goul4rt/lgpd-skills / skills/lgpd-anonymization
lgpd-anonymization
VerifiedApply anonymization (Art. 5, XI) and pseudonymization (Art. 13, §4) techniques to take data out of LGPD scope or reduce risk in analytics pipelines. Use when user asks 'anonimizar', 'pseudonimizar', 'k-anonymity', 'differential privacy', 'tokenização', 'analytics LGPD', or designing analytics/ML pipelines.
| File | Kind | Size |
|---|---|---|
| SKILL.md | skill md | 2.9 KB |
| assets/anonymization-recipes.md | markdown | 7.5 KB |
assets/anonymization-recipes.md
View on GitHub# Receitas de Anonimização e Pseudonimização
Receitas concretas em **SQL (PostgreSQL)** e **Python**. Escolha pela coluna "Reversível?" da tabela do `SKILL.md`: pseudonimização (reversível, continua dado pessoal) vs anonimização (irreversível, sai do escopo — Art. 12).
> ⚠️ Regra de ouro: anonimização só vale **considerando os meios técnicos razoáveis disponíveis** (Art. 5º, XI). Sempre rode os testes de re-identificação no fim deste arquivo antes de declarar um dataset anonimizado.
---
## 1. Pseudonimização
### 1.1 Tokenização determinística com HMAC + vault separado (recomendado)
A chave fica em um segredo gerenciado (KMS/Secret Manager), **fora** do banco de analytics. O mapping reverso, se necessário, vive em um vault isolado com controle de acesso próprio.
```python
import hmac, hashlib, os
# Chave vem do KMS/Secret Manager — NUNCA hardcoded, NUNCA no mesmo banco do dado
PSEUDO_KEY = os.environ["PSEUDONYM_HMAC_KEY"].encode() # >= 32 bytes aleatórios
def pseudonymize(value: str) -> str:
"""Token determinístico: mesmo input → mesmo token (permite joins no DW)."""
return hmac.new(PSEUDO_KEY, value.strip().lower().encode(), hashlib.sha256).hexdigest()
# pseudonymize("123.456.789-00") -> "a3f9...e1" (estável, mas inquebrável sem a chave)
```
Vault reverso (apenas se houver necessidade legítima de re-identificar):
```sql
-- Banco/Schema SEPARADO, com RBAC próprio e auditoria de acesso (ver lgpd-audit-logging)
CREATE TABLE pii_vault (
token text PRIMARY KEY, -- HMAC do valor
ciphertext bytea NOT NULL, -- valor original cifrado (pgcrypto/KMS)
created_at timestamptz DEFAULT now()
);
-- O Analytics DW guarda só `token`. A re-identificação exige acesso ao vault.
```
### 1.2 Hashing com salt — feito do jeito certo
Hash simples de campo de baixa entropia (CPF, CEP, telefone) é **reversível por força bruta** (CPF ≈ 210 milhões de combinações → segundos em GPU). Use HMAC com chave secreta (seção 1.1) ou, no mínimo, salt único por registro **sem guardar o salt junto** do dado de analytics.
```sql
-- ❌ ERRADO: reversível por brute force / rainbow table
SELECT encode(digest(cpf, 'sha256'), 'hex') FROM users;
-- ✅ CERTO: HMAC com chave secreta (pgcrypto); chave via parâmetro, não no schema
SELECT encode(hmac(cpf, current_setting('app.pseudo_key'), 'sha256'), 'hex') FROM users;
```
### 1.3 Format-Preserving (quando o formato precisa ser mantido)
Quando sistemas a jusante validam o formato (ex.: precisa "parecer" um CPF). Use uma lib de FPE (FF3-1). Não improvise com substituição de dígitos — quebra a garantia.
```python
# pip install pyffx (exemplo didático; em produção avalie FF3-1 auditado)
import pyffx
e = pyffx.Integer(os.environ["FPE_KEY"].encode(), length=11)
token = e.encrypt(12345678900) # mantém 11 dígitos; reversível com a chave
```
---
## 2. Anonimização
### 2.1 Generalização
```sql
-- Idade exata -> faixa etária
SELECT
CASE
WHEN age BETWEEN 0 AND 17 THEN '0-17'
WHEN age BETWEEN 18 AND 24 THEN '18-24'
WHEN age BETWEEN 25 AND 34 THEN '25-34'
WHEN age BETWEEN 35 AND 44 THEN '35-44'
WHEN age BETWEEN 45 AND 59 THEN '45-59'
ELSE '60+'
END AS faixa_etaria,
left(cep, 5) AS regiao_cep, -- CEP completo -> prefixo (cidade/região)
date_trunc('month', created_at) AS mes -- timestamp -> mês
FROM users;
```
### 2.2 Supressão
```sql
-- Remove identificadores diretos; mantém só quasi-identificadores generalizados
SELECT faixa_etaria, regiao_cep, genero, plano
FROM users_generalizados; -- nome, cpf, email, telefone NÃO entram
```
### 2.3 Perturbação (ruído aleatório)
```python
import numpy as np
# Ruído gaussiano em métricas numéricas não-sensíveis a precisão exata
df["valor_compra"] = df["valor_compra"] + np.random.normal(0, scale=5.0, size=len(df))
```
### 2.4 k-anonymity (k ≥ 5) — verificação
Cada combinação de quasi-identificadores (QIs) deve aparecer em **≥ k** registros. Esta query lista as combinações que **violam** k=5:
```sql
-- Encontra "classes de equivalência" pequenas demais (re-identificáveis)
SELECT faixa_etaria, regiao_cep, genero, count(*) AS n
FROM users_generalizados
GROUP BY faixa_etaria, regiao_cep, genero
HAVING count(*) < 5; -- qualquer linha aqui = risco de singling out
```
Se houver violações: generalize mais (faixas maiores, CEP→cidade) ou suprima as linhas das classes raras.
```python
# Versão Python equivalente
QIS = ["faixa_etaria", "regiao_cep", "genero"]
viol = df.groupby(QIS).size().reset_index(name="n").query("n < 5")
assert viol.empty, f"k-anonymity violada em {len(viol)} classes"
```
### 2.5 l-diversity (resistência a inferência)
k-anonymity não basta se todos numa classe têm o **mesmo** valor sensível. Exija ≥ l valores sensíveis distintos por classe:
```sql
SELECT faixa_etaria, regiao_cep, genero,
count(DISTINCT diagnostico) AS valores_sensiveis_distintos
FROM dataset
GROUP BY faixa_etaria, regiao_cep, genero
HAVING count(DISTINCT diagnostico) < 3; -- l = 3; linhas aqui = risco de inferência
```
### 2.6 Differential Privacy (ε pequeno) — contagens com ruído de Laplace
Para estatísticas agregadas publicadas, adicione ruído calibrado à sensibilidade:
```python
import numpy as np
def dp_count(true_count: int, epsilon: float = 0.5, sensitivity: float = 1.0) -> int:
"""Contagem com privacidade diferencial (mecanismo de Laplace)."""
noise = np.random.laplace(loc=0.0, scale=sensitivity / epsilon)
return max(0, round(true_count + noise))
# ε menor = mais privacidade, menos utilidade. Documente o ε usado no .lgpd/.
```
### 2.7 Date shifting consistente por titular
Preserva intervalos entre eventos do mesmo titular, mas embaralha datas absolutas:
```python
import hmac, hashlib, os, datetime as dt
def shift_days(subject_id: str) -> int:
h = hmac.new(os.environ["DATESHIFT_KEY"].encode(), subject_id.encode(), hashlib.sha256).digest()
return int.from_bytes(h[:2], "big") % 365 - 182 # offset estável em [-182, +182]
# nova_data = data_original + timedelta(days=shift_days(subject_id))
```
---
## 3. Pipeline de referência
```
[Postgres prod]
└─(ETL com pseudonimização §1.1: PII -> token)→ [Analytics DW]
└─(generalização §2.1 + supressão §2.2 + k-anonymity §2.4)→ [Views/Dashboards]
```
Token vault (§1.1) isolado, com RBAC e log de acesso próprio (ver `lgpd-audit-logging`).
---
## 4. Testes de re-identificação (OBRIGATÓRIO antes de declarar "anonimizado")
```sql
-- (a) SINGLING OUT: existe registro único pelos QIs? (= k-anonymity < 2)
SELECT faixa_etaria, regiao_cep, genero, count(*) n
FROM dataset GROUP BY 1,2,3 HAVING count(*) = 1;
-- (b) LINKAGE: junte com um dataset público/auxiliar pelas mesmas QIs e veja se casa 1:1
SELECT d.* FROM dataset d
JOIN dataset_publico p USING (faixa_etaria, regiao_cep, genero)
GROUP BY d.* HAVING count(p.*) = 1;
```
```python
# (c) INFERENCE: tente prever o atributo sensível a partir dos QIs.
# Se um modelo simples acerta muito acima do baseline, há vazamento por inferência.
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import cross_val_score
score = cross_val_score(DecisionTreeClassifier(max_depth=4), X_qis, y_sensivel, cv=5).mean()
# score >> taxa da classe majoritária => ainda é dado pessoal; generalize mais.
```
**Se qualquer teste passar (consegue isolar/ligar/inferir), o dataset ainda é dado pessoal — volte para a generalização/supressão.** Registre o resultado dos 3 testes no artefato `.lgpd/`.
Related skills
| Skill | Stars | Updated | Works with | Status | Install |
|---|---|---|---|---|---|
| writing-skillsobra/superpowersUse when creating new skills, editing existing skills, or verifying skills work before deployment | Stars: 323k | Updated | Claude CodeCodex | Verified | Install |
| xlsxanthropics/skillsUse this skill any time a spreadsheet file is the primary input or output. This means any task where the user wants to: open, read, edit, or fix an existing .xlsx, .xlsm, .xltx, .csv, or .tsv file (e.g., adding columns, computing formulas, formatting, charting, cleaning messy data); create a new spreadsheet from scratch or from other data sources; or convert between tabular file formats. Trigger especially when the user references a spreadsheet file by name or path — even casually (like "the xlsx in my downloads") — and wants something done to it or produced from it. Also trigger for cleaning or restructuring messy tabular data files (malformed rows, misplaced headers, junk data) into proper spreadsheets. The deliverable must be a spreadsheet file. Do NOT trigger when the primary deliverable is a Word document, HTML report, standalone Python script, database pipeline, or Google Sheets API integration, even if tabular data is involved. | Stars: 198k | Updated | Claude CodeCodex | Verified | Install |
| shipping-and-launchaddyosmani/agent-skillsPrepares production launches. Use when preparing to deploy to production, or when asking what needs to be in place before shipping. Use when you need a pre-launch checklist, when setting up monitoring, when planning a staged rollout, or when you need a rollback strategy. | Stars: 119k | Updated | Claude CodeCodex | Verified | Install |
| childhoodthedotmack/claude-memBabysit a shipped release after merge, publication, or deployment. Verify published packages, production behavior, installed plugins, and late CI or user reports until the observation window is clean; use babysit for PR readiness before release. | Stars: 118k | Updated | Claude CodeCodex | Verified | Install |