string - 人类可读的短单向哈希用于模糊日志文件中的字符串？

Question

我需要对数据库日志文件进行大规模匿名化。

其中一部分将涉及隐藏各种字段名称(字符串)以及 IP 地址。

<强>1。字段名称

例如，我们可能有字符串 BusinessLogic.Categorizes.ExternalDeals。在匿名版本中，我们希望它是类似于 Jerrycan.Doorway.Fodmap 的东西(或者一些乱码，但仍然“可发音”的东西)

目的只是为了掩盖原始字符串 - 但是，我们仍然希望能够匹配这些字符串在不同日志文件中的出现情况。

哈希的要求是:

• 可重复 - 也就是说，每次传入的相同输入始终会产生相同的输出。我们需要能够匹配不同日志文件之间的字段(我们试图阻止的是有人派生原始字符串)。
• 单向 - 无法通过反转输出来生成输入。
• 发生冲突的可能性很低 - 如果两个字段映射到相同的输出，就会扰乱我们的分析。
• 人类可读(或可发音)- 手动扫描日志文件的人应该能够找出字段，并在视觉上将它们匹配。或者，如果需要，可以通过电话阅读。
• 短字符串 - 我确实知道这与可用熵之间存在权衡，但是，理想情况下，像 HumanReadable 这样的字符串应该映射到 LizzyNasbeth 这样的东西。

我环顾四周，发现https://github.com/zacharyvoase/humanhash (输出哈希比我想要的要长一点)和 https://www.rfc-editor.org/rfc/rfc1751 (并不是真正“可发音”——理想情况下，我们想要一些看起来像英语人类单词的东西，但实际上不是——而且，再一次，有点长)。

有哪些算法或方法可以解决这个问题？或者您可以推荐任何库或实现吗？

<强>2。 IP 地址

对于 IP 地址，我们需要一种方法来屏蔽它们(即外部观察者不可能导出原始 IP 地址)，但仍然可以在不同的日志文件中重复(即相同的输入始终产生相同的输出) )。

理想情况下，输出仍然“看起来”像 IP 地址。例如，也许 192.168.1.55 会映射到 33.41.22.44(或者我们也可以使用字母代码，如果这样更容易的话)。

关于如何做到这一点有什么想法吗？

Answer 1

您可以使用codenamize :

$ codenamize BusinessLogic -j "" -c
AbsorbedUpper

您可以从命令行使用它或将其作为 Python 库使用。

(免责声明，我写的)。