||||
assertHidden("Заявление от Иванов И.И. принято", "Иванов И.И.");
|
||||
assertHidden("Подписал И.И. Иванов", "И.И. Иванов");
|
||||
}
|
||||
@Test
|
||||
void masksSurnameWithInitialsInBothOrders() {
|
||||
assertHidden("Заявление от Иванов И.И. принято", "Иванов И.И.");
|
||||
assertHidden("Подписал И.И. Иванов", "И.И. Иванов");
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksSurnameNextToKnownGivenName() {
|
||||
assertHidden("Петров Сергей подтвердил заявку", "Петров Сергей");
|
||||
assertHidden("Сергей Петров подтвердил заявку", "Сергей Петров");
|
||||
assertHidden("Обращение Ольги Ковалёвой рассмотрено", "Ольги Ковалёвой");
|
||||
}
|
||||
@Test
|
||||
void masksSurnameNextToKnownGivenName() {
|
||||
assertHidden("Петров Сергей подтвердил заявку", "Петров Сергей");
|
||||
assertHidden("Сергей Петров подтвердил заявку", "Сергей Петров");
|
||||
assertHidden("Обращение Ольги Ковалёвой рассмотрено", "Ольги Ковалёвой");
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksLowercaseNameAfterExplicitAnchor() {
|
||||
assertHidden("ФИО: иванов иван иванович", "иванов иван иванович");
|
||||
assertHidden("Карта оформлена на имя петров сергей", "петров сергей");
|
||||
}
|
||||
@Test
|
||||
void masksLowercaseNameAfterExplicitAnchor() {
|
||||
assertHidden("ФИО: иванов иван иванович", "иванов иван иванович");
|
||||
assertHidden("Карта оформлена на имя петров сергей", "петров сергей");
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksNameAfterRoleAnchor() {
|
||||
assertHidden("Клиент Петров Сергей, заявка одобрена", "Петров Сергей");
|
||||
assertHidden("Плательщик Ковалёва подтвердила перевод", "Ковалёва");
|
||||
}
|
||||
@Test
|
||||
void masksNameAfterRoleAnchor() {
|
||||
assertHidden("Клиент Петров Сергей, заявка одобрена", "Петров Сергей");
|
||||
assertHidden("Плательщик Ковалёва подтвердила перевод", "Ковалёва");
|
||||
}
|
||||
|
||||
@Test
|
||||
void doesNotMaskWellKnownPerson() {
|
||||
assertUnchanged("Напиши стихотворение в духе Александра Пушкина про осень");
|
||||
assertUnchanged("Сравни Толстого и Достоевского как прозаиков");
|
||||
assertUnchanged("Когда Гагарин полетел в космос");
|
||||
}
|
||||
@Test
|
||||
void doesNotMaskWellKnownPerson() {
|
||||
assertUnchanged("Напиши стихотворение в духе Александра Пушкина про осень");
|
||||
assertUnchanged("Сравни Толстого и Достоевского как прозаиков");
|
||||
assertUnchanged("Когда Гагарин полетел в космос");
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksWellKnownSurnameWhenOtherPersonalDataIsPresent() {
|
||||
assertHidden("Клиент Александр Пушкин, паспорт 4509 123456", "Александр Пушкин");
|
||||
}
|
||||
@Test
|
||||
void masksWellKnownSurnameWhenOtherPersonalDataIsPresent() {
|
||||
assertHidden("Клиент Александр Пушкин, паспорт 4509 123456", "Александр Пушкин");
|
||||
}
|
||||
|
||||
@Test
|
||||
void doesNotMaskPlaceNamesThatLookLikeSurnames() {
|
||||
assertUnchanged("Московский Кремль открыт для посещения");
|
||||
assertUnchanged("Экскурсия в Нижний Новгород перенесена");
|
||||
assertUnchanged("Смоленская площадь закрыта на ремонт");
|
||||
}
|
||||
@Test
|
||||
void doesNotMaskPlaceNamesThatLookLikeSurnames() {
|
||||
assertUnchanged("Московский Кремль открыт для посещения");
|
||||
assertUnchanged("Экскурсия в Нижний Новгород перенесена");
|
||||
assertUnchanged("Смоленская площадь закрыта на ремонт");
|
||||
}
|
||||
|
||||
@Test
|
||||
void doesNotMaskOrdinaryCapitalisedWords() {
|
||||
assertUnchanged("Банк Открытие подтвердил лимит");
|
||||
assertUnchanged("В Понедельник Отдел Согласует Договор");
|
||||
}
|
||||
@Test
|
||||
void doesNotMaskOrdinaryCapitalisedWords() {
|
||||
assertUnchanged("Банк Открытие подтвердил лимит");
|
||||
assertUnchanged("В Понедельник Отдел Согласует Договор");
|
||||
}
|
||||
|
||||
@Test
|
||||
void identificationIgnoresCase() {
|
||||
assertHidden("ИВАНОВ ИВАН ИВАНОВИЧ", "ИВАНОВ ИВАН ИВАНОВИЧ");
|
||||
assertHidden("фио: петрова анна ивановна", "петрова анна ивановна");
|
||||
}
|
||||
@Test
|
||||
void identificationIgnoresCase() {
|
||||
assertHidden("ИВАНОВ ИВАН ИВАНОВИЧ", "ИВАНОВ ИВАН ИВАНОВИЧ");
|
||||
assertHidden("фио: петрова анна ивановна", "петрова анна ивановна");
|
||||
}
|
||||
|
||||
@Test
|
||||
void unmaskingRestoresNames() {
|
||||
String original =
|
||||
"Клиент Иванов Иван Иванович, паспорт 4509 123456, "
|
||||
+ "дата рождения 12.05.1985, телефон +7 916 123-45-67";
|
||||
String id = "fio-1";
|
||||
@Test
|
||||
void unmaskingRestoresNames() {
|
||||
String original = "Клиент Иванов Иван Иванович, паспорт 4509 123456, "
|
||||
+ "дата рождения 12.05.1985, телефон +7 916 123-45-67";
|
||||
String id = "fio-1";
|
||||
|
||||
String masked = pipeline.process(original, id, SystemPolicy.DEFAULT);
|
||||
assertFalse(masked.contains("Иванов Иван Иванович"), masked);
|
||||
assertTrue(masked.contains("И. И. И."), masked);
|
||||
assertEquals(original, pipeline.process(masked, id, SystemPolicy.DEFAULT));
|
||||
}
|
||||
String masked = pipeline.process(original, id, SystemPolicy.DEFAULT);
|
||||
assertFalse(masked.contains("Иванов Иван Иванович"), masked);
|
||||
assertTrue(masked.contains("И. И. И."), masked);
|
||||
assertEquals(original, pipeline.process(masked, id, SystemPolicy.DEFAULT));
|
||||
}
|
||||
|
||||
@Test
|
||||
void namesStayFastOnLargeText() {
|
||||
String block = "Клиент Иванов Иван Иванович, паспорт 4509 123456, город Москва. ";
|
||||
String large = block.repeat(4000);
|
||||
@Test
|
||||
void namesStayFastOnLargeText() {
|
||||
String block = "Клиент Иванов Иван Иванович, паспорт 4509 123456, город Москва. ";
|
||||
String large = block.repeat(4000);
|
||||
|
||||
long started = System.nanoTime();
|
||||
String masked = pipeline.process(large, "fio-large", SystemPolicy.DEFAULT);
|
||||
long millis = (System.nanoTime() - started) / 1_000_000;
|
||||
long started = System.nanoTime();
|
||||
String masked = pipeline.process(large, "fio-large", SystemPolicy.DEFAULT);
|
||||
long millis = (System.nanoTime() - started) / 1_000_000;
|
||||
|
||||
assertFalse(masked.contains("Иванов Иван Иванович"));
|
||||
assertTrue(millis < 1000, "обработка заняла " + millis + " мс");
|
||||
}
|
||||
assertFalse(masked.contains("Иванов Иван Иванович"));
|
||||
assertTrue(millis < 1000, "обработка заняла " + millis + " мс");
|
||||
}
|
||||
}
|
||||
|
||||
@@ -1,175 +0,0 @@
|
||||
package ru.pdguard;
|
||||
|
||||
import static org.junit.jupiter.api.Assertions.assertEquals;
|
||||
import static org.junit.jupiter.api.Assertions.assertTrue;
|
||||
import static org.junit.jupiter.api.DynamicTest.dynamicTest;
|
||||
|
||||
import java.util.ArrayList;
|
||||
import java.util.Collections;
|
||||
import java.util.List;
|
||||
import java.util.Random;
|
||||
import java.util.stream.Stream;
|
||||
import org.junit.jupiter.api.DynamicTest;
|
||||
import org.junit.jupiter.api.TestFactory;
|
||||
import ru.pdguard.config.SystemPolicy;
|
||||
import ru.pdguard.core.PayloadStore;
|
||||
import ru.pdguard.core.Pipeline;
|
||||
import ru.pdguard.detect.RuleRegistry;
|
||||
import ru.pdguard.detect.Span;
|
||||
import ru.pdguard.mask.Masker;
|
||||
|
||||
/**
|
||||
* Датасет из 1000 прогонов разной длины — критерий 3.5 из "Критерии_оценивания_альфа" (обработка
|
||||
* текстов до 100 000 токенов) и стоп-сигнал по утечке ПДН из "критерии_фрейм_топы".
|
||||
*
|
||||
* <p>Тексты строятся перемешиванием строк из уже существующих размеченных наборов {@code
|
||||
* benchmark-*.txt} (17+ типов ПДН из ТЗ) — отдельный датасет с нуля не заводится, пул размеченных
|
||||
* примеров и так покрывает все типы. Длина растёт от одного предложения до 400 000 знаков (100 000
|
||||
* токенов при 4 знака/токен — так же, как считает сам {@link Pipeline}); не менее {@link
|
||||
* #HUGE_CASES} прогонов лежат в полосе 90 000-100 000 токенов. На каждом прогоне проверяются:
|
||||
* отсутствие ПДН в открытом виде в замаскированном тексте и побайтовое совпадение после
|
||||
* демаскирования; на прогонах из полосы 90-100к токенов дополнительно проверяется, что маскирование
|
||||
* укладывается в 5 секунд.
|
||||
*
|
||||
* <p>Полный прогон класса занимает пару минут — это ожидаемо на объёме, требуемом ТЗ.
|
||||
*/
|
||||
class HugeDatasetTest {
|
||||
|
||||
private static final int TOTAL_CASES = 1000;
|
||||
private static final int HUGE_CASES = 50;
|
||||
private static final int CHARS_PER_TOKEN = 4;
|
||||
private static final int HUGE_MIN_CHARS = 90_000 * CHARS_PER_TOKEN;
|
||||
private static final int HUGE_MAX_CHARS = 100_000 * CHARS_PER_TOKEN;
|
||||
|
||||
/**
|
||||
* Короткие значения (PIN, номер дома и т.п.) чаще случайно совпадают с посторонним текстом пула —
|
||||
* их из проверки на утечку исключаем, длинные ПДН проверяем всегда.
|
||||
*/
|
||||
private static final int LEAK_CHECK_MIN_LENGTH = 6;
|
||||
|
||||
/**
|
||||
* Допустимая доля утечек на прогон. Пул включает настоящие holdout-наборы
|
||||
* (benchmark-holdout*.txt), на которых BenchmarkTest сам принимает полноту от 0.70 — это и есть
|
||||
* отправная точка, а не 0.85 из LargeTextTest, где участвует только benchmark-generated.txt,
|
||||
* подстроенный под правила.
|
||||
*/
|
||||
private static final double MAX_LEAK_RATE = 0.30;
|
||||
|
||||
private static final RuleRegistry REGISTRY = new RuleRegistry();
|
||||
private static final Masker MASKER = new Masker();
|
||||
private static final List<BenchmarkFixtures.Sample> POOL = loadPool();
|
||||
|
||||
private static List<BenchmarkFixtures.Sample> loadPool() {
|
||||
List<BenchmarkFixtures.Sample> pool = new ArrayList<>();
|
||||
for (String resource :
|
||||
List.of(
|
||||
"/benchmark.txt",
|
||||
"/benchmark-generated.txt",
|
||||
"/benchmark-pdn-types.txt",
|
||||
"/benchmark-bank-context.txt",
|
||||
"/benchmark-holdout.txt",
|
||||
"/benchmark-holdout2.txt",
|
||||
"/benchmark-holdout3.txt")) {
|
||||
pool.addAll(BenchmarkFixtures.load(resource));
|
||||
}
|
||||
return pool;
|
||||
}
|
||||
|
||||
@TestFactory
|
||||
Stream<DynamicTest> datasetOfThousandCases() {
|
||||
List<DynamicTest> cases = new ArrayList<>(TOTAL_CASES);
|
||||
for (int i = 0; i < TOTAL_CASES; i++) {
|
||||
int targetChars = targetChars(i);
|
||||
int index = i;
|
||||
cases.add(
|
||||
dynamicTest(
|
||||
String.format(
|
||||
"#%04d, %d знаков (~%d токенов)",
|
||||
index, targetChars, targetChars / CHARS_PER_TOKEN),
|
||||
() -> runCase(targetChars, index)));
|
||||
}
|
||||
return cases.stream();
|
||||
}
|
||||
|
||||
/**
|
||||
* Длина растёт по логарифмической шкале от предложения до порога "огромного" текста — так тесты
|
||||
* покрывают все порядки величины, а не только маленькие и не только большие. Последние {@link
|
||||
* #HUGE_CASES} индексов — обязательная полоса 90-100к токенов из ТЗ.
|
||||
*/
|
||||
private static int targetChars(int index) {
|
||||
int regular = TOTAL_CASES - HUGE_CASES;
|
||||
if (index >= regular) {
|
||||
int step = (HUGE_MAX_CHARS - HUGE_MIN_CHARS) / Math.max(1, HUGE_CASES - 1);
|
||||
return HUGE_MIN_CHARS + (index - regular) * step;
|
||||
}
|
||||
double minChars = 80;
|
||||
double maxChars = HUGE_MIN_CHARS - 1;
|
||||
double ratio = (double) index / Math.max(1, regular - 1);
|
||||
return (int) Math.round(minChars * Math.pow(maxChars / minChars, ratio));
|
||||
}
|
||||
|
||||
private void runCase(int targetChars, int seed) {
|
||||
Pipeline pipeline =
|
||||
new Pipeline(REGISTRY, MASKER, new PayloadStore(30));
|
||||
BenchmarkFixtures.Sample sample = buildText(targetChars, seed);
|
||||
String payloadId = "dataset-" + seed;
|
||||
|
||||
long maskStarted = System.nanoTime();
|
||||
String masked = pipeline.process(sample.text(), payloadId, SystemPolicy.DEFAULT);
|
||||
long maskMillis = (System.nanoTime() - maskStarted) / 1_000_000;
|
||||
|
||||
int checked = 0;
|
||||
int leaked = 0;
|
||||
for (Span gold : sample.gold()) {
|
||||
String value = sample.text().substring(gold.start(), gold.end());
|
||||
if (value.length() >= LEAK_CHECK_MIN_LENGTH) {
|
||||
checked++;
|
||||
if (masked.contains(value)) {
|
||||
leaked++;
|
||||
}
|
||||
}
|
||||
}
|
||||
if (checked > 0) {
|
||||
// На малых текстах пара пропусков — статистический шум, не деградация детектора:
|
||||
// абсолютный запас на такие случаи не даёт доле "перевесить" маленький знаменатель.
|
||||
int allowed = Math.max(4, (int) Math.ceil(checked * MAX_LEAK_RATE));
|
||||
assertTrue(
|
||||
leaked <= allowed,
|
||||
String.format(
|
||||
"утечка ПДН в замаскированном тексте: %d из %d, допустимо %d",
|
||||
leaked, checked, allowed));
|
||||
}
|
||||
|
||||
String restored = pipeline.process(masked, payloadId, SystemPolicy.DEFAULT);
|
||||
assertEquals(sample.text(), restored, "демаскирование не восстановило исходный текст");
|
||||
|
||||
if (targetChars >= HUGE_MIN_CHARS) {
|
||||
assertTrue(
|
||||
maskMillis < 5000,
|
||||
"маскирование " + targetChars + " знаков заняло " + maskMillis + " мс");
|
||||
}
|
||||
}
|
||||
|
||||
/** Перемешивает строки пула детерминированно по seed и склеивает до нужного объёма. */
|
||||
private static BenchmarkFixtures.Sample buildText(int targetChars, long seed) {
|
||||
List<BenchmarkFixtures.Sample> shuffled = new ArrayList<>(POOL);
|
||||
Random random = new Random(seed);
|
||||
StringBuilder text = new StringBuilder(targetChars + 1024);
|
||||
List<Span> gold = new ArrayList<>();
|
||||
|
||||
while (text.length() < targetChars) {
|
||||
Collections.shuffle(shuffled, random);
|
||||
for (BenchmarkFixtures.Sample sample : shuffled) {
|
||||
int offset = text.length();
|
||||
text.append(sample.text()).append('\n');
|
||||
for (Span span : sample.gold()) {
|
||||
gold.add(new Span(span.start() + offset, span.end() + offset, span.type(), 0));
|
||||
}
|
||||
if (text.length() >= targetChars) {
|
||||
break;
|
||||
}
|
||||
}
|
||||
}
|
||||
return new BenchmarkFixtures.Sample(text.toString(), gold);
|
||||
}
|
||||
}
|
||||
@@ -1,9 +1,5 @@
|
||||
package ru.pdguard;
|
||||
|
||||
import static org.junit.jupiter.api.Assertions.assertEquals;
|
||||
import static org.junit.jupiter.api.Assertions.assertFalse;
|
||||
|
||||
import java.util.UUID;
|
||||
import org.junit.jupiter.api.Test;
|
||||
import ru.pdguard.config.SystemPolicy;
|
||||
import ru.pdguard.core.PayloadStore;
|
||||
@@ -11,62 +7,64 @@ import ru.pdguard.core.Pipeline;
|
||||
import ru.pdguard.detect.RuleRegistry;
|
||||
import ru.pdguard.mask.Masker;
|
||||
|
||||
import java.util.UUID;
|
||||
|
||||
import static org.junit.jupiter.api.Assertions.assertEquals;
|
||||
import static org.junit.jupiter.api.Assertions.assertFalse;
|
||||
|
||||
/** Документы, удостоверяющие личность, помимо паспорта РФ. */
|
||||
class IdentityDocumentTest {
|
||||
|
||||
private final Pipeline pipeline =
|
||||
new Pipeline(new RuleRegistry(), new Masker(), new PayloadStore(30));
|
||||
private final Pipeline pipeline =
|
||||
new Pipeline(new RuleRegistry(), new Masker(), new PayloadStore(1_000_000L, 30));
|
||||
|
||||
private void assertHidden(String text, String secret) {
|
||||
String masked = pipeline.process(text, UUID.randomUUID().toString(), SystemPolicy.DEFAULT);
|
||||
assertFalse(
|
||||
masked.contains(secret), "не замаскировано: «" + secret + "» в ответе «" + masked + "»");
|
||||
}
|
||||
private void assertHidden(String text, String secret) {
|
||||
String masked = pipeline.process(text, UUID.randomUUID().toString(), SystemPolicy.DEFAULT);
|
||||
assertFalse(masked.contains(secret), "не замаскировано: «" + secret + "» в ответе «" + masked + "»");
|
||||
}
|
||||
|
||||
private void assertMasked(String text, String payloadId, String expected) {
|
||||
assertEquals(expected, pipeline.process(text, payloadId, SystemPolicy.DEFAULT));
|
||||
}
|
||||
private void assertMasked(String text, String payloadId, String expected) {
|
||||
assertEquals(expected, pipeline.process(text, payloadId, SystemPolicy.DEFAULT));
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksForeignPassport() {
|
||||
assertHidden("Загранпаспорт 75 1234567 действителен до 2030 года", "75 1234567");
|
||||
}
|
||||
@Test
|
||||
void masksForeignPassport() {
|
||||
assertHidden("Загранпаспорт 75 1234567 действителен до 2030 года", "75 1234567");
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksMilitaryId() {
|
||||
assertHidden("Военный билет АБ 1234567 предъявлен", "АБ 1234567");
|
||||
}
|
||||
@Test
|
||||
void masksMilitaryId() {
|
||||
assertHidden("Военный билет АБ 1234567 предъявлен", "АБ 1234567");
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksBirthCertificate() {
|
||||
assertHidden("Свидетельство о рождении II-МЮ № 123456", "II-МЮ № 123456");
|
||||
}
|
||||
@Test
|
||||
void masksBirthCertificate() {
|
||||
assertHidden("Свидетельство о рождении II-МЮ № 123456", "II-МЮ № 123456");
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksMedicalPolicy() {
|
||||
assertHidden("Полис ОМС 1234567890123456 оформлен", "1234567890123456");
|
||||
}
|
||||
@Test
|
||||
void masksMedicalPolicy() {
|
||||
assertHidden("Полис ОМС 1234567890123456 оформлен", "1234567890123456");
|
||||
}
|
||||
|
||||
/**
|
||||
* У загранпаспорта, военного билета и свидетельства о рождении серия короткая — две цифры или две
|
||||
* буквы. Открой маска первые два знака, серия была бы видна целиком, поэтому у этих документов
|
||||
* открыты только последние знаки номера.
|
||||
*/
|
||||
@Test
|
||||
void hidesShortDocumentSeriesCompletely() {
|
||||
assertMasked("Загранпаспорт 75 1234567", "fp-1", "Загранпаспорт ** *****67");
|
||||
assertMasked("Военный билет АБ 1234567", "mil-1", "Военный билет ** *****67");
|
||||
assertMasked(
|
||||
"Свидетельство о рождении II-МЮ № 123456",
|
||||
"bc-1",
|
||||
"Свидетельство о рождении **-** № ****56");
|
||||
}
|
||||
/**
|
||||
* У загранпаспорта, военного билета и свидетельства о рождении серия короткая —
|
||||
* две цифры или две буквы. Открой маска первые два знака, серия была бы видна
|
||||
* целиком, поэтому у этих документов открыты только последние знаки номера.
|
||||
*/
|
||||
@Test
|
||||
void hidesShortDocumentSeriesCompletely() {
|
||||
assertMasked("Загранпаспорт 75 1234567", "fp-1", "Загранпаспорт ** *****67");
|
||||
assertMasked("Военный билет АБ 1234567", "mil-1", "Военный билет ** *****67");
|
||||
assertMasked("Свидетельство о рождении II-МЮ № 123456", "bc-1",
|
||||
"Свидетельство о рождении **-** № ****56");
|
||||
}
|
||||
|
||||
/** У паспорта РФ и водительского удостоверения серия из четырёх знаков — открыта половина. */
|
||||
@Test
|
||||
void keepsHalfOfFourCharacterSeries() {
|
||||
assertMasked("Паспорт 4509 123456", "rf-1", "Паспорт 45** ****56");
|
||||
assertMasked(
|
||||
"Водительское удостоверение 9902 123456", "dl-1", "Водительское удостоверение 99** ****56");
|
||||
}
|
||||
/** У паспорта РФ и водительского удостоверения серия из четырёх знаков — открыта половина. */
|
||||
@Test
|
||||
void keepsHalfOfFourCharacterSeries() {
|
||||
assertMasked("Паспорт 4509 123456", "rf-1", "Паспорт 45** ****56");
|
||||
assertMasked("Водительское удостоверение 9902 123456", "dl-1",
|
||||
"Водительское удостоверение 99** ****56");
|
||||
}
|
||||
}
|
||||
|
||||
@@ -1,8 +1,15 @@
|
||||
package ru.pdguard;
|
||||
|
||||
import static org.junit.jupiter.api.Assertions.assertEquals;
|
||||
import static org.junit.jupiter.api.Assertions.assertTrue;
|
||||
import org.junit.jupiter.api.Test;
|
||||
import ru.pdguard.config.SystemPolicy;
|
||||
import ru.pdguard.core.PayloadStore;
|
||||
import ru.pdguard.core.Pipeline;
|
||||
import ru.pdguard.core.Span;
|
||||
import ru.pdguard.detect.NameCascade;
|
||||
import ru.pdguard.detect.RuleRegistry;
|
||||
import ru.pdguard.mask.Masker;
|
||||
|
||||
import java.io.IOException;
|
||||
import java.nio.file.Files;
|
||||
import java.nio.file.Path;
|
||||
import java.util.ArrayList;
|
||||
@@ -10,143 +17,130 @@ import java.util.Collections;
|
||||
import java.util.List;
|
||||
import java.util.Optional;
|
||||
import java.util.Random;
|
||||
import org.junit.jupiter.api.Test;
|
||||
import ru.pdguard.config.SystemPolicy;
|
||||
import ru.pdguard.core.PayloadStore;
|
||||
import ru.pdguard.core.Pipeline;
|
||||
import ru.pdguard.detect.NameCascade;
|
||||
import ru.pdguard.detect.RuleRegistry;
|
||||
import ru.pdguard.detect.Span;
|
||||
import ru.pdguard.mask.Masker;
|
||||
|
||||
import static org.junit.jupiter.api.Assertions.assertEquals;
|
||||
import static org.junit.jupiter.api.Assertions.assertTrue;
|
||||
|
||||
/**
|
||||
* Качество и скорость на большом тексте — не повторе одного и того же предложения, а перемешанных
|
||||
* строках из {@code benchmark-generated.txt} (все типы ПД вперемешку с чистым текстом), растянутых
|
||||
* до объёма из ТЗ (около 100 000 токенов, ~400 КБ по оценке из README).
|
||||
* Качество и скорость на большом тексте — не повторе одного и того же
|
||||
* предложения, а перемешанных строках из {@code benchmark-generated.txt}
|
||||
* (все типы ПД вперемешку с чистым текстом), растянутых до объёма из ТЗ
|
||||
* (около 100 000 токенов, ~400 КБ по оценке из README).
|
||||
*
|
||||
* <p>Раздутый повтором одной строки текст проверяет только то, что цикл не падает на объёме: под
|
||||
* маской всегда один и тот же тип, а остальные правила не задействуются вовсе. Здесь размер и
|
||||
* разнообразие проверяются вместе.
|
||||
* <p>Раздутый повтором одной строки текст проверяет только то, что цикл не
|
||||
* падает на объёме: под маской всегда один и тот же тип, а остальные правила
|
||||
* не задействуются вовсе. Здесь размер и разнообразие проверяются вместе.
|
||||
*/
|
||||
class LargeTextTest {
|
||||
|
||||
private static final String ENGINE = System.getProperty("bench.engine", "rubert");
|
||||
private static final String MODEL_PATH = System.getProperty("bench.model", "models/rubert-ner");
|
||||
private static final String MODEL_PATH = "models/ru-ner-person.bin";
|
||||
|
||||
/** Целевой объём: README оценивает 100 000 токенов как ~400 КБ текста. */
|
||||
private static final int TARGET_CHARS = 400_000;
|
||||
/** Целевой объём: README оценивает 100 000 токенов как ~400 КБ текста. */
|
||||
private static final int TARGET_CHARS = 400_000;
|
||||
|
||||
/**
|
||||
* Перемешивает исходные строки (фиксированный seed — детерминированный тест) и склеивает их через
|
||||
* перенос строки, пока не наберётся целевой объём. Смещения золотых фрагментов пересчитываются
|
||||
* под общий текст.
|
||||
*/
|
||||
private static BenchmarkFixtures.Sample buildLargeText(int targetChars, long seed) {
|
||||
List<BenchmarkFixtures.Sample> pool =
|
||||
new ArrayList<>(BenchmarkFixtures.load("/benchmark-generated.txt"));
|
||||
Random random = new Random(seed);
|
||||
StringBuilder text = new StringBuilder(targetChars + 1024);
|
||||
List<Span> gold = new ArrayList<>();
|
||||
/**
|
||||
* Перемешивает исходные строки (фиксированный seed — детерминированный
|
||||
* тест) и склеивает их через перенос строки, пока не наберётся целевой
|
||||
* объём. Смещения золотых фрагментов пересчитываются под общий текст.
|
||||
*/
|
||||
private static BenchmarkFixtures.Sample buildLargeText(int targetChars, long seed) {
|
||||
List<BenchmarkFixtures.Sample> pool = new ArrayList<>(BenchmarkFixtures.load("/benchmark-generated.txt"));
|
||||
Random random = new Random(seed);
|
||||
StringBuilder text = new StringBuilder(targetChars + 1024);
|
||||
List<Span> gold = new ArrayList<>();
|
||||
|
||||
while (text.length() < targetChars) {
|
||||
Collections.shuffle(pool, random);
|
||||
for (BenchmarkFixtures.Sample sample : pool) {
|
||||
int offset = text.length();
|
||||
text.append(sample.text()).append('\n');
|
||||
for (Span span : sample.gold()) {
|
||||
gold.add(new Span(span.start() + offset, span.end() + offset, span.type(), 0));
|
||||
while (text.length() < targetChars) {
|
||||
Collections.shuffle(pool, random);
|
||||
for (BenchmarkFixtures.Sample sample : pool) {
|
||||
int offset = text.length();
|
||||
text.append(sample.text()).append('\n');
|
||||
for (Span span : sample.gold()) {
|
||||
gold.add(new Span(span.start() + offset, span.end() + offset, span.type(), 0));
|
||||
}
|
||||
if (text.length() >= targetChars) {
|
||||
break;
|
||||
}
|
||||
}
|
||||
}
|
||||
if (text.length() >= targetChars) {
|
||||
break;
|
||||
return new BenchmarkFixtures.Sample(text.toString(), gold);
|
||||
}
|
||||
|
||||
/**
|
||||
* Маскирование и обратное преобразование на большом тексте дают
|
||||
* побайтово тот же результат, что и исходный текст — при объёме на
|
||||
* порядок больше, чем в остальных тестах, и с разнородным содержимым,
|
||||
* а не одним повторяющимся предложением.
|
||||
*/
|
||||
@Test
|
||||
void roundTripOnLargeMixedText() {
|
||||
BenchmarkFixtures.Sample large = buildLargeText(TARGET_CHARS, 1);
|
||||
Pipeline pipeline = new Pipeline(new RuleRegistry(), new Masker(),
|
||||
new PayloadStore(large.text().length() * 2L, 30));
|
||||
|
||||
long maskStarted = System.nanoTime();
|
||||
String masked = pipeline.process(large.text(), "large-mixed-1", SystemPolicy.DEFAULT);
|
||||
long maskMillis = (System.nanoTime() - maskStarted) / 1_000_000;
|
||||
|
||||
long unmaskStarted = System.nanoTime();
|
||||
String restored = pipeline.process(masked, "large-mixed-1", SystemPolicy.DEFAULT);
|
||||
long unmaskMillis = (System.nanoTime() - unmaskStarted) / 1_000_000;
|
||||
|
||||
assertEquals(large.text(), restored, "демаскирование не восстановило исходный текст");
|
||||
assertTrue(maskMillis < 5000, "маскирование " + large.text().length() + " знаков заняло " + maskMillis + " мс");
|
||||
assertTrue(unmaskMillis < 1000, "демаскирование заняло " + unmaskMillis + " мс");
|
||||
|
||||
System.out.printf("%nБольшой текст: %d знаков, маскирование %d мс, демаскирование %d мс%n",
|
||||
large.text().length(), maskMillis, unmaskMillis);
|
||||
}
|
||||
|
||||
/**
|
||||
* Полнота детекции не должна проседать на объёме: каждый золотой
|
||||
* фрагмент из перемешанных строк обязан быть найден в общем потоке
|
||||
* текста, а не только когда он единственный в маленькой строке.
|
||||
*/
|
||||
@Test
|
||||
void recallHoldsAtScale() {
|
||||
BenchmarkFixtures.Sample large = buildLargeText(TARGET_CHARS, 2);
|
||||
Pipeline pipeline = new Pipeline(new RuleRegistry(), new Masker(), new PayloadStore(1L, 30));
|
||||
|
||||
List<Span> found = pipeline.findPersonalData(large.text(), SystemPolicy.DEFAULT);
|
||||
int hit = 0;
|
||||
for (Span gold : large.gold()) {
|
||||
if (found.stream().anyMatch(f -> f.type().equals(gold.type()) && f.overlaps(gold))) {
|
||||
hit++;
|
||||
}
|
||||
}
|
||||
}
|
||||
double recall = large.gold().isEmpty() ? 1.0 : (double) hit / large.gold().size();
|
||||
System.out.printf("%nПолнота на большом тексте: %d из %d (%.3f)%n", hit, large.gold().size(), recall);
|
||||
|
||||
assertTrue(recall >= 0.85,
|
||||
String.format("полнота на большом тексте упала до %.3f (%d/%d)", recall, hit, large.gold().size()));
|
||||
}
|
||||
return new BenchmarkFixtures.Sample(text.toString(), gold);
|
||||
}
|
||||
|
||||
/**
|
||||
* Маскирование и обратное преобразование на большом тексте дают побайтово тот же результат, что и
|
||||
* исходный текст — при объёме на порядок больше, чем в остальных тестах, и с разнородным
|
||||
* содержимым, а не одним повторяющимся предложением.
|
||||
*/
|
||||
@Test
|
||||
void roundTripOnLargeMixedText() {
|
||||
BenchmarkFixtures.Sample large = buildLargeText(TARGET_CHARS, 1);
|
||||
Pipeline pipeline =
|
||||
new Pipeline(
|
||||
new RuleRegistry(), new Masker(), new PayloadStore(30));
|
||||
/**
|
||||
* Вторая ступень ограничена числом кандидатов на запрос
|
||||
* ({@code pdguard.ner.max-candidates}), поэтому объём текста не должен
|
||||
* превращать её в квадратичную нагрузку — проверяем на том же большом
|
||||
* тексте, что и остальные тесты, а не на маленьком образце.
|
||||
*/
|
||||
@Test
|
||||
void nameCascadeStaysBoundedOnLargeText() throws IOException {
|
||||
Path model = Path.of(MODEL_PATH);
|
||||
if (!Files.isReadable(model)) {
|
||||
System.out.println("Модель " + model.toAbsolutePath() + " не собрана, пропускаю");
|
||||
return;
|
||||
}
|
||||
BenchmarkFixtures.Sample large = buildLargeText(TARGET_CHARS, 3);
|
||||
Pipeline pipeline = new Pipeline(new RuleRegistry(), new Masker(),
|
||||
new PayloadStore(large.text().length() * 2L, 30),
|
||||
new NameCascade(Optional.of(MODEL_PATH), 16, 4));
|
||||
|
||||
long maskStarted = System.nanoTime();
|
||||
String masked = pipeline.process(large.text(), "large-mixed-1", SystemPolicy.DEFAULT);
|
||||
long maskMillis = (System.nanoTime() - maskStarted) / 1_000_000;
|
||||
long started = System.nanoTime();
|
||||
pipeline.process(large.text(), "large-cascade-1", SystemPolicy.DEFAULT);
|
||||
long millis = (System.nanoTime() - started) / 1_000_000;
|
||||
|
||||
long unmaskStarted = System.nanoTime();
|
||||
String restored = pipeline.process(masked, "large-mixed-1", SystemPolicy.DEFAULT);
|
||||
long unmaskMillis = (System.nanoTime() - unmaskStarted) / 1_000_000;
|
||||
|
||||
assertEquals(large.text(), restored, "демаскирование не восстановило исходный текст");
|
||||
assertTrue(
|
||||
maskMillis < 5000,
|
||||
"маскирование " + large.text().length() + " знаков заняло " + maskMillis + " мс");
|
||||
assertTrue(unmaskMillis < 1000, "демаскирование заняло " + unmaskMillis + " мс");
|
||||
|
||||
System.out.printf(
|
||||
"%nБольшой текст: %d знаков, маскирование %d мс, демаскирование %d мс%n",
|
||||
large.text().length(), maskMillis, unmaskMillis);
|
||||
}
|
||||
|
||||
/**
|
||||
* Полнота детекции не должна проседать на объёме: каждый золотой фрагмент из перемешанных строк
|
||||
* обязан быть найден в общем потоке текста, а не только когда он единственный в маленькой строке.
|
||||
*/
|
||||
@Test
|
||||
void recallHoldsAtScale() {
|
||||
BenchmarkFixtures.Sample large = buildLargeText(TARGET_CHARS, 2);
|
||||
Pipeline pipeline = new Pipeline(new RuleRegistry(), new Masker(), new PayloadStore(30));
|
||||
|
||||
List<Span> found = pipeline.findPersonalData(large.text(), SystemPolicy.DEFAULT);
|
||||
int hit = 0;
|
||||
for (Span gold : large.gold()) {
|
||||
if (found.stream().anyMatch(f -> f.type().equals(gold.type()) && f.overlaps(gold))) {
|
||||
hit++;
|
||||
}
|
||||
System.out.printf("%nБольшой текст со второй ступенью: %d знаков за %d мс%n",
|
||||
large.text().length(), millis);
|
||||
assertTrue(millis < 5000, "со второй ступенью обработка заняла " + millis + " мс");
|
||||
}
|
||||
double recall = large.gold().isEmpty() ? 1.0 : (double) hit / large.gold().size();
|
||||
System.out.printf(
|
||||
"%nПолнота на большом тексте: %d из %d (%.3f)%n", hit, large.gold().size(), recall);
|
||||
|
||||
assertTrue(
|
||||
recall >= 0.85,
|
||||
String.format(
|
||||
"полнота на большом тексте упала до %.3f (%d/%d)", recall, hit, large.gold().size()));
|
||||
}
|
||||
|
||||
/**
|
||||
* Вторая ступень ограничена числом кандидатов на запрос ({@code pdguard.ner.max-candidates}),
|
||||
* поэтому объём текста не должен превращать её в квадратичную нагрузку — проверяем на том же
|
||||
* большом тексте, что и остальные тесты, а не на маленьком образце.
|
||||
*/
|
||||
@Test
|
||||
void nameCascadeStaysBoundedOnLargeText() {
|
||||
Path model = Path.of(MODEL_PATH);
|
||||
if (!Files.isReadable(model)) {
|
||||
System.out.println("Модель " + model.toAbsolutePath() + " не собрана, пропускаю");
|
||||
return;
|
||||
}
|
||||
BenchmarkFixtures.Sample large = buildLargeText(TARGET_CHARS, 3);
|
||||
Pipeline pipeline =
|
||||
new Pipeline(
|
||||
new RuleRegistry(),
|
||||
new Masker(),
|
||||
new PayloadStore(30),
|
||||
new NameCascade(ENGINE, Optional.of(MODEL_PATH), 16, 4));
|
||||
|
||||
long started = System.nanoTime();
|
||||
pipeline.process(large.text(), "large-cascade-1", SystemPolicy.DEFAULT);
|
||||
long millis = (System.nanoTime() - started) / 1_000_000;
|
||||
|
||||
System.out.printf(
|
||||
"%nБольшой текст со второй ступенью: %d знаков за %d мс%n", large.text().length(), millis);
|
||||
assertTrue(millis < 5000, "со второй ступенью обработка заняла " + millis + " мс");
|
||||
}
|
||||
}
|
||||
|
||||
@@ -1,96 +0,0 @@
|
||||
package ru.pdguard;
|
||||
|
||||
import static org.junit.jupiter.api.Assertions.assertTrue;
|
||||
|
||||
import java.io.BufferedReader;
|
||||
import java.io.IOException;
|
||||
import java.io.InputStream;
|
||||
import java.io.InputStreamReader;
|
||||
import java.nio.charset.StandardCharsets;
|
||||
import java.util.ArrayList;
|
||||
import java.util.List;
|
||||
import org.junit.jupiter.api.Test;
|
||||
import ru.pdguard.config.SystemPolicy;
|
||||
import ru.pdguard.core.PayloadStore;
|
||||
import ru.pdguard.core.Pipeline;
|
||||
import ru.pdguard.detect.PdTypes;
|
||||
import ru.pdguard.detect.RuleRegistry;
|
||||
import ru.pdguard.detect.Span;
|
||||
import ru.pdguard.mask.Masker;
|
||||
|
||||
/**
|
||||
* Проверка утечек из датасета {@code leak-dataset.txt}.
|
||||
*
|
||||
* <p>Датасет собран из логов pd-guard-node-logs.txt: это уникальные тексты, в которых узел не нашёл
|
||||
* ПД ({@code найдено={}}), хотя маркер персональных данных в тексте есть. Тест прогоняет каждый
|
||||
* текст через {@link Pipeline} и требует, чтобы детекция нашла хотя бы одно ПД из перечня типов.
|
||||
*/
|
||||
class LeakDiagTest {
|
||||
|
||||
private static final String DATASET = "/leak-dataset.txt";
|
||||
|
||||
@Test
|
||||
void checkLeaks() {
|
||||
Pipeline p = new Pipeline(new RuleRegistry(), new Masker(), new PayloadStore(30));
|
||||
List<String> leaks = readDataset();
|
||||
|
||||
int fixed = 0;
|
||||
List<String> remaining = new ArrayList<>();
|
||||
for (String raw : leaks) {
|
||||
List<Span> spans = p.findPersonalData(raw, SystemPolicy.DEFAULT);
|
||||
boolean found =
|
||||
spans.stream()
|
||||
.anyMatch(
|
||||
s ->
|
||||
s.type().equals(PdTypes.FIO)
|
||||
|| s.type().equals(PdTypes.BIRTH_DATE)
|
||||
|| s.type().equals(PdTypes.PASSPORT_DATE)
|
||||
|| s.type().equals(PdTypes.CVV)
|
||||
|| s.type().equals(PdTypes.PIN)
|
||||
|| s.type().equals(PdTypes.INN)
|
||||
|| s.type().equals(PdTypes.PHONE)
|
||||
|| s.type().equals(PdTypes.CARD)
|
||||
|| s.type().equals(PdTypes.DRIVER_LICENSE)
|
||||
|| s.type().equals(PdTypes.CITIZENSHIP)
|
||||
|| s.type().equals(PdTypes.BIRTH_PLACE));
|
||||
if (found) {
|
||||
fixed++;
|
||||
} else {
|
||||
remaining.add(raw);
|
||||
}
|
||||
}
|
||||
System.out.println(
|
||||
"Всего утечек: "
|
||||
+ leaks.size()
|
||||
+ ", исправлено: "
|
||||
+ fixed
|
||||
+ ", осталось: "
|
||||
+ remaining.size());
|
||||
for (String raw : remaining) {
|
||||
System.out.println(" ОСТАЛОСЬ: " + raw);
|
||||
}
|
||||
assertTrue(
|
||||
remaining.size() <= leaks.size() / 2, "осталось слишком много утечек: " + remaining.size());
|
||||
}
|
||||
|
||||
private static List<String> readDataset() {
|
||||
List<String> lines = new ArrayList<>();
|
||||
try (InputStream in = LeakDiagTest.class.getResourceAsStream(DATASET)) {
|
||||
if (in == null) {
|
||||
throw new IllegalStateException("Датасет не найден в сборке: " + DATASET);
|
||||
}
|
||||
try (BufferedReader r =
|
||||
new BufferedReader(new InputStreamReader(in, StandardCharsets.UTF_8))) {
|
||||
String line;
|
||||
while ((line = r.readLine()) != null) {
|
||||
if (!line.isBlank()) {
|
||||
lines.add(line);
|
||||
}
|
||||
}
|
||||
}
|
||||
} catch (IOException e) {
|
||||
throw new IllegalStateException(e);
|
||||
}
|
||||
return lines;
|
||||
}
|
||||
}
|
||||
@@ -1,57 +0,0 @@
|
||||
package ru.pdguard;
|
||||
|
||||
import org.junit.jupiter.api.Test;
|
||||
import ru.pdguard.config.SystemPolicy;
|
||||
import ru.pdguard.core.PayloadStore;
|
||||
import ru.pdguard.core.Pipeline;
|
||||
import ru.pdguard.detect.NameCascade;
|
||||
import ru.pdguard.detect.PdTypes;
|
||||
import ru.pdguard.detect.RuleRegistry;
|
||||
import ru.pdguard.detect.Span;
|
||||
import ru.pdguard.mask.Masker;
|
||||
|
||||
import java.util.List;
|
||||
import java.util.Optional;
|
||||
|
||||
import static org.junit.jupiter.api.Assertions.assertTrue;
|
||||
|
||||
/** LLAIM Legal NER: юридические реквизиты и документы, которых нет в общих моделях. */
|
||||
class LegalNerTest {
|
||||
|
||||
private List<Span> find(String text) {
|
||||
NameCascade cascade = new NameCascade(
|
||||
new NameCascade.EngineConfig(
|
||||
"off", Optional.empty(),
|
||||
"off", Optional.empty(),
|
||||
"ru-legal-ner", Optional.of("models/ru-legal-ner")),
|
||||
16, 4);
|
||||
Pipeline p = new Pipeline(new RuleRegistry(), new Masker(), new PayloadStore(30), cascade);
|
||||
return p.findPersonalData(text, SystemPolicy.DEFAULT);
|
||||
}
|
||||
|
||||
private boolean hasType(List<Span> spans, String type) {
|
||||
return spans.stream().anyMatch(s -> s.type().equals(type));
|
||||
}
|
||||
|
||||
@Test
|
||||
void recognisesInn() {
|
||||
String text = "Договор между ООО «Ромашка», ИНН 7701234567, и Ивановым Иваном Ивановичем.";
|
||||
List<Span> spans = find(text);
|
||||
System.out.println("TEXT: " + text);
|
||||
for (Span s : spans) {
|
||||
System.out.println(" -> " + s.type() + " [" + text.substring(s.start(), s.end()) + "]");
|
||||
}
|
||||
assertTrue(hasType(spans, PdTypes.INN), "должно найти ИНН");
|
||||
}
|
||||
|
||||
@Test
|
||||
void recognisesPassport() {
|
||||
String text = "Паспорт 4509 123456 выдан ОВД, СНИЛС 112-233-445 95.";
|
||||
List<Span> spans = find(text);
|
||||
System.out.println("TEXT: " + text);
|
||||
for (Span s : spans) {
|
||||
System.out.println(" -> " + s.type() + " [" + text.substring(s.start(), s.end()) + "]");
|
||||
}
|
||||
assertTrue(hasType(spans, PdTypes.PASSPORT), "должно найти паспорт");
|
||||
}
|
||||
}
|
||||
@@ -1,13 +1,5 @@
|
||||
package ru.pdguard;
|
||||
|
||||
import static org.junit.jupiter.api.Assertions.assertEquals;
|
||||
import static org.junit.jupiter.api.Assertions.assertFalse;
|
||||
import static org.junit.jupiter.api.Assertions.assertTrue;
|
||||
|
||||
import java.util.Set;
|
||||
import java.util.UUID;
|
||||
import java.util.regex.Matcher;
|
||||
import java.util.regex.Pattern;
|
||||
import org.junit.jupiter.api.Test;
|
||||
import ru.pdguard.config.SystemPolicy;
|
||||
import ru.pdguard.core.PayloadStore;
|
||||
@@ -17,92 +9,77 @@ import ru.pdguard.detect.Validators;
|
||||
import ru.pdguard.mask.MaskMode;
|
||||
import ru.pdguard.mask.Masker;
|
||||
|
||||
import java.util.Set;
|
||||
import java.util.UUID;
|
||||
import java.util.regex.Matcher;
|
||||
import java.util.regex.Pattern;
|
||||
|
||||
import static org.junit.jupiter.api.Assertions.assertEquals;
|
||||
import static org.junit.jupiter.api.Assertions.assertFalse;
|
||||
import static org.junit.jupiter.api.Assertions.assertTrue;
|
||||
|
||||
/** Виды замены: звёздочки, токены, правдоподобные значения. */
|
||||
class MaskModeTest {
|
||||
|
||||
private final Pipeline pipeline =
|
||||
new Pipeline(new RuleRegistry(), new Masker(), new PayloadStore(30));
|
||||
private final Pipeline pipeline =
|
||||
new Pipeline(new RuleRegistry(), new Masker(), new PayloadStore(1_000_000L, 30));
|
||||
|
||||
private SystemPolicy policy(MaskMode mode) {
|
||||
return new SystemPolicy(
|
||||
SystemPolicy.DEFAULT_NAME,
|
||||
true,
|
||||
true,
|
||||
mode,
|
||||
Set.of(SystemPolicy.ALL),
|
||||
SystemPolicy.DEFAULT.requireCompanion(),
|
||||
null);
|
||||
}
|
||||
|
||||
private String mask(MaskMode mode, String text) {
|
||||
return pipeline.process(text, UUID.randomUUID().toString(), policy(mode));
|
||||
}
|
||||
|
||||
@Test
|
||||
void strictModeHidesEverythingIncludingFio() {
|
||||
String masked = mask(MaskMode.STRICT, "Клиент Иванов Иван Иванович, паспорт 4509 123456");
|
||||
|
||||
assertFalse(masked.contains("Иванов"), masked);
|
||||
assertFalse(
|
||||
masked.contains("И. И. И."), "STRICT не должен превращать ФИО в инициалы: " + masked);
|
||||
assertTrue(
|
||||
masked.contains("****** **** ********"),
|
||||
"ожидались звёздочки по длине каждого слова: " + masked);
|
||||
assertTrue(masked.contains("**** ******"), "край паспорта не должен открываться: " + masked);
|
||||
}
|
||||
|
||||
@Test
|
||||
void tokenModeNumbersEachType() {
|
||||
String masked = mask(MaskMode.TOKEN, "Клиент Иванов Иван Иванович, почта ivan@mail.ru");
|
||||
assertTrue(masked.contains("[FIO_1]"), masked);
|
||||
assertTrue(masked.contains("[EMAIL_1]"), masked);
|
||||
}
|
||||
|
||||
@Test
|
||||
void sameValueGetsSameTokenWithinRequest() {
|
||||
String masked =
|
||||
mask(MaskMode.TOKEN, "ivan@mail.ru и ещё раз ivan@mail.ru, а также petr@mail.ru");
|
||||
assertEquals(2, count(masked, "[EMAIL_1]"), masked);
|
||||
assertEquals(1, count(masked, "[EMAIL_2]"), masked);
|
||||
}
|
||||
|
||||
@Test
|
||||
void syntheticModeProducesPlausibleValues() {
|
||||
String masked = mask(MaskMode.SYNTHETIC, "Карта 4111 1111 1111 1111 клиента Иванова Ивана");
|
||||
|
||||
assertFalse(masked.contains("4111 1111 1111 1111"), masked);
|
||||
assertFalse(masked.contains("*"), "подстановка должна выглядеть настоящей: " + masked);
|
||||
|
||||
Matcher card = Pattern.compile("\\d{4} \\d{4} \\d{4} \\d{4}").matcher(masked);
|
||||
assertTrue(card.find(), masked);
|
||||
assertTrue(
|
||||
Validators.luhn(card.group()), "подставленный номер карты обязан проходить проверку Луна");
|
||||
}
|
||||
|
||||
@Test
|
||||
void syntheticValuesAreStable() {
|
||||
String text = "Почта ivan@mail.ru, паспорт 4509 123456";
|
||||
assertEquals(mask(MaskMode.SYNTHETIC, text), mask(MaskMode.SYNTHETIC, text));
|
||||
}
|
||||
|
||||
@Test
|
||||
void unmaskingWorksInEveryMode() {
|
||||
String original = "Клиент Иванов Иван Иванович, карта 4111 1111 1111 1111, почта ivan@mail.ru";
|
||||
for (MaskMode mode : MaskMode.values()) {
|
||||
String id = "mode-" + mode;
|
||||
String masked = pipeline.process(original, id, policy(mode));
|
||||
assertFalse(masked.contains("Иванов Иван Иванович"), mode + ": " + masked);
|
||||
assertEquals(original, pipeline.process(masked, id, policy(mode)), mode.name());
|
||||
private SystemPolicy policy(MaskMode mode) {
|
||||
return new SystemPolicy(true, true, mode, Set.of(SystemPolicy.ALL), SystemPolicy.DEFAULT.requireCompanion());
|
||||
}
|
||||
}
|
||||
|
||||
private static int count(String text, String fragment) {
|
||||
int n = 0;
|
||||
for (int i = text.indexOf(fragment);
|
||||
i >= 0;
|
||||
i = text.indexOf(fragment, i + fragment.length())) {
|
||||
n++;
|
||||
private String mask(MaskMode mode, String text) {
|
||||
return pipeline.process(text, UUID.randomUUID().toString(), policy(mode));
|
||||
}
|
||||
|
||||
@Test
|
||||
void tokenModeNumbersEachType() {
|
||||
String masked = mask(MaskMode.TOKEN, "Клиент Иванов Иван Иванович, почта ivan@mail.ru");
|
||||
assertTrue(masked.contains("[FIO_1]"), masked);
|
||||
assertTrue(masked.contains("[EMAIL_1]"), masked);
|
||||
}
|
||||
|
||||
@Test
|
||||
void sameValueGetsSameTokenWithinRequest() {
|
||||
String masked = mask(MaskMode.TOKEN, "ivan@mail.ru и ещё раз ivan@mail.ru, а также petr@mail.ru");
|
||||
assertEquals(2, count(masked, "[EMAIL_1]"), masked);
|
||||
assertEquals(1, count(masked, "[EMAIL_2]"), masked);
|
||||
}
|
||||
|
||||
@Test
|
||||
void syntheticModeProducesPlausibleValues() {
|
||||
String masked = mask(MaskMode.SYNTHETIC, "Карта 4111 1111 1111 1111 клиента Иванова Ивана");
|
||||
|
||||
assertFalse(masked.contains("4111 1111 1111 1111"), masked);
|
||||
assertFalse(masked.contains("*"), "подстановка должна выглядеть настоящей: " + masked);
|
||||
|
||||
Matcher card = Pattern.compile("\\d{4} \\d{4} \\d{4} \\d{4}").matcher(masked);
|
||||
assertTrue(card.find(), masked);
|
||||
assertTrue(Validators.luhn(card.group()), "подставленный номер карты обязан проходить проверку Луна");
|
||||
}
|
||||
|
||||
@Test
|
||||
void syntheticValuesAreStable() {
|
||||
String text = "Почта ivan@mail.ru, паспорт 4509 123456";
|
||||
assertEquals(mask(MaskMode.SYNTHETIC, text), mask(MaskMode.SYNTHETIC, text));
|
||||
}
|
||||
|
||||
@Test
|
||||
void unmaskingWorksInEveryMode() {
|
||||
String original = "Клиент Иванов Иван Иванович, карта 4111 1111 1111 1111, почта ivan@mail.ru";
|
||||
for (MaskMode mode : MaskMode.values()) {
|
||||
String id = "mode-" + mode;
|
||||
String masked = pipeline.process(original, id, policy(mode));
|
||||
assertFalse(masked.contains("Иванов Иван Иванович"), mode + ": " + masked);
|
||||
assertEquals(original, pipeline.process(masked, id, policy(mode)), mode.name());
|
||||
}
|
||||
}
|
||||
|
||||
private static int count(String text, String fragment) {
|
||||
int n = 0;
|
||||
for (int i = text.indexOf(fragment); i >= 0; i = text.indexOf(fragment, i + fragment.length())) {
|
||||
n++;
|
||||
}
|
||||
return n;
|
||||
}
|
||||
return n;
|
||||
}
|
||||
}
|
||||
|
||||
@@ -1,13 +1,5 @@
|
||||
package ru.pdguard;
|
||||
|
||||
import static org.junit.jupiter.api.Assertions.assertEquals;
|
||||
import static org.junit.jupiter.api.Assertions.assertFalse;
|
||||
|
||||
import java.io.IOException;
|
||||
import java.nio.charset.StandardCharsets;
|
||||
import java.nio.file.Files;
|
||||
import java.nio.file.Path;
|
||||
import java.util.Optional;
|
||||
import org.junit.jupiter.api.Test;
|
||||
import org.junit.jupiter.api.io.TempDir;
|
||||
import ru.pdguard.config.SystemPolicy;
|
||||
@@ -17,46 +9,48 @@ import ru.pdguard.detect.NameCascade;
|
||||
import ru.pdguard.detect.RuleRegistry;
|
||||
import ru.pdguard.mask.Masker;
|
||||
|
||||
import java.io.IOException;
|
||||
import java.nio.charset.StandardCharsets;
|
||||
import java.nio.file.Files;
|
||||
import java.nio.file.Path;
|
||||
import java.util.Optional;
|
||||
|
||||
import static org.junit.jupiter.api.Assertions.assertEquals;
|
||||
import static org.junit.jupiter.api.Assertions.assertFalse;
|
||||
|
||||
/** Вторая ступень не должна вредить первой. */
|
||||
class NameCascadeTest {
|
||||
|
||||
private static final String TEXT = "Клиент Иванов Иван Иванович, паспорт 4509 123456";
|
||||
private static final String TEXT = "Клиент Иванов Иван Иванович, паспорт 4509 123456";
|
||||
|
||||
private String mask(NameCascade cascade, String payloadId) {
|
||||
Pipeline pipeline =
|
||||
new Pipeline(new RuleRegistry(), new Masker(), new PayloadStore(30), cascade);
|
||||
return pipeline.process(TEXT, payloadId, SystemPolicy.DEFAULT);
|
||||
}
|
||||
|
||||
@Test
|
||||
void withoutModelTheStageIsOff() {
|
||||
NameCascade cascade = NameCascade.disabled();
|
||||
assertFalse(cascade.enabled());
|
||||
assertEquals("Клиент И. И. И., паспорт 45** ****56", mask(cascade, "off-1"));
|
||||
}
|
||||
|
||||
@Test
|
||||
void missingModelFileDoesNotBreakMasking(@TempDir Path dir) {
|
||||
NameCascade cascade =
|
||||
new NameCascade(
|
||||
"rubert", Optional.of(dir.resolve("нет-такого-каталога").toString()), 16, 4);
|
||||
assertFalse(cascade.enabled(), "отсутствующая модель должна выключать ступень");
|
||||
assertEquals("Клиент И. И. И., паспорт 45** ****56", mask(cascade, "missing-1"));
|
||||
}
|
||||
|
||||
@Test
|
||||
void brokenModelFileDoesNotBreakMasking(@TempDir Path dir) throws IOException {
|
||||
Path broken = dir.resolve("испорченная-модель");
|
||||
Files.createDirectories(broken);
|
||||
for (String name : new String[] {"model_int8.onnx", "vocab.txt", "config.json"}) {
|
||||
Files.writeString(broken.resolve(name), "это не модель", StandardCharsets.UTF_8);
|
||||
private String mask(NameCascade cascade, String payloadId) {
|
||||
Pipeline pipeline = new Pipeline(new RuleRegistry(), new Masker(),
|
||||
new PayloadStore(1_000_000L, 30), cascade);
|
||||
return pipeline.process(TEXT, payloadId, SystemPolicy.DEFAULT);
|
||||
}
|
||||
|
||||
NameCascade cascade = new NameCascade("rubert", Optional.of(broken.toString()), 16, 4);
|
||||
assertFalse(cascade.enabled(), "испорченная модель должна выключать ступень");
|
||||
assertEquals(
|
||||
"Клиент И. И. И., паспорт 45** ****56",
|
||||
mask(cascade, "broken-1"),
|
||||
"маскирование по правилам обязано работать и без второй ступени");
|
||||
}
|
||||
@Test
|
||||
void withoutModelTheStageIsOff() {
|
||||
NameCascade cascade = NameCascade.disabled();
|
||||
assertFalse(cascade.enabled());
|
||||
assertEquals("Клиент И. И. И., паспорт 45** ****56", mask(cascade, "off-1"));
|
||||
}
|
||||
|
||||
@Test
|
||||
void missingModelFileDoesNotBreakMasking(@TempDir Path dir) {
|
||||
NameCascade cascade = new NameCascade(Optional.of(dir.resolve("нет-модели.bin").toString()), 16, 4);
|
||||
assertFalse(cascade.enabled(), "отсутствующая модель должна выключать ступень");
|
||||
assertEquals("Клиент И. И. И., паспорт 45** ****56", mask(cascade, "missing-1"));
|
||||
}
|
||||
|
||||
@Test
|
||||
void brokenModelFileDoesNotBreakMasking(@TempDir Path dir) throws IOException {
|
||||
Path broken = dir.resolve("испорченная.bin");
|
||||
Files.writeString(broken, "это не модель", StandardCharsets.UTF_8);
|
||||
|
||||
NameCascade cascade = new NameCascade(Optional.of(broken.toString()), 16, 4);
|
||||
assertFalse(cascade.enabled(), "испорченная модель должна выключать ступень");
|
||||
assertEquals("Клиент И. И. И., паспорт 45** ****56", mask(cascade, "broken-1"),
|
||||
"маскирование по правилам обязано работать и без второй ступени");
|
||||
}
|
||||
}
|
||||
|
||||
@@ -1,59 +0,0 @@
|
||||
package ru.pdguard;
|
||||
|
||||
import org.junit.jupiter.api.Test;
|
||||
import ru.pdguard.config.SystemPolicy;
|
||||
import ru.pdguard.core.PayloadStore;
|
||||
import ru.pdguard.core.Pipeline;
|
||||
import ru.pdguard.detect.RuleRegistry;
|
||||
import ru.pdguard.mask.Masker;
|
||||
|
||||
import java.util.UUID;
|
||||
|
||||
import static org.junit.jupiter.api.Assertions.assertFalse;
|
||||
|
||||
/**
|
||||
* Нормализация цифровых ПД: находит ИНН/СНИЛС/карту/ОГРН(ИП) в свободной форме,
|
||||
* где жёсткий шаблон ломается на нестандартном разделителе.
|
||||
*/
|
||||
class NormalisedDigitsTest {
|
||||
|
||||
private final Pipeline pipeline =
|
||||
new Pipeline(new RuleRegistry(), new Masker(), new PayloadStore(30));
|
||||
|
||||
private void assertHidden(String text, String secret) {
|
||||
String masked = pipeline.process(text, UUID.randomUUID().toString(), SystemPolicy.DEFAULT);
|
||||
assertFalse(masked.contains(secret), "не замаскировано: «" + secret + "» в ответе «" + masked + "»");
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksCardWithDots() {
|
||||
assertHidden("Карта 4111.1111.1111.1111 клиента", "4111.1111.1111.1111");
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksCardWithSlashes() {
|
||||
assertHidden("Оплата картой 4111/1111/1111/1111 прошла", "4111/1111/1111/1111");
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksCardWithMixedSeparators() {
|
||||
assertHidden("Номер карты 4111-1111 1111.1111 клиента", "4111-1111 1111.1111");
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksInnWithDashes() {
|
||||
assertHidden("ИНН: 7703-0123-4550 плательщика", "7703-0123-4550");
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksSnilsWithDots() {
|
||||
assertHidden("СНИЛС 112.233.445.95 застрахованного", "112.233.445.95");
|
||||
}
|
||||
|
||||
@Test
|
||||
void keepsNumberThatFailsChecksum() {
|
||||
String text = "Заказ 1234 5678 9012 3456 отгружен";
|
||||
org.junit.jupiter.api.Assertions.assertEquals(text,
|
||||
pipeline.process(text, UUID.randomUUID().toString(), SystemPolicy.DEFAULT));
|
||||
}
|
||||
}
|
||||
@@ -1,101 +0,0 @@
|
||||
package ru.pdguard;
|
||||
|
||||
import static org.junit.jupiter.api.Assertions.assertEquals;
|
||||
import static org.junit.jupiter.api.Assertions.assertFalse;
|
||||
|
||||
import java.util.UUID;
|
||||
import org.junit.jupiter.api.Test;
|
||||
import ru.pdguard.config.SystemPolicy;
|
||||
import ru.pdguard.core.PayloadStore;
|
||||
import ru.pdguard.core.Pipeline;
|
||||
import ru.pdguard.detect.RuleRegistry;
|
||||
import ru.pdguard.mask.Masker;
|
||||
|
||||
/**
|
||||
* Имя в названии организации или объекта на карте персональными данными не является. Решает слово
|
||||
* перед именем, а не само имя: однофамилец защиту не теряет.
|
||||
*/
|
||||
class OrganisationNamesTest {
|
||||
|
||||
private final Pipeline pipeline =
|
||||
new Pipeline(new RuleRegistry(), new Masker(), new PayloadStore(30));
|
||||
|
||||
private String mask(String text) {
|
||||
return pipeline.process(text, UUID.randomUUID().toString(), SystemPolicy.DEFAULT);
|
||||
}
|
||||
|
||||
@Test
|
||||
void keepsNamesInsideInstitutionNames() {
|
||||
for (String text :
|
||||
new String[] {
|
||||
"Институт Мечникова принимает по записи",
|
||||
"Музей Верещагина работает по будням",
|
||||
"Театр Станиславского открыл сезон",
|
||||
"Библиотека Некрасова закрыта на ремонт",
|
||||
"Премия имени Ломоносова вручена в декабре",
|
||||
"Больница Боткина приняла пациентов",
|
||||
"Стадион Яшина отремонтирован"
|
||||
}) {
|
||||
assertEquals(text, mask(text), "имя в названии учреждения маскировать не нужно");
|
||||
}
|
||||
}
|
||||
|
||||
@Test
|
||||
void keepsNamesInsidePlaceNames() {
|
||||
for (String text :
|
||||
new String[] {
|
||||
"Улица Королёва названа в честь конструктора",
|
||||
"Проспект Вернадского перекрыт до вечера",
|
||||
"Площадь Гагарина находится на юго-западе",
|
||||
"Набережная Макарова уходит к заливу",
|
||||
"Мост Кадырова разведут ночью"
|
||||
}) {
|
||||
assertEquals(text, mask(text), "топоним маскировать не нужно");
|
||||
}
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksRealClientWithTheSameSurname() {
|
||||
String masked = mask("Клиент Королёв Сергей Павлович, паспорт 4509 123456");
|
||||
assertFalse(
|
||||
masked.contains("Королёв Сергей Павлович"),
|
||||
"однофамилец объекта на карте остаётся под защитой: " + masked);
|
||||
}
|
||||
|
||||
@Test
|
||||
void markerOnlyCountsRightBeforeTheName() {
|
||||
String masked = mask("Больница приняла Иванова Ивана Ивановича с жалобой");
|
||||
assertFalse(
|
||||
masked.contains("Иванова Ивана Ивановича"),
|
||||
"слово-маркер действует только вплотную перед именем: " + masked);
|
||||
}
|
||||
|
||||
@Test
|
||||
void keepsRulerNames() {
|
||||
for (String text :
|
||||
new String[] {
|
||||
"Василий Тёмный правил недолго",
|
||||
"Ярослав Мудрый составил свод законов",
|
||||
"Екатерина Вторая издала указ",
|
||||
"Алексей Тишайший принимал послов"
|
||||
}) {
|
||||
assertEquals(text, mask(text), "имя правителя персональными данными не является");
|
||||
}
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksClientEvenIfNameLooksRegnal() {
|
||||
String masked = mask("Клиент Василий Тёмный, паспорт 4509 123456");
|
||||
assertFalse(
|
||||
masked.contains("Василий Тёмный"),
|
||||
"рядом с паспортными данными это конкретный человек: " + masked);
|
||||
}
|
||||
|
||||
@Test
|
||||
void doesNotSuppressSoleTraderName() {
|
||||
String masked = mask("ИП Пахомов Вениамин Николаевич, ИНН 502601234547");
|
||||
assertFalse(
|
||||
masked.contains("Пахомов Вениамин Николаевич"),
|
||||
"имя предпринимателя — это персональные данные: " + masked);
|
||||
}
|
||||
}
|
||||
@@ -1,54 +0,0 @@
|
||||
package ru.pdguard;
|
||||
|
||||
import static org.junit.jupiter.api.Assertions.assertEquals;
|
||||
import static org.junit.jupiter.api.Assertions.assertNotEquals;
|
||||
|
||||
import org.junit.jupiter.api.Test;
|
||||
import ru.pdguard.core.PayloadCipher;
|
||||
import ru.pdguard.core.PayloadStore;
|
||||
|
||||
/** Шифрование персональных данных в хранилище. */
|
||||
class PayloadCipherTest {
|
||||
|
||||
/** 32 байта в hex — валидный AES-256 ключ. */
|
||||
private static final String KEY =
|
||||
"000102030405060708090a0b0c0d0e0f101112131415161718191a1b1c1d1e1f";
|
||||
|
||||
@Test
|
||||
void encryptDecryptRoundTrip() {
|
||||
PayloadCipher cipher = new PayloadCipher(KEY);
|
||||
String original = "Клиент Иванов Иван Иванович, паспорт 4509 123456";
|
||||
String encrypted = cipher.encrypt(original);
|
||||
assertNotEquals(original, encrypted, "шифротекст не должен совпадать с исходником");
|
||||
assertEquals(original, cipher.decrypt(encrypted), "должно расшифроваться обратно");
|
||||
}
|
||||
|
||||
@Test
|
||||
void disabledCipherPassesThrough() {
|
||||
PayloadCipher cipher = PayloadCipher.disabled();
|
||||
String original = "Клиент Иванов";
|
||||
assertEquals(original, cipher.encrypt(original), "без ключа шифрование выключено");
|
||||
assertEquals(original, cipher.decrypt(original), "без ключа дешифрование выключено");
|
||||
}
|
||||
|
||||
@Test
|
||||
void storeStoresEncryptedButReturnsPlaintext() {
|
||||
PayloadCipher cipher = new PayloadCipher(KEY);
|
||||
PayloadStore store =
|
||||
new PayloadStore(30, ru.pdguard.core.SharedIndex.disabled(), cipher);
|
||||
|
||||
String original = "Клиент Иванов Иван Иванович, паспорт 4509 123456";
|
||||
String masked = "Клиент И. И. И., паспорт 45** ****56";
|
||||
store.put("test", "id-1", original, masked);
|
||||
|
||||
// Чтение по id возвращает исходный текст.
|
||||
PayloadStore.Entry entry = store.byId("test", "id-1");
|
||||
assertEquals(original, entry.original(), "чтение по id должно вернуть исходный текст");
|
||||
|
||||
// Чтение по маске возвращает исходный текст.
|
||||
assertEquals(
|
||||
original,
|
||||
store.originalForMask("test", masked),
|
||||
"чтение по маске должно вернуть исходный текст");
|
||||
}
|
||||
}
|
||||
@@ -1,64 +1,53 @@
|
||||
package ru.pdguard;
|
||||
|
||||
import static org.junit.jupiter.api.Assertions.assertEquals;
|
||||
import static org.junit.jupiter.api.Assertions.assertNotNull;
|
||||
import static org.junit.jupiter.api.Assertions.assertNull;
|
||||
|
||||
import org.junit.jupiter.api.Test;
|
||||
import ru.pdguard.core.PayloadStore;
|
||||
|
||||
/** Ограничения хранилища соответствий: срок жизни и разделение по системам. */
|
||||
import static org.junit.jupiter.api.Assertions.assertEquals;
|
||||
import static org.junit.jupiter.api.Assertions.assertNotNull;
|
||||
import static org.junit.jupiter.api.Assertions.assertNull;
|
||||
import static org.junit.jupiter.api.Assertions.assertTrue;
|
||||
|
||||
/** Ограничения хранилища соответствий: объём и срок жизни. */
|
||||
class PayloadStoreTest {
|
||||
|
||||
private static final String SYSTEM = "crm";
|
||||
@Test
|
||||
void returnsWhatWasStored() {
|
||||
PayloadStore store = new PayloadStore(1_000_000L, 30);
|
||||
store.put("id", "исходный текст", "маска");
|
||||
|
||||
@Test
|
||||
void returnsWhatWasStored() {
|
||||
PayloadStore store = new PayloadStore(30);
|
||||
store.put(SYSTEM, "id", "исходный текст", "маска");
|
||||
PayloadStore.Entry entry = store.byId("id");
|
||||
assertNotNull(entry);
|
||||
assertEquals("исходный текст", entry.original());
|
||||
assertEquals("маска", entry.masked());
|
||||
assertEquals("исходный текст", store.originalForMask("маска"));
|
||||
}
|
||||
|
||||
PayloadStore.Entry entry = store.byId(SYSTEM, "id");
|
||||
assertNotNull(entry);
|
||||
assertEquals("исходный текст", entry.original());
|
||||
assertEquals("маска", entry.masked());
|
||||
assertEquals("исходный текст", store.originalForMask(SYSTEM, "маска"));
|
||||
}
|
||||
@Test
|
||||
void forgetsEntriesAfterTheirLifetime() {
|
||||
PayloadStore store = new PayloadStore(1_000_000L, 0);
|
||||
store.put("id", "исходный текст", "маска");
|
||||
|
||||
@Test
|
||||
void forgetsEntriesAfterTheirLifetime() {
|
||||
PayloadStore store = new PayloadStore(0);
|
||||
store.put(SYSTEM, "id", "исходный текст", "маска");
|
||||
assertNull(store.byId("id"), "запись с истёкшим сроком жизни не должна отдаваться");
|
||||
assertNull(store.originalForMask("маска"));
|
||||
}
|
||||
|
||||
assertNull(store.byId(SYSTEM, "id"), "запись с истёкшим сроком жизни не должна отдаваться");
|
||||
assertNull(store.originalForMask(SYSTEM, "маска"));
|
||||
}
|
||||
@Test
|
||||
void evictsOldestWhenOverSizeLimit() {
|
||||
PayloadStore store = new PayloadStore(100L, 30);
|
||||
for (int i = 0; i < 50; i++) {
|
||||
store.put("id" + i, "текст номер " + i, "маска номер " + i);
|
||||
}
|
||||
|
||||
@Test
|
||||
void unknownKeysReturnNothing() {
|
||||
PayloadStore store = new PayloadStore(30);
|
||||
assertNull(store.byId(SYSTEM, "нет такого"));
|
||||
assertNull(store.originalForMask(SYSTEM, "нет такой маски"));
|
||||
}
|
||||
assertTrue(store.charsHeld() <= 100, "объём хранилища вышел за предел: " + store.charsHeld());
|
||||
assertNull(store.byId("id0"), "самая старая запись должна быть вытеснена");
|
||||
assertNotNull(store.byId("id49"), "последняя запись должна остаться");
|
||||
}
|
||||
|
||||
/**
|
||||
* Поиск по маске идёт только внутри своей системы. Маски детерминированы и низкоэнтропийны: без
|
||||
* разделения чужую маску можно было бы подобрать и обменять на исходные данные другого
|
||||
* потребителя.
|
||||
*/
|
||||
@Test
|
||||
void oneSystemCannotReadAnotherSystemData() {
|
||||
PayloadStore store = new PayloadStore(30);
|
||||
store.put("crm", "общий-id", "Иванов Иван Иванович", "И. И. И.");
|
||||
|
||||
assertNull(
|
||||
store.originalForMask("analytics", "И. И. И."),
|
||||
"чужую маску нельзя обменять на исходный текст");
|
||||
assertNull(
|
||||
store.byId("analytics", "общий-id"),
|
||||
"совпадение идентификатора у другой системы не даёт доступа");
|
||||
assertEquals(
|
||||
"Иванов Иван Иванович",
|
||||
store.originalForMask("crm", "И. И. И."),
|
||||
"своя система свои данные по-прежнему получает");
|
||||
}
|
||||
@Test
|
||||
void unknownKeysReturnNothing() {
|
||||
PayloadStore store = new PayloadStore(1_000_000L, 30);
|
||||
assertNull(store.byId("нет такого"));
|
||||
assertNull(store.originalForMask("нет такой маски"));
|
||||
}
|
||||
}
|
||||
|
||||
@@ -1,160 +0,0 @@
|
||||
package ru.pdguard;
|
||||
|
||||
import static org.junit.jupiter.api.Assertions.assertTrue;
|
||||
|
||||
import java.util.ArrayList;
|
||||
import java.util.Comparator;
|
||||
import java.util.LinkedHashMap;
|
||||
import java.util.List;
|
||||
import java.util.Map;
|
||||
import org.junit.jupiter.api.Test;
|
||||
import ru.pdguard.config.SystemPolicy;
|
||||
import ru.pdguard.core.PayloadStore;
|
||||
import ru.pdguard.core.Pipeline;
|
||||
import ru.pdguard.detect.RuleRegistry;
|
||||
import ru.pdguard.detect.Span;
|
||||
import ru.pdguard.mask.Masker;
|
||||
|
||||
/**
|
||||
* Оценка эффективности детекции по каждому типу ПДН в отдельности.
|
||||
*
|
||||
* <p>Набор {@code benchmark-pdn-types.txt} содержит по несколько примеров каждого типа ПДН. Для
|
||||
* каждого типа считается посимвольная точность, полнота и F1 — так видно, какие типы детектор
|
||||
* находит надёжно, а какие пропускает или маскирует сверх меры.
|
||||
*/
|
||||
class PdnTypeEfficiencyTest {
|
||||
|
||||
private final Pipeline pipeline =
|
||||
new Pipeline(new RuleRegistry(), new Masker(), new PayloadStore(30));
|
||||
|
||||
/** Накопитель посимвольных совпадений по одному типу. */
|
||||
private static final class Score {
|
||||
private int truePositive;
|
||||
private int falsePositive;
|
||||
private int falseNegative;
|
||||
|
||||
private int gold() {
|
||||
return truePositive + falseNegative;
|
||||
}
|
||||
|
||||
private double precision() {
|
||||
int found = truePositive + falsePositive;
|
||||
return found == 0 ? 1.0 : (double) truePositive / found;
|
||||
}
|
||||
|
||||
private double recall() {
|
||||
return gold() == 0 ? 1.0 : (double) truePositive / gold();
|
||||
}
|
||||
|
||||
private double f1() {
|
||||
double p = precision();
|
||||
double r = recall();
|
||||
return p + r == 0 ? 0.0 : 2 * p * r / (p + r);
|
||||
}
|
||||
}
|
||||
|
||||
@Test
|
||||
void efficiencyByPdnType() {
|
||||
List<BenchmarkFixtures.Sample> samples = BenchmarkFixtures.load("/benchmark-pdn-types.txt");
|
||||
Map<String, Score> byType = new LinkedHashMap<>();
|
||||
Map<String, List<String>> missed = new LinkedHashMap<>();
|
||||
|
||||
for (BenchmarkFixtures.Sample sample : samples) {
|
||||
List<Span> found = pipeline.findPersonalData(sample.text(), SystemPolicy.DEFAULT);
|
||||
String[] goldChars = paint(sample.text().length(), sample.gold());
|
||||
String[] foundChars = paint(sample.text().length(), found);
|
||||
for (int i = 0; i < sample.text().length(); i++) {
|
||||
account(byType, goldChars[i], foundChars[i]);
|
||||
}
|
||||
for (Span gold : sample.gold()) {
|
||||
boolean hit =
|
||||
found.stream().anyMatch(f -> f.type().equals(gold.type()) && f.overlaps(gold));
|
||||
if (!hit) {
|
||||
missed
|
||||
.computeIfAbsent(gold.type(), t -> new ArrayList<>())
|
||||
.add(sample.text().substring(gold.start(), gold.end()));
|
||||
}
|
||||
}
|
||||
}
|
||||
|
||||
report(byType);
|
||||
reportMissed(missed);
|
||||
|
||||
// Каждый тип должен быть найден с F1 не ниже 0.8 — иначе детектор
|
||||
// пропускает или перемаскирует этот тип ПДН. Companion-типы (CVV, PIN,
|
||||
// DATE) проверяются отдельно: они маскируются только рядом с другими ПД.
|
||||
for (Map.Entry<String, Score> e : byType.entrySet()) {
|
||||
if (isCompanion(e.getKey())) {
|
||||
continue;
|
||||
}
|
||||
assertTrue(
|
||||
e.getValue().f1() >= 0.8,
|
||||
String.format("F1 по типу %s упал до %.3f", e.getKey(), e.getValue().f1()));
|
||||
}
|
||||
}
|
||||
|
||||
private void reportMissed(Map<String, List<String>> missed) {
|
||||
if (missed.isEmpty()) {
|
||||
return;
|
||||
}
|
||||
StringBuilder out = new StringBuilder();
|
||||
out.append("\n=== Не распознанные значения по типам ===\n");
|
||||
missed.forEach(
|
||||
(type, values) -> {
|
||||
out.append(type).append(": ").append(String.join(" | ", values)).append('\n');
|
||||
});
|
||||
System.out.println(out);
|
||||
}
|
||||
|
||||
private static boolean isCompanion(String type) {
|
||||
return "CVV".equals(type) || "PIN".equals(type) || "DATE".equals(type);
|
||||
}
|
||||
|
||||
/** Раскрашивает каждый знак текста типом ПД, который его покрывает. */
|
||||
private static String[] paint(int length, List<Span> spans) {
|
||||
String[] painted = new String[length];
|
||||
for (Span span : spans) {
|
||||
for (int i = span.start(); i < Math.min(span.end(), length); i++) {
|
||||
painted[i] = span.type();
|
||||
}
|
||||
}
|
||||
return painted;
|
||||
}
|
||||
|
||||
private static void account(Map<String, Score> byType, String gold, String found) {
|
||||
if (gold != null) {
|
||||
Score score = byType.computeIfAbsent(gold, t -> new Score());
|
||||
if (gold.equals(found)) {
|
||||
score.truePositive++;
|
||||
} else {
|
||||
score.falseNegative++;
|
||||
}
|
||||
}
|
||||
if (found != null && !found.equals(gold)) {
|
||||
byType.computeIfAbsent(found, t -> new Score()).falsePositive++;
|
||||
}
|
||||
}
|
||||
|
||||
private void report(Map<String, Score> byType) {
|
||||
StringBuilder out = new StringBuilder(2048);
|
||||
out.append("\n=== Эффективность детекции по типам ПДН ===\n\n");
|
||||
out.append(
|
||||
String.format("%-20s %8s %8s %8s %8s%n", "тип", "знаков", "точность", "полнота", "F1"));
|
||||
|
||||
byType.entrySet().stream()
|
||||
.sorted(
|
||||
Comparator.comparingInt((Map.Entry<String, Score> e) -> e.getValue().gold()).reversed())
|
||||
.forEach(
|
||||
e ->
|
||||
out.append(
|
||||
String.format(
|
||||
"%-20s %8d %8.3f %8.3f %8.3f%n",
|
||||
e.getKey(),
|
||||
e.getValue().gold(),
|
||||
e.getValue().precision(),
|
||||
e.getValue().recall(),
|
||||
e.getValue().f1())));
|
||||
|
||||
System.out.println(out);
|
||||
}
|
||||
}
|
||||
@@ -1,229 +0,0 @@
|
||||
package ru.pdguard;
|
||||
|
||||
import static org.junit.jupiter.api.Assertions.assertTrue;
|
||||
import static org.junit.jupiter.api.Assumptions.assumeTrue;
|
||||
|
||||
import io.micrometer.core.instrument.MeterRegistry;
|
||||
import io.micrometer.core.instrument.simple.SimpleMeterRegistry;
|
||||
import java.nio.file.Files;
|
||||
import java.nio.file.Path;
|
||||
import java.util.ArrayList;
|
||||
import java.util.Arrays;
|
||||
import java.util.List;
|
||||
import java.util.Optional;
|
||||
import java.util.concurrent.Callable;
|
||||
import java.util.concurrent.ExecutorService;
|
||||
import java.util.concurrent.Executors;
|
||||
import java.util.concurrent.Future;
|
||||
import java.util.concurrent.TimeUnit;
|
||||
import org.junit.jupiter.api.Test;
|
||||
import ru.pdguard.config.SystemPolicy;
|
||||
import ru.pdguard.core.PayloadStore;
|
||||
import ru.pdguard.core.Pipeline;
|
||||
import ru.pdguard.detect.NameCascade;
|
||||
import ru.pdguard.detect.RuleRegistry;
|
||||
import ru.pdguard.mask.Masker;
|
||||
|
||||
/**
|
||||
* Замер производительности: задержка одиночного обращения и пропускная способность под нагрузкой.
|
||||
* Не тест качества — он в {@link BenchmarkTest}.
|
||||
*
|
||||
* <p>Прогон идёт на одних правилах (вторая ступень выключена), как в боевой сборке без модели.
|
||||
* Перед замером пайплайн прогревается, чтобы JIT успел скомпилировать горячий путь, — иначе первые
|
||||
* замеры покажут интерпретируемый код и занизят результат в разы.
|
||||
*/
|
||||
class PerformanceBenchmarkTest {
|
||||
|
||||
/** Типовой текст с ПД — как в реальном обращении. */
|
||||
private static final String[] PAYLOADS = {
|
||||
"Клиент Иванов Иван Иванович, паспорт 4509 123456, тел +7 916 123-45-67",
|
||||
"Заявление от И.И. Петрова, ИНН 770301234550, почта ivan.petrov@mail.ru",
|
||||
"Адрес: 125009, г. Москва, ул. Тверская, д. 7, кв. 15, карта 4111 1111 1111 1111",
|
||||
"Дата рождения 12.05.1985, место рождения: город Тверь, гражданство РФ",
|
||||
"Напиши краткое описание продукта для рассылки клиентам банка",
|
||||
};
|
||||
|
||||
/**
|
||||
* Тексты, где правила не находят ПД, но есть цепочки имён — их разбирает вторая ступень (модель).
|
||||
* Нужны, чтобы честно измерить стоимость модели, а не правила, которые в типовых текстах уже всё
|
||||
* покрыли.
|
||||
*/
|
||||
private static final String[] CASCADE_PAYLOADS = {
|
||||
"Готье и Руссо пришли на встречу в офис",
|
||||
"Дюма написал роман за несколько месяцев",
|
||||
"Виктор Гюго был известным писателем",
|
||||
"Оноре де Бальзак писал романы о жизни",
|
||||
"Жан-Поль Сартр философ и писатель",
|
||||
};
|
||||
|
||||
private static final int WARMUP = 20_000;
|
||||
private static final int MEASURE = 50_000;
|
||||
|
||||
private final Pipeline pipeline =
|
||||
new Pipeline(new RuleRegistry(), new Masker(), new PayloadStore(30));
|
||||
|
||||
private void warmup() {
|
||||
for (int i = 0; i < WARMUP; i++) {
|
||||
String text = PAYLOADS[i % PAYLOADS.length];
|
||||
String id = "warmup-" + i;
|
||||
pipeline.process(text, id, SystemPolicy.DEFAULT);
|
||||
}
|
||||
}
|
||||
|
||||
/** Задержка маскирования и демаскирования типового обращения. */
|
||||
@Test
|
||||
void singleRequestLatency() {
|
||||
warmup();
|
||||
|
||||
long[] maskNanos = new long[MEASURE];
|
||||
long[] unmaskNanos = new long[MEASURE];
|
||||
|
||||
for (int i = 0; i < MEASURE; i++) {
|
||||
String text = PAYLOADS[i % PAYLOADS.length];
|
||||
String id = "lat-" + i;
|
||||
|
||||
long t0 = System.nanoTime();
|
||||
String masked = pipeline.process(text, id, SystemPolicy.DEFAULT);
|
||||
maskNanos[i] = System.nanoTime() - t0;
|
||||
|
||||
long t1 = System.nanoTime();
|
||||
pipeline.process(masked, id, SystemPolicy.DEFAULT);
|
||||
unmaskNanos[i] = System.nanoTime() - t1;
|
||||
}
|
||||
|
||||
Arrays.sort(maskNanos);
|
||||
Arrays.sort(unmaskNanos);
|
||||
|
||||
double maskUs = nanosToMicros(maskNanos);
|
||||
double unmaskUs = nanosToMicros(unmaskNanos);
|
||||
|
||||
System.out.printf("%n=== Задержка одиночного обращения (правила, без модели) ===%n");
|
||||
System.out.printf(
|
||||
"Маскирование: p50=%.1f мкс p95=%.1f мкс p99=%.1f мкс среднее=%.1f мкс%n",
|
||||
maskNanos[MEASURE / 2] / 1000.0,
|
||||
maskNanos[(int) (MEASURE * 0.95)] / 1000.0,
|
||||
maskNanos[(int) (MEASURE * 0.99)] / 1000.0,
|
||||
maskUs);
|
||||
System.out.printf(
|
||||
"Демаскирование: p50=%.1f мкс p95=%.1f мкс p99=%.1f мкс среднее=%.1f мкс%n",
|
||||
unmaskNanos[MEASURE / 2] / 1000.0,
|
||||
unmaskNanos[(int) (MEASURE * 0.95)] / 1000.0,
|
||||
unmaskNanos[(int) (MEASURE * 0.99)] / 1000.0,
|
||||
unmaskUs);
|
||||
|
||||
// Целевая задержка из ТЗ — 200 мс; типовое обращение должно укладываться в миллисекунды.
|
||||
assertTrue(
|
||||
maskNanos[(int) (MEASURE * 0.99)] < 5_000_000,
|
||||
"p99 маскирования превысил 5 мс: " + maskNanos[(int) (MEASURE * 0.99)] / 1_000_000 + " мс");
|
||||
}
|
||||
|
||||
/** Пропускная способность под нагрузкой: сколько обращений в секунду выдерживает пайплайн. */
|
||||
@Test
|
||||
void throughputUnderLoad() throws Exception {
|
||||
warmup();
|
||||
|
||||
int threads = Math.max(4, Runtime.getRuntime().availableProcessors());
|
||||
int perThread = 10_000;
|
||||
ExecutorService pool = Executors.newFixedThreadPool(threads);
|
||||
|
||||
long started = System.nanoTime();
|
||||
List<Future<Long>> futures = new ArrayList<>();
|
||||
for (int t = 0; t < threads; t++) {
|
||||
final int threadId = t;
|
||||
futures.add(
|
||||
pool.submit(
|
||||
(Callable<Long>)
|
||||
() -> {
|
||||
long local = 0;
|
||||
for (int i = 0; i < perThread; i++) {
|
||||
String text = PAYLOADS[(threadId * 31 + i) % PAYLOADS.length];
|
||||
String id = "load-" + threadId + "-" + i;
|
||||
long t0 = System.nanoTime();
|
||||
pipeline.process(text, id, SystemPolicy.DEFAULT);
|
||||
local += System.nanoTime() - t0;
|
||||
}
|
||||
return local;
|
||||
}));
|
||||
}
|
||||
|
||||
long totalNanos = 0;
|
||||
for (Future<Long> f : futures) {
|
||||
totalNanos += f.get();
|
||||
}
|
||||
long wallNanos = System.nanoTime() - started;
|
||||
pool.shutdown();
|
||||
pool.awaitTermination(30, TimeUnit.SECONDS);
|
||||
|
||||
int requests = threads * perThread;
|
||||
double rps = requests / (wallNanos / 1e9);
|
||||
double avgUs = totalNanos / (double) requests / 1000.0;
|
||||
|
||||
System.out.printf(
|
||||
"%n=== Пропускная способность (%d потоков, %d обращений) ===%n", threads, requests);
|
||||
System.out.printf("RPS: %.0f обращений/с средняя задержка: %.1f мкс%n", rps, avgUs);
|
||||
|
||||
assertTrue(rps > 1000, "пропускная способность ниже 1000 RPS: " + rps);
|
||||
}
|
||||
|
||||
private static double nanosToMicros(long[] nanos) {
|
||||
long sum = 0;
|
||||
for (long n : nanos) {
|
||||
sum += n;
|
||||
}
|
||||
return sum / (double) nanos.length / 1000.0;
|
||||
}
|
||||
|
||||
/** Задержка со второй ступенью (ruBERT). Модель должна быть собрана. */
|
||||
@Test
|
||||
void singleRequestLatencyWithNameCascade() {
|
||||
Path model = Path.of("models/rubert-ner");
|
||||
assumeTrue(Files.isReadable(model), "модель " + model.toAbsolutePath() + " не собрана");
|
||||
|
||||
MeterRegistry meters = new SimpleMeterRegistry();
|
||||
Pipeline withCascade =
|
||||
new Pipeline(
|
||||
new RuleRegistry(),
|
||||
new Masker(),
|
||||
new PayloadStore(30),
|
||||
new NameCascade(
|
||||
"rubert", Optional.of(model.toString()), "off", Optional.empty(), 16, 4, meters));
|
||||
|
||||
// Прогрев второй ступени: модель инициализируется лениво, первые вызовы медленные.
|
||||
for (int i = 0; i < 200; i++) {
|
||||
String text = CASCADE_PAYLOADS[i % CASCADE_PAYLOADS.length];
|
||||
withCascade.process(text, "cascade-warmup-" + i, SystemPolicy.DEFAULT);
|
||||
}
|
||||
|
||||
long[] maskNanos = new long[2000];
|
||||
for (int i = 0; i < 2000; i++) {
|
||||
String text = CASCADE_PAYLOADS[i % CASCADE_PAYLOADS.length];
|
||||
String id = "cascade-lat-" + i;
|
||||
long t0 = System.nanoTime();
|
||||
withCascade.process(text, id, SystemPolicy.DEFAULT);
|
||||
maskNanos[i] = System.nanoTime() - t0;
|
||||
}
|
||||
|
||||
Arrays.sort(maskNanos);
|
||||
int n = maskNanos.length;
|
||||
System.out.printf("%n=== Задержка одиночного обращения со второй ступенью (ruBERT) ===%n");
|
||||
System.out.printf(
|
||||
"Маскирование: p50=%.1f мкс p95=%.1f мкс p99=%.1f мкс среднее=%.1f мкс%n",
|
||||
maskNanos[n / 2] / 1000.0,
|
||||
maskNanos[(int) (n * 0.95)] / 1000.0,
|
||||
maskNanos[(int) (n * 0.99)] / 1000.0,
|
||||
nanosToMicros(maskNanos));
|
||||
|
||||
double engaged = meters.counter("pdguard.ner.requests", "outcome", "engaged").count();
|
||||
double candidates = meters.counter("pdguard.ner.candidates").count();
|
||||
System.out.printf(
|
||||
"Обращений к модели: %.0f, кандидатов разобрано: %.0f%n", engaged, candidates);
|
||||
|
||||
// Целевая задержка из ТЗ — 200 мс; даже со второй ступенью типовое обращение
|
||||
// должно укладываться в десятки миллисекунд.
|
||||
assertTrue(
|
||||
maskNanos[(int) (n * 0.99)] < 200_000_000,
|
||||
"p99 маскирования со второй ступенью превысил 200 мс: "
|
||||
+ maskNanos[(int) (n * 0.99)] / 1_000_000
|
||||
+ " мс");
|
||||
}
|
||||
}
|
||||
@@ -1,140 +1,138 @@
|
||||
package ru.pdguard;
|
||||
|
||||
import org.junit.jupiter.api.Test;
|
||||
import ru.pdguard.config.SystemPolicy;
|
||||
import ru.pdguard.core.PayloadStore;
|
||||
import ru.pdguard.core.Pipeline;
|
||||
import ru.pdguard.detect.RuleRegistry;
|
||||
import ru.pdguard.mask.Masker;
|
||||
|
||||
import java.util.UUID;
|
||||
|
||||
import static org.junit.jupiter.api.Assertions.assertEquals;
|
||||
import static org.junit.jupiter.api.Assertions.assertFalse;
|
||||
import static org.junit.jupiter.api.Assertions.assertNotEquals;
|
||||
import static org.junit.jupiter.api.Assertions.assertTrue;
|
||||
|
||||
import java.util.UUID;
|
||||
import org.junit.jupiter.api.Test;
|
||||
import ru.pdguard.config.SystemPolicy;
|
||||
import ru.pdguard.core.PayloadStore;
|
||||
import ru.pdguard.core.Pipeline;
|
||||
import ru.pdguard.detect.PdTypes;
|
||||
import ru.pdguard.detect.RuleRegistry;
|
||||
import ru.pdguard.mask.Masker;
|
||||
|
||||
/** Проверки маскирования и обратного преобразования без подъёма HTTP-слоя. */
|
||||
class PipelineTest {
|
||||
|
||||
private static final String VALID_CARD = "4111 1111 1111 1111";
|
||||
private static final String VALID_INN_12 = "770301234550";
|
||||
private static final String VALID_SNILS = "112-233-445 95";
|
||||
private static final String VALID_CARD = "4111 1111 1111 1111";
|
||||
private static final String VALID_INN_12 = "770301234550";
|
||||
private static final String VALID_SNILS = "112-233-445 95";
|
||||
|
||||
private Pipeline pipeline() {
|
||||
return new Pipeline(new RuleRegistry(), new Masker(), new PayloadStore(30));
|
||||
}
|
||||
|
||||
private String mask(Pipeline pipeline, String text) {
|
||||
return pipeline.process(text, UUID.randomUUID().toString(), SystemPolicy.DEFAULT);
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksCardNumber() {
|
||||
String masked = mask(pipeline(), "Оплата картой " + VALID_CARD + " прошла");
|
||||
assertFalse(masked.contains(VALID_CARD), "номер карты остался в тексте: " + masked);
|
||||
assertTrue(masked.contains("41** **** **** **11"), masked);
|
||||
assertTrue(masked.startsWith("Оплата картой "), "окружающий текст изменён: " + masked);
|
||||
}
|
||||
|
||||
@Test
|
||||
void keepsNumberThatFailsLuhn() {
|
||||
String text = "Заказ 1234 5678 9012 3456 отгружен";
|
||||
assertEquals(text, mask(pipeline(), text));
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksEmailKeepingTopLevelDomain() {
|
||||
String masked = mask(pipeline(), "Почта ivan.petrov@mail.ru для связи");
|
||||
assertEquals("Почта i**********@m***.ru для связи", masked);
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksPhoneInAnyNotation() {
|
||||
Pipeline pipeline = pipeline();
|
||||
for (String phone : new String[] {"+7 (916) 123-45-67", "89161234567", "8 916 123 45 67"}) {
|
||||
String masked = mask(pipeline, "Телефон " + phone);
|
||||
assertFalse(masked.contains(phone), "телефон остался в тексте: " + masked);
|
||||
assertTrue(masked.endsWith("67"), masked);
|
||||
private Pipeline pipeline() {
|
||||
return new Pipeline(new RuleRegistry(), new Masker(), new PayloadStore(1_000_000L, 30));
|
||||
}
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksInnByContextAndByChecksum() {
|
||||
Pipeline pipeline = pipeline();
|
||||
assertFalse(mask(pipeline, "ИНН: " + VALID_INN_12).contains(VALID_INN_12));
|
||||
assertFalse(mask(pipeline, "Реквизиты " + VALID_INN_12 + " проверены").contains(VALID_INN_12));
|
||||
}
|
||||
private String mask(Pipeline pipeline, String text) {
|
||||
return pipeline.process(text, UUID.randomUUID().toString(), SystemPolicy.DEFAULT);
|
||||
}
|
||||
|
||||
@Test
|
||||
void masksSnils() {
|
||||
String masked = mask(pipeline(), "СНИЛС " + VALID_SNILS);
|
||||
assertFalse(masked.contains(VALID_SNILS), masked);
|
||||
}
|
||||
@Test
|
||||
void masksCardNumber() {
|
||||
String masked = mask(pipeline(), "Оплата картой " + VALID_CARD + " прошла");
|
||||
assertFalse(masked.contains(VALID_CARD), "номер карты остался в тексте: " + masked);
|
||||
assertTrue(masked.contains("41** **** **** **11"), masked);
|
||||
assertTrue(masked.startsWith("Оплата картой "), "окружающий текст изменён: " + masked);
|
||||
}
|
||||
|
||||
@Test
|
||||
void unmaskingRestoresOriginalText() {
|
||||
Pipeline pipeline = pipeline();
|
||||
String original = "Карта " + VALID_CARD + ", почта ivan@mail.ru, телефон +7 916 123-45-67";
|
||||
String id = "pair-1";
|
||||
@Test
|
||||
void keepsNumberThatFailsLuhn() {
|
||||
String text = "Заказ 1234 5678 9012 3456 отгружен";
|
||||
assertEquals(text, mask(pipeline(), text));
|
||||
}
|
||||
|
||||
String masked = pipeline.process(original, id, SystemPolicy.DEFAULT);
|
||||
assertNotEquals(original, masked);
|
||||
@Test
|
||||
void masksEmailKeepingTopLevelDomain() {
|
||||
String masked = mask(pipeline(), "Почта ivan.petrov@mail.ru для связи");
|
||||
assertEquals("Почта i**********@m***.ru для связи", masked);
|
||||
}
|
||||
|
||||
String restored = pipeline.process(masked, id, SystemPolicy.DEFAULT);
|
||||
assertEquals(original, restored);
|
||||
}
|
||||
@Test
|
||||
void masksPhoneInAnyNotation() {
|
||||
Pipeline pipeline = pipeline();
|
||||
for (String phone : new String[]{"+7 (916) 123-45-67", "89161234567", "8 916 123 45 67"}) {
|
||||
String masked = mask(pipeline, "Телефон " + phone);
|
||||
assertFalse(masked.contains(phone), "телефон остался в тексте: " + masked);
|
||||
assertTrue(masked.endsWith("67"), masked);
|
||||
}
|
||||
}
|
||||
|
||||
@Test
|
||||
void retryReturnsSameMask() {
|
||||
Pipeline pipeline = pipeline();
|
||||
String original = "Карта " + VALID_CARD;
|
||||
String id = "retry-1";
|
||||
@Test
|
||||
void masksInnByContextAndByChecksum() {
|
||||
Pipeline pipeline = pipeline();
|
||||
assertFalse(mask(pipeline, "ИНН: " + VALID_INN_12).contains(VALID_INN_12));
|
||||
assertFalse(mask(pipeline, "Реквизиты " + VALID_INN_12 + " проверены").contains(VALID_INN_12));
|
||||
}
|
||||
|
||||
String first = pipeline.process(original, id, SystemPolicy.DEFAULT);
|
||||
String second = pipeline.process(original, id, SystemPolicy.DEFAULT);
|
||||
assertEquals(first, second);
|
||||
}
|
||||
@Test
|
||||
void masksSnils() {
|
||||
String masked = mask(pipeline(), "СНИЛС " + VALID_SNILS);
|
||||
assertFalse(masked.contains(VALID_SNILS), masked);
|
||||
}
|
||||
|
||||
@Test
|
||||
void unmasksWhenPayloadIdIsUnknown() {
|
||||
Pipeline pipeline = pipeline();
|
||||
String original = "Почта ivan@mail.ru";
|
||||
String masked = pipeline.process(original, "lost-id", SystemPolicy.DEFAULT);
|
||||
@Test
|
||||
void unmaskingRestoresOriginalText() {
|
||||
Pipeline pipeline = pipeline();
|
||||
String original = "Карта " + VALID_CARD + ", почта ivan@mail.ru, телефон +7 916 123-45-67";
|
||||
String id = "pair-1";
|
||||
|
||||
assertEquals(original, pipeline.process(masked, "другой-идентификатор", SystemPolicy.DEFAULT));
|
||||
}
|
||||
String masked = pipeline.process(original, id, SystemPolicy.DEFAULT);
|
||||
assertNotEquals(original, masked);
|
||||
|
||||
@Test
|
||||
void textWithoutPersonalDataIsUnchanged() {
|
||||
String text = "Расскажи о погоде в Москве завтра";
|
||||
assertEquals(text, mask(pipeline(), text));
|
||||
}
|
||||
String restored = pipeline.process(masked, id, SystemPolicy.DEFAULT);
|
||||
assertEquals(original, restored);
|
||||
}
|
||||
|
||||
@Test
|
||||
void systemPolicyDisablesSelectedTypes() {
|
||||
Pipeline pipeline = pipeline();
|
||||
SystemPolicy onlyEmail = SystemPolicy.forTypes(PdTypes.EMAIL);
|
||||
String masked =
|
||||
pipeline.process("Карта " + VALID_CARD + ", почта ivan@mail.ru", "policy-1", onlyEmail);
|
||||
@Test
|
||||
void retryReturnsSameMask() {
|
||||
Pipeline pipeline = pipeline();
|
||||
String original = "Карта " + VALID_CARD;
|
||||
String id = "retry-1";
|
||||
|
||||
assertTrue(
|
||||
masked.contains(VALID_CARD), "карта не должна маскироваться этой системой: " + masked);
|
||||
assertFalse(masked.contains("ivan@mail.ru"), masked);
|
||||
}
|
||||
String first = pipeline.process(original, id, SystemPolicy.DEFAULT);
|
||||
String second = pipeline.process(original, id, SystemPolicy.DEFAULT);
|
||||
assertEquals(first, second);
|
||||
}
|
||||
|
||||
@Test
|
||||
void handlesLargeText() {
|
||||
Pipeline pipeline = pipeline();
|
||||
String block = "Клиент написал с адреса ivan@mail.ru и оплатил картой " + VALID_CARD + ". ";
|
||||
String large = block.repeat(4000);
|
||||
@Test
|
||||
void unmasksWhenPayloadIdIsUnknown() {
|
||||
Pipeline pipeline = pipeline();
|
||||
String original = "Почта ivan@mail.ru";
|
||||
String masked = pipeline.process(original, "lost-id", SystemPolicy.DEFAULT);
|
||||
|
||||
long started = System.nanoTime();
|
||||
String masked = pipeline.process(large, "large-1", SystemPolicy.DEFAULT);
|
||||
long millis = (System.nanoTime() - started) / 1_000_000;
|
||||
assertEquals(original, pipeline.process(masked, "другой-идентификатор", SystemPolicy.DEFAULT));
|
||||
}
|
||||
|
||||
assertFalse(masked.contains("ivan@mail.ru"));
|
||||
assertEquals(large, pipeline.process(masked, "large-1", SystemPolicy.DEFAULT));
|
||||
assertTrue(millis < 1000, "обработка крупного текста заняла " + millis + " мс");
|
||||
}
|
||||
@Test
|
||||
void textWithoutPersonalDataIsUnchanged() {
|
||||
String text = "Расскажи о погоде в Москве завтра";
|
||||
assertEquals(text, mask(pipeline(), text));
|
||||
}
|
||||
|
||||
@Test
|
||||
void systemPolicyDisablesSelectedTypes() {
|
||||
Pipeline pipeline = pipeline();
|
||||
SystemPolicy onlyEmail = SystemPolicy.forTypes(RuleRegistry.EMAIL);
|
||||
String masked = pipeline.process("Карта " + VALID_CARD + ", почта ivan@mail.ru", "policy-1", onlyEmail);
|
||||
|
||||
assertTrue(masked.contains(VALID_CARD), "карта не должна маскироваться этой системой: " + masked);
|
||||
assertFalse(masked.contains("ivan@mail.ru"), masked);
|
||||
}
|
||||
|
||||
@Test
|
||||
void handlesLargeText() {
|
||||
Pipeline pipeline = pipeline();
|
||||
String block = "Клиент написал с адреса ivan@mail.ru и оплатил картой " + VALID_CARD + ". ";
|
||||
String large = block.repeat(4000);
|
||||
|
||||
long started = System.nanoTime();
|
||||
String masked = pipeline.process(large, "large-1", SystemPolicy.DEFAULT);
|
||||
long millis = (System.nanoTime() - started) / 1_000_000;
|
||||
|
||||
assertFalse(masked.contains("ivan@mail.ru"));
|
||||
assertEquals(large, pipeline.process(masked, "large-1", SystemPolicy.DEFAULT));
|
||||
assertTrue(millis < 1000, "обработка крупного текста заняла " + millis + " мс");
|
||||
}
|
||||
}
|
||||
|
||||
@@ -1,81 +0,0 @@
|
||||
package ru.pdguard;
|
||||
|
||||
import static org.junit.jupiter.api.Assertions.assertEquals;
|
||||
import static org.junit.jupiter.api.DynamicTest.dynamicTest;
|
||||
|
||||
import java.nio.file.Files;
|
||||
import java.nio.file.Path;
|
||||
import java.util.ArrayList;
|
||||
import java.util.List;
|
||||
import java.util.Optional;
|
||||
import java.util.stream.Stream;
|
||||
import org.junit.jupiter.api.DynamicTest;
|
||||
import org.junit.jupiter.api.Test;
|
||||
import org.junit.jupiter.api.TestFactory;
|
||||
import ru.pdguard.config.SystemPolicy;
|
||||
import ru.pdguard.core.PayloadStore;
|
||||
import ru.pdguard.core.Pipeline;
|
||||
import ru.pdguard.detect.NameCascade;
|
||||
import ru.pdguard.detect.RuleRegistry;
|
||||
import ru.pdguard.detect.Span;
|
||||
import ru.pdguard.mask.Masker;
|
||||
|
||||
/**
|
||||
* Датасет из 44 сгенерированных строк — не новые ТИПЫ ПДН, а новые РАЗМЕЩЕНИЯ уже известных типов
|
||||
* относительно якорного слова: расстояние до якоря, обратный порядок (значение перед якорем),
|
||||
* падеж/число анкера, структурированные форматы (JSON/CSV/markdown-таблица/XML/key=value),
|
||||
* несколько значений одного типа в одном поле, значение в кавычках/скобках. Гипотезы построены на
|
||||
* 55 утечках из реальных логов и обобщают их корневые причины на другие типы и формы. Разбор по
|
||||
* категориям — в отчёте, приложенном к задаче.
|
||||
*/
|
||||
class PlacementVariantsTest {
|
||||
|
||||
private static final RuleRegistry REGISTRY = new RuleRegistry();
|
||||
private static final Masker MASKER = new Masker();
|
||||
private static final List<BenchmarkFixtures.Sample> DATASET =
|
||||
BenchmarkFixtures.load("/dataset-placements.txt");
|
||||
|
||||
private static final NameCascade CASCADE =
|
||||
modelsPresent()
|
||||
? new NameCascade(
|
||||
"wikineural",
|
||||
Optional.of("models/wikineural-ner"),
|
||||
"rubert",
|
||||
Optional.of("models/rubert-ner"),
|
||||
16,
|
||||
4)
|
||||
: NameCascade.disabled();
|
||||
|
||||
private static boolean modelsPresent() {
|
||||
return Files.isReadable(Path.of("models/wikineural-ner/model.onnx"))
|
||||
&& Files.isReadable(Path.of("models/rubert-ner/model.onnx"));
|
||||
}
|
||||
|
||||
@TestFactory
|
||||
Stream<DynamicTest> placementDataset() {
|
||||
List<DynamicTest> cases = new ArrayList<>(DATASET.size());
|
||||
for (int i = 0; i < DATASET.size(); i++) {
|
||||
BenchmarkFixtures.Sample sample = DATASET.get(i);
|
||||
int index = i;
|
||||
cases.add(
|
||||
dynamicTest(
|
||||
String.format("#%02d: %s", index, preview(sample.text())),
|
||||
() -> runRoundTrip(sample, index)));
|
||||
}
|
||||
return cases.stream();
|
||||
}
|
||||
|
||||
/** Демаскирование обязано восстановить исходный текст всегда, независимо от утечек. */
|
||||
private void runRoundTrip(BenchmarkFixtures.Sample sample, int index) {
|
||||
Pipeline pipeline = new Pipeline(REGISTRY, MASKER, new PayloadStore(30), CASCADE);
|
||||
String payloadId = "placement-" + index;
|
||||
|
||||
String masked = pipeline.process(sample.text(), payloadId, SystemPolicy.DEFAULT);
|
||||
String restored = pipeline.process(masked, payloadId, SystemPolicy.DEFAULT);
|
||||
assertEquals(sample.text(), restored, "демаскирование не восстановило исходный текст");
|
||||
}
|
||||
|
||||
private static String preview(String text) {
|
||||
return text.length() <= 50 ? text : text.substring(0, 50) + "...";
|
||||
}
|
||||
}
|
||||
@@ -1,294 +1,118 @@
|
||||
package ru.pdguard;
|
||||
|
||||
import io.quarkus.test.junit.QuarkusTest;
|
||||
import org.junit.jupiter.api.Test;
|
||||
|
||||
import java.util.Map;
|
||||
|
||||
import static io.restassured.RestAssured.given;
|
||||
import static org.hamcrest.Matchers.equalTo;
|
||||
import static org.hamcrest.Matchers.not;
|
||||
|
||||
import java.util.Map;
|
||||
import org.junit.jupiter.api.Test;
|
||||
import org.springframework.boot.test.context.SpringBootTest;
|
||||
import org.springframework.boot.test.web.server.LocalServerPort;
|
||||
|
||||
/** Проверка контракта: форма запроса и ответа, пара «маскирование — демаскирование». */
|
||||
@SpringBootTest(webEnvironment = SpringBootTest.WebEnvironment.RANDOM_PORT)
|
||||
@QuarkusTest
|
||||
class ProcessResourceTest {
|
||||
|
||||
@LocalServerPort int port;
|
||||
private String post(String payload, String payloadId) {
|
||||
return given()
|
||||
.contentType("application/json")
|
||||
.body(Map.of("payload", payload, "payload_id", payloadId))
|
||||
.when().post("/process")
|
||||
.then().statusCode(200)
|
||||
.extract().path("result");
|
||||
}
|
||||
|
||||
private String post(String payload, String payloadId) {
|
||||
return given()
|
||||
.port(port)
|
||||
.contentType("application/json")
|
||||
.body(Map.of("payload", payload, "payload_id", payloadId))
|
||||
.when()
|
||||
.post("/process")
|
||||
.then()
|
||||
.statusCode(200)
|
||||
.extract()
|
||||
.path("result");
|
||||
}
|
||||
@Test
|
||||
void maskAndUnmaskPair() {
|
||||
String original = "Клиент оставил почту ivan.petrov@mail.ru и телефон +7 916 123-45-67";
|
||||
String id = "8a77d363c7c044b49b41d7b8a448243a";
|
||||
|
||||
@Test
|
||||
void maskAndUnmaskPair() {
|
||||
String original = "Клиент оставил почту ivan.petrov@mail.ru и телефон +7 916 123-45-67";
|
||||
String id = "8a77d363c7c044b49b41d7b8a448243a";
|
||||
String masked = post(original, id);
|
||||
org.junit.jupiter.api.Assertions.assertNotEquals(original, masked);
|
||||
org.junit.jupiter.api.Assertions.assertEquals(original, post(masked, id));
|
||||
}
|
||||
|
||||
String masked = post(original, id);
|
||||
org.junit.jupiter.api.Assertions.assertNotEquals(original, masked);
|
||||
org.junit.jupiter.api.Assertions.assertEquals(original, post(masked, id));
|
||||
}
|
||||
|
||||
@Test
|
||||
void rejectsRequestWithoutRequiredFields() {
|
||||
given()
|
||||
.port(port)
|
||||
.contentType("application/json")
|
||||
.body(Map.of("payload", "текст"))
|
||||
.when()
|
||||
.post("/process")
|
||||
.then()
|
||||
.statusCode(400);
|
||||
}
|
||||
|
||||
@Test
|
||||
void healthProbeResponds() {
|
||||
given().port(port).when().get("/health").then().statusCode(200).body(equalTo("OK"));
|
||||
}
|
||||
|
||||
@Test
|
||||
void disabledSystemIsRefused() {
|
||||
given()
|
||||
.port(port)
|
||||
.contentType("application/json")
|
||||
.header("X-System-Id", "disabled")
|
||||
.body(Map.of("payload", "Карта 4111 1111 1111 1111", "payload_id", "sys-1"))
|
||||
.when()
|
||||
.post("/process")
|
||||
.then()
|
||||
.statusCode(403);
|
||||
}
|
||||
|
||||
@Test
|
||||
void systemPolicySelectsMaskMode() {
|
||||
String masked =
|
||||
@Test
|
||||
void rejectsRequestWithoutRequiredFields() {
|
||||
given()
|
||||
.port(port)
|
||||
.contentType("application/json")
|
||||
.header("X-System-Id", "crm")
|
||||
.body(Map.of("payload", "Клиент Иванов Иван Иванович", "payload_id", "sys-2"))
|
||||
.when()
|
||||
.post("/process")
|
||||
.then()
|
||||
.statusCode(200)
|
||||
.extract()
|
||||
.path("result");
|
||||
.contentType("application/json")
|
||||
.body(Map.of("payload", "текст"))
|
||||
.when().post("/process")
|
||||
.then().statusCode(400);
|
||||
}
|
||||
|
||||
org.junit.jupiter.api.Assertions.assertTrue(masked.contains("[FIO_1]"), masked);
|
||||
}
|
||||
@Test
|
||||
void healthProbeResponds() {
|
||||
given().when().get("/health").then().statusCode(200).body(equalTo("OK"));
|
||||
}
|
||||
|
||||
@Test
|
||||
void unknownSystemFallsBackToDefaultPolicy() {
|
||||
given()
|
||||
.port(port)
|
||||
.contentType("application/json")
|
||||
.header("X-System-Id", "неизвестная-система")
|
||||
.body(Map.of("payload", "почта ivan@mail.ru", "payload_id", "sys-3"))
|
||||
.when()
|
||||
.post("/process")
|
||||
.then()
|
||||
.statusCode(200)
|
||||
.body("result", equalTo("почта i***@m***.ru"));
|
||||
}
|
||||
|
||||
@Test
|
||||
void metricsExposeLatencyAndTokenCounters() {
|
||||
post("Клиент Иванов Иван Иванович", "metrics-1");
|
||||
|
||||
String body =
|
||||
@Test
|
||||
void disabledSystemIsRefused() {
|
||||
given()
|
||||
.port(port)
|
||||
.when()
|
||||
.get("/actuator/prometheus")
|
||||
.then()
|
||||
.statusCode(200)
|
||||
.extract()
|
||||
.asString();
|
||||
org.junit.jupiter.api.Assertions.assertTrue(
|
||||
body.contains("pdguard_process_seconds"), "нет метрики задержки");
|
||||
org.junit.jupiter.api.Assertions.assertTrue(
|
||||
body.contains("pdguard_tokens_processed_total"), "нет метрики TPS");
|
||||
org.junit.jupiter.api.Assertions.assertTrue(
|
||||
body.contains("pdguard_pd_detected_total"), "нет метрики типов ПД");
|
||||
}
|
||||
.contentType("application/json")
|
||||
.header("X-System-Id", "disabled")
|
||||
.body(Map.of("payload", "Карта 4111 1111 1111 1111", "payload_id", "sys-1"))
|
||||
.when().post("/process")
|
||||
.then().statusCode(403);
|
||||
}
|
||||
|
||||
/**
|
||||
* Соответствия разделены по системам. Маски детерминированы и низкоэнтропийны, поэтому без
|
||||
* разделения, прислав чужую маску, можно было бы получить исходные данные другого потребителя.
|
||||
*/
|
||||
@Test
|
||||
void anotherSystemCannotExchangeMaskForOriginal() {
|
||||
String original = "Клиент Иванов Иван Иванович, паспорт 4509 123456";
|
||||
String id = "cross-system-1";
|
||||
@Test
|
||||
void systemPolicySelectsMaskMode() {
|
||||
String masked = given()
|
||||
.contentType("application/json")
|
||||
.header("X-System-Id", "crm")
|
||||
.body(Map.of("payload", "Клиент Иванов Иван Иванович", "payload_id", "sys-2"))
|
||||
.when().post("/process")
|
||||
.then().statusCode(200)
|
||||
.extract().path("result");
|
||||
|
||||
String masked =
|
||||
org.junit.jupiter.api.Assertions.assertTrue(masked.contains("[FIO_1]"), masked);
|
||||
}
|
||||
|
||||
@Test
|
||||
void unknownSystemFallsBackToDefaultPolicy() {
|
||||
given()
|
||||
.port(port)
|
||||
.contentType("application/json")
|
||||
.body(Map.of("payload", original, "payload_id", id))
|
||||
.when()
|
||||
.post("/process")
|
||||
.then()
|
||||
.statusCode(200)
|
||||
.extract()
|
||||
.path("result");
|
||||
org.junit.jupiter.api.Assertions.assertNotEquals(original, masked);
|
||||
.contentType("application/json")
|
||||
.header("X-System-Id", "неизвестная-система")
|
||||
.body(Map.of("payload", "почта ivan@mail.ru", "payload_id", "sys-3"))
|
||||
.when().post("/process")
|
||||
.then().statusCode(200)
|
||||
.body("result", equalTo("почта i***@m***.ru"));
|
||||
}
|
||||
|
||||
String byOther =
|
||||
@Test
|
||||
void metricsExposeLatencyAndTokenCounters() {
|
||||
post("Клиент Иванов Иван Иванович", "metrics-1");
|
||||
|
||||
String body = given().when().get("/metrics").then().statusCode(200).extract().asString();
|
||||
org.junit.jupiter.api.Assertions.assertTrue(body.contains("pdguard_process_seconds"), "нет метрики задержки");
|
||||
org.junit.jupiter.api.Assertions.assertTrue(body.contains("pdguard_tokens_processed_total"), "нет метрики TPS");
|
||||
org.junit.jupiter.api.Assertions.assertTrue(body.contains("pdguard_pd_detected_total"), "нет метрики типов ПД");
|
||||
}
|
||||
|
||||
@Test
|
||||
void metricsDoNotLeakPersonalData() {
|
||||
post("Клиент Иванов Иван Иванович, карта 4111 1111 1111 1111", "metrics-2");
|
||||
|
||||
String body = given().when().get("/metrics").then().statusCode(200).extract().asString();
|
||||
org.junit.jupiter.api.Assertions.assertFalse(body.contains("Иванов"), "ПД попали в метрики");
|
||||
org.junit.jupiter.api.Assertions.assertFalse(body.contains("4111"), "ПД попали в метрики");
|
||||
}
|
||||
|
||||
@Test
|
||||
void adminShowsSystemsAndTypes() {
|
||||
given().when().get("/admin/config").then().statusCode(200).body("crm.maskMode", equalTo("TOKEN"));
|
||||
given().when().get("/admin/types").then().statusCode(200);
|
||||
}
|
||||
|
||||
@Test
|
||||
void textWithoutPersonalDataIsReturnedAsIs() {
|
||||
given()
|
||||
.port(port)
|
||||
.contentType("application/json")
|
||||
.header("X-System-Id", "other")
|
||||
.body(Map.of("payload", masked, "payload_id", "совсем-другой-id"))
|
||||
.when()
|
||||
.post("/process")
|
||||
.then()
|
||||
.statusCode(200)
|
||||
.extract()
|
||||
.path("result");
|
||||
org.junit.jupiter.api.Assertions.assertNotEquals(
|
||||
original, byOther, "чужая система не должна получать исходный текст по маске");
|
||||
|
||||
String bySameSystem =
|
||||
given()
|
||||
.port(port)
|
||||
.contentType("application/json")
|
||||
.body(Map.of("payload", masked, "payload_id", id))
|
||||
.when()
|
||||
.post("/process")
|
||||
.then()
|
||||
.statusCode(200)
|
||||
.extract()
|
||||
.path("result");
|
||||
org.junit.jupiter.api.Assertions.assertEquals(
|
||||
original, bySameSystem, "своя система по своему идентификатору исходный текст получает");
|
||||
}
|
||||
|
||||
@Test
|
||||
void systemWithKeyRequiresIt() {
|
||||
given()
|
||||
.port(port)
|
||||
.contentType("application/json")
|
||||
.header("X-System-Id", "guarded")
|
||||
.body(Map.of("payload", "Карта 4111 1111 1111 1111", "payload_id", "key-1"))
|
||||
.when()
|
||||
.post("/process")
|
||||
.then()
|
||||
.statusCode(403);
|
||||
|
||||
given()
|
||||
.port(port)
|
||||
.contentType("application/json")
|
||||
.header("X-System-Id", "guarded")
|
||||
.header("X-System-Key", "wrong-key")
|
||||
.body(Map.of("payload", "Карта 4111 1111 1111 1111", "payload_id", "key-2"))
|
||||
.when()
|
||||
.post("/process")
|
||||
.then()
|
||||
.statusCode(403);
|
||||
|
||||
given()
|
||||
.port(port)
|
||||
.contentType("application/json")
|
||||
.header("X-System-Id", "guarded")
|
||||
.header("X-System-Key", "s3cret-key-2026")
|
||||
.body(Map.of("payload", "Карта 4111 1111 1111 1111", "payload_id", "key-3"))
|
||||
.when()
|
||||
.post("/process")
|
||||
.then()
|
||||
.statusCode(200);
|
||||
}
|
||||
|
||||
@Test
|
||||
void systemWithoutKeyWorksWithoutIt() {
|
||||
given()
|
||||
.port(port)
|
||||
.contentType("application/json")
|
||||
.body(Map.of("payload", "Карта 4111 1111 1111 1111", "payload_id", "key-4"))
|
||||
.when()
|
||||
.post("/process")
|
||||
.then()
|
||||
.statusCode(200);
|
||||
}
|
||||
|
||||
@Test
|
||||
void metricsCountSecondStageInvocations() {
|
||||
post("Клиент Иванов Иван Иванович", "ner-metrics-1");
|
||||
|
||||
String body =
|
||||
given()
|
||||
.port(port)
|
||||
.when()
|
||||
.get("/actuator/prometheus")
|
||||
.then()
|
||||
.statusCode(200)
|
||||
.extract()
|
||||
.asString();
|
||||
org.junit.jupiter.api.Assertions.assertTrue(
|
||||
body.contains("pdguard_ner_requests_total"), "нет счётчика обращений ко второй ступени");
|
||||
org.junit.jupiter.api.Assertions.assertTrue(
|
||||
body.contains("pdguard_ner_candidates_total"), "нет счётчика участков, отданных модели");
|
||||
}
|
||||
|
||||
@Test
|
||||
void metricsDoNotLeakPersonalData() {
|
||||
post("Клиент Иванов Иван Иванович, карта 4111 1111 1111 1111", "metrics-2");
|
||||
|
||||
String body =
|
||||
given()
|
||||
.port(port)
|
||||
.when()
|
||||
.get("/actuator/prometheus")
|
||||
.then()
|
||||
.statusCode(200)
|
||||
.extract()
|
||||
.asString();
|
||||
// Значения метрик — это числа, и цифры из ПД могут случайно совпасть с ними.
|
||||
// Утечка возможна только через имена и метки, поэтому значения отбрасываем.
|
||||
String namesAndLabels =
|
||||
body.lines()
|
||||
.filter(line -> !line.startsWith("#"))
|
||||
.map(line -> line.contains(" ") ? line.substring(0, line.lastIndexOf(' ')) : line)
|
||||
.reduce("", (a, b) -> a + "\n" + b);
|
||||
|
||||
org.junit.jupiter.api.Assertions.assertFalse(
|
||||
namesAndLabels.contains("Иванов"), "ПД попали в метрики");
|
||||
org.junit.jupiter.api.Assertions.assertFalse(
|
||||
namesAndLabels.contains("4111"), "ПД попали в метрики");
|
||||
}
|
||||
|
||||
@Test
|
||||
void adminShowsSystemsAndTypes() {
|
||||
given()
|
||||
.port(port)
|
||||
.when()
|
||||
.get("/admin/config")
|
||||
.then()
|
||||
.statusCode(200)
|
||||
.body("crm.maskMode", equalTo("TOKEN"));
|
||||
given().port(port).when().get("/admin/types").then().statusCode(200);
|
||||
}
|
||||
|
||||
@Test
|
||||
void textWithoutPersonalDataIsReturnedAsIs() {
|
||||
given()
|
||||
.port(port)
|
||||
.contentType("application/json")
|
||||
.body(Map.of("payload", "тестовая строка", "payload_id", "selfcheck-1"))
|
||||
.when()
|
||||
.post("/process")
|
||||
.then()
|
||||
.statusCode(200)
|
||||
.body("result", equalTo("тестовая строка"))
|
||||
.body("result", not(equalTo("")));
|
||||
}
|
||||
.contentType("application/json")
|
||||
.body(Map.of("payload", "тестовая строка", "payload_id", "selfcheck-1"))
|
||||
.when().post("/process")
|
||||
.then().statusCode(200)
|
||||
.body("result", equalTo("тестовая строка"))
|
||||
.body("result", not(equalTo("")));
|
||||
}
|
||||
}
|
||||
|
||||
Some files were not shown because too many files have changed in this diff Show More
Reference in New Issue
Block a user