By · Last updated 2026-04-13

Kembali ke BlogTeknis

Privasi Air-Gapped: Anonimisasi Sepenuhnya Offline

Lingkungan FedRAMP dan ITAR memiliki kesamaan — cloud bukan pilihan. Pseudonimisasi yang dapat dibalik berdasarkan Pasal GDPR.

April 13, 20269 menit baca
air-gapped anonymizationSCIF document processingITAR complianceFedRAMP offline toolsoffline PII detection

Aturan Air-Gap

Beberapa jaringan tidak memiliki internet. Bukan karena kebijakan — melainkan karena desain.

SCIF (Sensitive Compartmented Information Facility) adalah ruangan yang dilindungi dengan sangkar Faraday. Tidak ada sinyal nirkabel yang masuk atau keluar. ITAR (International Traffic in Arms Regulations) melarang pengiriman konten teknis yang diklasifikasikan ke pihak yang tidak berwenang. Penyedia cloud tidak tersertifikasi ITAR. Untuk lingkungan ini, "SaaS cloud" bukan risiko yang perlu dikelola.

Untuk fasilitas-fasilitas ini, alat berbasis cloud sama sekali tidak berfungsi.

Alat yang memerlukan koneksi jaringan aktif tidak dapat beroperasi di sini. Alat yang memanggil server lisensi akan diblokir. Alat yang mengirim file ke API cloud untuk deteksi tidak dapat berjalan di dalam SCIF. Ini bukan kasus tepi yang langka. Ini adalah kendala sehari-hari bagi tim pertahanan.

Kasus ITAR

Seorang ilmuwan data di perusahaan pertahanan memiliki folder personel yang tunduk pada ITAR. Ia perlu menghapus nama dan ID sebelum berbagi file. Jaringannya bersifat air-gapped.

Tidak ada solusi berbasis cloud. Satu-satunya cara adalah alat yang bekerja di perangkat lokal, menyimpan model-modelnya secara lokal, dan menghasilkan output yang bersih tanpa panggilan eksternal.

Aplikasi Desktop berbasis Tauri 2.0 memenuhi persyaratan ini. Setelah instalasi, tidak ada panggilan jaringan yang dilakukan selama pemrosesan. Model NER spaCy dan pola regex semuanya berjalan di CPU lokal. Output tetap berada di perangkat sampai pengguna mengekspornya.

Mengapa Reversibilitas Itu Penting

Pekerjaan yang diklasifikasikan sering memerlukan pseudonimisasi yang dapat dibalik. Tim mengganti nama nyata dengan kode. Mereka menjaga data tetap dapat digunakan sekaligus melindungi identitas asli.

Pasal 4(5) GDPR mendefinisikan pseudonimisasi sebagai tindakan perlindungan privasi formal. Ini mengurangi risiko. Data yang dipseudonimasikan menanggung lebih sedikit kewajiban hukum — jika token pencarian disimpan terpisah dari dataset.

Penelitian IAPP (2024) menemukan bahwa hanya 23% alat yang mendukung reversibilitas sejati. Sebagian besar melakukan masking satu arah atau penggantian penuh. Begitu sebuah catatan ditimpa, data tersebut hilang selamanya.

Beberapa tim pemerintah membagi pekerjaan berdasarkan kompartemen. Satu tim menerima file yang dipseudonimasikan dan menganalisisnya. Tim kedua menyimpan token pencarian dan hanya melakukan re-identifikasi catatan ketika hukum mensyaratkannya. Desain terpisah ini adalah satu-satunya pendekatan aman untuk alur kerja yang diklasifikasikan dengan banyak tim.

Model zero-knowledge melangkah lebih jauh. Token pencarian dibuat di perangkat klien dan tidak pernah dikirimkan. Jika vendor menerima permintaan pengadilan, mereka tidak dapat menyerahkan token karena mereka tidak pernah memilikinya. Ini memenuhi aturan rantai kustodi di banyak lingkungan yang diklasifikasikan.

Pemisahan Token menurut EDPB

Pedoman EDPB 05/2022 menyatakan bahwa token pseudonimisasi harus disimpan secara terpisah. Token tidak boleh berada pada pihak yang sama yang memegang data yang dipseudonimasikan. Atau harus dilindungi oleh kontrol yang mencegah pihak tersebut mengakses data dan token secara bersamaan.

Tiga elemen yang digabungkan memenuhi aturan ini:

  • Token dibuat di perangkat klien — tidak pernah dikirimkan
  • Semua pemrosesan dilakukan secara lokal — tidak ada yang meninggalkan lokasi air-gapped
  • Output dan token diekspor secara terpisah — dua file berbeda, dua jalur berbeda

Desain ini secara bersamaan memenuhi persyaratan EDPB dan kendala air-gap.

Untuk gambaran lengkap, ikhtisar keamanan kami menunjukkan bagaimana pemrosesan lokal mengurangi rantai pihak ketiga. Panduan kepatuhan kami mencakup aturan GDPR tentang transfer data. Kunjungi FAQ untuk bantuan konfigurasi.

Aplikasi Desktop anonym.legal menjalankan semua deteksi PII di perangkat lokal. Tidak diperlukan koneksi internet setelah instalasi. Mendukung Windows, macOS, dan Linux. Model NLP bawaan mencakup 24 bahasa.

Diperbarui untuk 2026

Sumber

Siap untuk melindungi data Anda?

Mulai anonimisasi PII dengan 285+ jenis entitas dalam 48 bahasa.

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.