Hotdry.
归档
ai-security

本地隐私防火墙：在请求抵达 ChatGPT 前实时拦截 PII 与密钥，零配置、零信任

基于 PrivacyFirewall 的双层本地拦截方案，在浏览器端完成正则+Transformer 检测，无需上传任何数据即可阻断 PII 与密钥泄漏。

过去十二个月，因员工直接把日志、代码或客户邮件粘进 ChatGPT 而导致的泄漏事件已公开 27 起，平均修复成本 120 万美元。传统 DLP 工具聚焦邮件与 U 盘，对「AI 聊天窗口」这一新外泄通道几乎不设防。PrivacyFirewall 给出了一条零配置、零信任的本地捷径：在浏览器里先把风险内容拦下来，再决定要不要继续发送。

一、双层检测：正则秒级拦截，Transformer 兜底

PrivacyFirewall 采用「Lite Mode + AI Mode」并联架构：

  1. Lite Mode（默认）

    • 纯前端正则，覆盖电邮、电话、AWS Key、JWT、IPv4、MAC、信用卡、SSN、私钥块等 10 类模式。
    • 事件监听 beforepaste 与 input，匹配即弹窗阻断，平均延迟 < 3 ms，无需任何后台进程。

  2. AI Mode（可选）

    • 本地 FastAPI 服务监听 127.0.0.1:8765，模型用 dslim/bert-base-NER（约 400 MB）。
    • 识别 PERSON、ORG、LOCATION 及上下文实体，置信度阈值 0.85，可自定义。
    • 扩展通过 fetch('http://127.0.0.1:8765/detect') 调用，失败自动回落到 Lite Mode，保证业务连续。

两层引擎互不依赖，却共用同一套 UI：风险卡片 + 放行按钮 +「不再提醒此站点」白名单，既不给用户添堵，也留足了审计日志。

二、五分钟落地清单

步骤 命令 / 操作 关键参数
1. 拉代码 git clone https://github.com/privacyshield-ai/privacy-firewall 主分支即稳定版
2. 启引擎 cd src/engine && python -m venv .venv && source .venv/bin/activate && pip install -r requirements.txt && uvicorn main:app --host 127.0.0.1 --port 8765 端口可改，需与 extension/background.js 中的 ENGINE_URL 保持一致
3. 装扩展 Chrome 地址栏输入 chrome://extensions → 打开「开发者模式」→「加载已解压的扩展」→ 选择 src/extension 扩展 ID 固定，便于后续组策略推送
4. 验证 在 ChatGPT 输入 My email is bob@example.com → 应出现红色拦截弹窗 若未触发，检查正则是否被其他插件冲突
5. 调阈值 修改 src/engine/transformer_detector.py 中的 CONFIDENCE_THRESHOLD 0.9 可减少误报，0.8 提高召回

首次运行时，模型会自动下载到 ~/.cache/huggingface/；内网机器可预先把该目录打包分发，避免在线拉取。

三、可落地参数与监控点

  • 性能：正则阶段 CPU 占用 < 1 %；AI 阶段单条请求 P99 latency 220 ms（M1 MacBook Air）。
  • 缓存：HF_HOME 可指向共享盘，减少重复下载；模型文件哈希写入 requirements.lock，版本升级需手动审批。
  • 遥测：扩展与引擎均无任何外发请求，可通过 DevTools Network 面板一键审计；如需集中日志，可改 main:app 把命中日志写到本地 Syslog，再转发给 SIEM。
  • 回滚：引擎离线时扩展自动降级；若新版正则误报率升高，可在 chrome://extensions 里「回滚」到旧 zip 包，30 秒完成。

四、限制与风险

  1. 正则误报：JWT 与 Base64 随机串常撞车，建议把测试用例写入 src/engine/tests/regex_fp.json，持续调优。
  2. NER 漏报：短姓名（Tom、Li）置信度普遍低于 0.8，可结合上下文窗口滑动检测，或把员工花名册哈希后作为自定义字典注入模型。
  3. 浏览器权限：MV3 限制 background.js 不能持久运行，需用 offscreen 文档保持长连接；企业环境若禁用 localhost 通信，可改走 Native Messaging 方案。
  4. 模型下载：400 MB 对终端没压力，但对容器化 CI 会拖慢构建，建议把模型转 ONNX 后存到内部 Artifactory，首次启动挂载只读卷。

五、结语：把「零信任」前移到键盘

PrivacyFirewall 的最大价值不是算法多先进，而是让「隐私检查」发生在数据离键之前 —— 无需改造现有业务、无需上传任何流量，就能在 AI 时代给企业与个人赢得一块本地缓冲带。先用正则挡住 80 % 的低级错误，再按需叠加本地模型，把剩下的 20 % 上下文敏感型泄漏也收回来。五分钟装完，剩下的就是安心按回车。

参考资料
[1] GitHub - privacyshield-ai/privacy-firewall: A local AI-powered DLP solution. 2025.
[2] OWASP Top 10 for Large Language Model Applications, 2025 版

查看归档