By · Last updated 2026-06-05

Vissza a BlograGDPR & Megfelelés

ANSPDCP Románia: CNP-azonosítás és GDPR-ellenőrzések

Az ANSPDCP megállapítása szerint az eszközök 78%-a nem ismeri fel a román CNP-számot megfelelő ellenőrzéssel. A CNP kódolja a nemet, a születési dátumot és a születési megyét – a GDPR különleges kategóriájú adatként kezeli.

June 5, 20267 perc olvasás
Romania ANSPDCPCNP checksum validationRomanian GDPRBPO complianceRomanian identifiers

ANSPDCP Románia: CNP-azonosítás és GDPR-ellenőrzések

Frissítve 2026-ra

Románia adatvédelmi hatósága az ANSPDCP. A 2024-es értékelése megállapította, hogy a PII-eszközök 78%-a nem ismeri fel a Cod Numeric Personal (CNP) számot. A legtöbb eszköz kihagyja az ellenőrzőszám-vizsgálatot. Ez a hiányosság valós megfelelőségi kockázatot jelent. Románia sok nyugati ügyfél adatait dolgozza fel, így a kitettség széles körű.

Románia legtöbb adatot hordozó nemzeti azonosítója

A CNP egy 13 jegyű nemzeti azonosítószám. Minden jegycsoport személyes adatot kódol:

  • 1. jegy: nem és évszázad kódja. Férfi, 1900–1999 között született = 1. Nő, 1900–1999 között született = 2. Férfi, 2000 után született = 5. Nő, 2000 után született = 6. Külföldi férfi lakos = 7. Külföldi nő lakos = 8. Egyéb lakos = 9.
  • 2–3. jegy: a születési év utolsó két számjegye.
  • 4–5. jegy: születési hónap (01–12).
  • 6–7. jegy: születési nap (01–31).
  • 8–9. jegy: megyekód. 41 megye és Bukarest hat szektora fedi (01–52 kódok).
  • 10–12. jegy: születési sorszám az adott napon és megyében.
  • 13. jegy: ellenőrző jegy.

Az 1. jegy önmagában felfedi a biológiai nemet. Ez a GDPR 9. cikke értelmében különleges kategóriájú adattá teszi a számot, amely erősebb védelmet igényel, mint az általános személyes adatok.

Az ellenőrző jegy kiszámítása: Vegyük az első 12 jegyet, és szorozzuk meg mindegyiket a megfelelő súlyával (2, 7, 9, 1, 4, 6, 3, 5, 8, 2, 7, 9). Adjuk össze az eredményeket, majd osszuk el 11-gyel, és vegyük a maradékot. Ha a maradék 10, az ellenőrző jegy 1. Ha 11, a kód érvénytelen. Bármely más maradék maga az ellenőrző jegy.

Az ezt a vizsgálatot kihagyó eszközöknek két hibamódja van. Egyrészt bármely 13 jegyű számsor egyezésnek minősül (hamis pozitív). Másrészt egy sérült szám átmegy a mintaellenőrzésen, de hibás adatot tartalmaz, és kimarad a szükséges felülvizsgálatból (hamis negatív).

NER-problémák román nyelvű dokumentumokban

Az azonosítók felismerése csupán az egyik feladat. A román szöveg további detektálási akadályokat állít.

Diakritikus jelek: A román ș, ț, ă, â és î betűket használ. A más nyelvekre betanított eszközök sokszor tévesztik el az ezeket tartalmazó neveket. A Latin-2 kódolású régi dokumentumok tovább rontják a helyzetet.

Cím formátumok: Az utcatípusok rövidítetten jelennek meg – Str., Bd., Al., Cal. A városneveket és a falvak neveit helyi szabályok szerint írják. A francia vagy német címekre tervezett elemzők rosszul teljesítenek itt.

Névragozás: A román nevek nyelvtani eset szerint változnak. Ugyanaz a személy neve eltérő alakban jelenik meg egy mondat különböző részein. Az NER-modelleknek a névalakokat a dokumentumon belül össze kell kapcsolniuk.

Hogyan fejlődnek az ANSPDCP-ügyek?

Az ANSPDCP-ügyek három visszatérő mintát mutatnak.

BPO-jogsértési esetek: A megosztott fájlokban alkalmazotti azonosítószámok és EU-s ügyféladatok szerepelnek titkosítás nélkül. A gyenge naplózás miatt a cég nem tudja megmondani, mely rekordokhoz fértek hozzá. Ez meghosszabbítja a vizsgálatot és növeli a bírságot.

Egészségügyi adatok kiszivárgása: Betegadatok – a nemzeti azonosító, az egészségbiztosítási kártyaszám és a diagnózis – illetéktelen személyhez kerülnek. A PII-eszköz nem ismerte ezt a formátumot, az adatok maszkolás nélkül kerültek ki.

Határon átnyúló adattovábbítási hibák: Egy kiszervező cég azonosítóhoz kötött rekordokat küld EGT-n kívüli félnek. Sem adattovábbítási hatástanulmány, sem standard szerződési záradékok nincsenek. Az adatok 9. cikk szerinti jellege egy rutinszerű mulasztásból súlyosabb jogsértést csinál.

Három intézkedés az ANSPDCP-megfelelőséghez

Ez a három képezi a minimális technikai alapkövetelményt:

  1. CNP-azonosítás modulo-11 ellenőrzéssel – mintaazonosítás önmagában nem elegendő.
  2. Diakritikus jeleket kezelő NER – fedezze a ș, ț, ă, â és î karaktereket UTF-8 és Latin-2 forrásokban egyaránt.
  3. Személyi igazolvány azonosítása – a nemzeti kártya sok dokumentumtípusban a CNP mellett szerepel.

Források

Készen áll az adatai védelmére?

Kezdje el a PII anonimizálását 285+ entitástípuson 48 nyelven.

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.