anonym.legal

By · Last updated 2026-06-05

Назад към блогаТехнически

Лични данни между платформи: Mac, Linux и Windows

Служителите по поверителност на Mac, правният отдел на Windows, инженерите на данни на Linux — всички обработват едни и същи данни с различни инструменти. Ето защо платформено-независимото засичане е от ключово значение.

June 5, 20266 мин. четене
cross-platformMac Linux GDPRenterprise ITOS agnosticcompliance consistency

Лични данни между платформи: Mac, Linux и Windows

Служители по поверителност на Mac. Правни екипи на Windows. Инженери на данни на Linux. Едно задължение за съответствие.

Повечето инструменти за лични данни са изградени за една платформа. Това е проблемът.

Пропастта по ОС в екипите за поверителност

Корпоративните екипи за поверителност рядко използват една операционна система. Типична глобална технологична компания изглежда така:

  • Служители по поверителност и DPO: macOS (обичайно в американски и британски фирми)
  • Правни и анализатори по съответствие: Windows (стандарт в европейски предприятия)
  • Инженери на данни и DevOps: Linux (стандарт за технически роли)

Три среди с ОС. Три функции в екипа. Едно споделено задължение: обработка на лични данни с последователни технически контроли.

Когато всяка група използва различна версия на един и същи инструмент — или различен интерфейс — контролите не са едни и същи. Само изглеждат така.

Защо инструментите за една платформа създават риск

Повечето инструменти за лични данни се предлагат като настолни приложения за една ОС. Mac и Linux потребителите получават уеб заместител или нищо.

Това създава разделение, което има значение при одити. Ето какво се случва, когато уеб приложението изостава от настолното:

Версиите на NLP моделите се различават. Настолна версия може да включва по-нов NLP модел от уеб приложението. По-старите версии на модела могат да пропускат типове обекти, открити от по-новите.

Циклите на актуализация се разминават. Инструменти, внедрени чрез групова политика, могат да работят с две или три версии зад директна инсталация. Пропуски в версиите означават пропуски в засичането.

Конфигурацията не може да се синхронизира. Инструменти, съхраняващи настройки в ОС регистъра, не могат да споделят тези настройки с Mac или Linux потребители. Набор от настройки, изграден на една платформа, може да е нечетим на друга.

Поведението на библиотеките варира. Инструменти, разчитащи на библиотеки на ниво ОС за парсване на PDF или OCR, могат да произвеждат различни резултати на различни платформи — дори от един и същ изходен документ.

Всеки от тези пропуски означава, че един и същи документ може да произведе различни резултати при анонимизация. Причината не е в данните. Тя е в платформата.

Вижте изискванията на GDPR за технически мерки за начина, по който регулаторите оценяват последователността.

Член 5(2) от GDPR и Систематичните мерки

Член 5(2) от GDPR е принципът на отчетност. Той изисква от контролерите да докажат спазване на принципите за защита на данните по Член 5(1). За технически мерки по Член 32 това означава, че мерките са прилагани систематично.

Систематично означава последователно. Ако анонимизацията варира в зависимост от ОС на лицето, извършило я, мярката е нестабилна — не е систематична.

При разследване от DPA, "използвахме Инструмент X, но той се държи по различен начин на Mac и в настолната версия, и документът е обработен на Mac" не е задоволителен отговор. Той показва неравномерно прилагане.

Платформено-независимият дизайн не е предпочитание. Той следва от изискването за систематично прилагане.

Два модела за платформено-независимо съответствие

Истинското платформено-независимо съответствие за лични данни се вписва в два архитектурни модела.

Модел 1: Уеб приложение

Засичането се извършва на сървъра. ОС на клиента е без значение. Всеки потребител достига до един и същи механизъм с едни и същи модели и едни и същи конфигурации.

Ограничение: изисква интернет достъп. Среди без мрежова връзка не могат да го използват.

Модел 2: Нативно крос-платформено настолно приложение

Настолно приложение, изградено на крос-платформено изпълнително средство (например Tauri или Electron), компилира един и същи код за трите платформи. Едни и същи NLP модели се включват в всяка версия. Конфигурацията се синхронизира чрез акаунт, не чрез локалното ОС хранилище.

Това удовлетворява изисквания за офлайн и среди без мрежа. Засичането остава последователно между платформите.

Настолното приложение на anonym.legal използва Tauri/Rust рамка. Компилира един и същи код за Windows (x64/ARM64), macOS (Intel/Apple Silicon/Universal) и Linux (x64). NLP моделите и механизмът за засичане са идентични в всяка версия. ОС не е променлива в резултата.

Казус: Екип по поверителност от 12 души

Екипът по поверителност от 12 души на глобална технологична компания работеше в три среди с ОС:

  • 4 служители по поверителност и DPO: macOS (MacBook Pro)
  • 5 правни и анализатори по съответствие: Windows (Surface Pro)
  • 3 инженери на данни: Linux (Ubuntu работни станции)

Предишният им инструмент за лични данни беше настолно приложение за една платформа. Mac и Linux потребителите използваха уеб приложението на доставчика. То беше по-стара версия с по-малко типове обекти.

Пропускът при съответствие беше ясен. DPO на Mac засичаше 180 типа обекти. Правният на настолното приложение засичаше 267. Инженерите на Linux съответстваха на уеб приложението с 180. Това е пропуск от 87 обекта в документи, обработени от DPO.

След преминаване към крос-платформено настолно приложение:

  • Едно и също приложение, внедрено на всичките 12 машини
  • Идентични NLP модели и механизъм за засичане на всяка машина
  • Един набор от настройки "Стандарт за поверителност", синхронизиран между всички акаунти
  • Единна одитна следа от всичките 12 потребители в системата за съответствие

DPA одитът дойде шест месеца по-късно. Екипът показа идентично покритие на обектите при всичките 12 акаунта, независимо от ОС. Констатацията беше затворена.

Прочетете повече за функциите за одитна следа и документация.

Какво да проверите преди да изберете инструмент

При оценка на инструмент за лични данни за екип с множество ОС задайте тези въпроси:

Всички версии за платформи използват ли един и същи NLP модел? Ако Mac и Linux версиите изостават, имате проблем с последователността.

Как се съхранява и споделя конфигурацията? Съхранението на базата на регистъра не може да се синхронизира между платформите.

Едни и същи ли са циклите на актуализация за всички платформи? Поетапните пускания създават пропуски в версиите.

Какъв е заместителят за потребителите без настолна версия? Ако е по-старо уеб приложение, покритието не е едно и също.

Инструмент, даващ добър отговор на тези въпроси, ще произведе един и същи резултат от засичането от един и същи вход на всяка ОС. Така изглежда систематичното прилагане.

Източници

Готови ли сте да защитите данните си?

Започнете анонимизация на PII с 285+ типа субекти на 48 езика.

About this page

We update this page when our platform or the law changes.

Read our founder note for how we work.

Each change shows up in the timestamp at the top.

Related reading

We follow these rules

  • GDPR (EU 2016/679).
  • ISO/IEC 27001:2022.
  • NIS2 (EU 2022/2555).
  • HIPAA safe harbor under 45 CFR § 164.514(b)(2).

Our promise

We do not sell your data.

We do not train models on your text.

We store your files in Germany.

You can delete your account at any time.

You own your work.

Where we run

Our servers live in Falkenstein, Germany.

We use Hetzner. They hold ISO 27001 certification.

All data stays in the EU.

Backups run every day.

Need help?

Email support@anonym.legal.

We reply within one business day.

How we test

We run a full check suite on every release.

Each surface gets its own sweep script and report.

Human reviewers spot-check the output each week.

We track recall and precision on a labelled set.

Bad runs block the deploy.

What we never do

  • We never sell your information to third parties.
  • We never train models on what you upload.
  • We never keep your work after you delete it.
  • We never share keys with any outside firm.
  • We never run ads inside the product.

Plans in plain words

We sell credits, not seats.

One credit covers one short job.

Long jobs use a few credits each.

You can top up at any time.

Unused credits roll over each month.

Read the plans page for current rates.

Who built this

A small team of engineers and lawyers built this.

We ship from Europe and work in the open.

Our founder note spells out why we started.

Where to start

How the parts fit

A browser add-on cleans text inside Chrome.

A Word plug-in handles drafts in Office.

A small desktop tool works on whole folders.

An agent protocol link feeds large models safely.

All four share one core engine and one rule set.

Words from our team

We started this work after a lunch about cookies.

One friend kept getting odd ads on her phone.

We asked why a court file leaked through a draft.

We sketched the first build on a napkin that week.

By month three we had a tiny demo for a friend.

She used it on her first case the next day.

Common questions we hear

Can the tool read scanned PDFs? Yes, with OCR.

Does it work on long files? Yes, in small chunks.

Can I roll my own rule set? Yes, save it as a preset.

Does it run offline? The desktop build runs offline.

Do you keep my files? No, the cloud build wipes after each run.

Will it learn from my work? No, we never train on inputs.

A short tour of the workflow

Upload a file or paste a snippet of prose.

Pick the entities you want gone from the draft.

Choose a method: replace, mask, hash, encrypt, or redact.

Press run and watch the side panel show each hit.

Skim the result and tweak any rule that misfired.

Save the cleaned file or send it to a teammate.