用于隐藏日志文件中字符串的人为可读的短单向哈希？

Question

我需要对数据库日志文件进行大规模匿名化。

部分内容涉及模糊各种字段名称（字符串）以及IP地址。

1。字段名称

例如，我们可能有字符串BusinessLogic.Categorisation.ExternalDeals。在匿名版本中，我们希望它类似于Jerrycan.Doorway.Fodmap（或者是胡言乱语，但仍然“可发音”）

目的只是隐藏原始字符串 - 但是，我们仍然希望能够在不同的日志文件中匹配这些字符串的出现。

哈希的要求是：

• 可重复 - 也就是说，每次传递的相同输入总是会产生相同的输出。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 - 无法反转输出以产生输入。
• 碰撞的可能性很小 - 如果两个字段映射到同一输出，它将搞乱我们的分析。
• 人类可读（或可发音） - 用手扫描日志文件的人应该能够制作字段，并在视觉上匹配它们。或者如果需要，请通过电话阅读。
• 短字符串 - 我确实理解这与可用熵之间存在权衡，但理想情况下，像HumanReadable这样的字符串应该映射到类似LizzyNasbeth的字符串。

我环顾四周，发现https://github.com/zacharyvoase/humanhash（输出哈希比我想要的要长一些）和https://tools.ietf.org/html/rfc1751（不是真正的“代词” - 理想情况下，我们想要一些东西看起来像是一个英语人类的单词，但实际上并不是 - 而且，再一次，有点长。）

这个问题有哪些算法或方法？或者您可以推荐的任何库或实现？

2。 IP地址

对于IP地址，我们需要一种方法来屏蔽它们（即外部观察者无法获得原始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将映射到33.41.22.44（或者我们也可以使用字母代码，如果这更容易）。

关于如何做到这一点的任何想法？

Answer 1

我正和一位同事讨论，他提出了一种方法。

1. 获取字段名称 - 并将其传递给标准的单向哈希（例如MD5）。
2. 使用生成的摘要作为索引，以映射到英语单词词典（例如，使用mod）。

这解决了它总是可重复的问题 - 每次哈希相同的词总是映射到相同的英语单词（假设你的词典列表不会改变）。

如果个人公司担心字典攻击（即字段名称＆＃34;名字和＃34;总是映射说＆＃34; Paris＆＃34;），那么我们也可以使用公司特定的密钥文件来盐哈希。这意味着对于来自它们的匿名日志文件是可重复的（即＆＃34;名字和＃34;可能总是映射到＆＃34;图卢兹＆＃34;对于他们），但它与其他公司不同使用其他密钥文件。

我仍然非常希望看到其他人可以提出什么建议，或者他们是否对上述内容有任何想法。

Answer 2

您可以使用codenamize：

$ codenamize BusinessLogic -j "" -c
AbsorbedUpper

您可以在命令行或Python库中使用它。

（免责声明，我写了）。