Dacă un model lingvistic are acces la baze de cod, jurnale de eroare sau documente interne, există riscul ca acesta să reproducă accidental chei API, parole de baze de date sau tokeni JWT în răspunsul furnizat utilizatorului final (Data Loss / Token Leakage).
Implementarea unui modul de scanare regex la ieșire (Output DLP):
import re
PATTERNS_SECRETE = {
"OpenAI Key": r"sk-[a-zA-Z0-9]{48}",
"AWS Access Key": r"AKIA[0-9A-Z]{16}",
"JWT Token": r"eyJ[a-zA-Z0-9_-]{10,}\.[a-zA-Z0-9_-]{10,}\.[a-zA-Z0-9_-]{10,}"
}
def blocheaza_secrete(raspuns: str) -> str:
for tip, pattern in PATTERNS_SECRETE.items():
if re.search(pattern, raspuns):
print(f"ALERTA: Scurgere de secret ({tip}) blocată la ieșire!")
return "Răspunsul a fost redactat automat din motive de securitate conform politicii DLP."
return raspunsScanarea automată a răspunsurilor previne incidentele majore de conformitate înainte ca datele să părăsească infrastructura.
Întrebări & Exemple practice:
Prevenirea Scurgerilor de Secrete și Chei API prin Output-ul LLMAi o întrebare despre Prevenirea Scurgerilor de Secrete și Chei API prin Output-ul LLM sau ai descoperit un truc, prompt sau fragment de cod util? Distribuie-l cu ceilalți membri ai comunității!
Fii primul care pune o întrebare sau distribuie un fragment de cod / prompt!
Nu au fost adăugate încă întrebări sau resurse pentru această pagină. Dacă ai testat un prompt sau ai un snippet util, adaugă-l mai jos pentru comunitate.