By · Last updated 2026-06-05

Til baka á BloggTæknilegt

PII milli pallar: Mac, Linux og Windows

Persónuvernareftirlitsmenn á Mac, lögfræðingar á Windows, gagnaverkfræðingar á Linux — allir vinna með sömu gögn með mismunandi verkfæri. Hér er af hverju OS-óháð greining skiptir máli.

June 5, 20266 mín lestur
cross-platformMac Linux GDPRenterprise ITOS agnosticcompliance consistency

PII milli pallar: Mac, Linux og Windows

Persónuvernareftirlitsmenn á Mac. Lögfræðiteymi á Windows. Gagnaverkfræðingar á Linux. Ein reglufylgniskyldur.

Flest PII-verkfæri voru byggð fyrir einn pall. Það er vandinn.

OS-bilin í persónuvernarteymum

Fyrirtækjapersónuvernarteymi nota sjaldan eitt stýrikerfi. Dæmigert alþjóðlegt tæknifyrirtæki lítur svona út:

  • Persónuvernareftirlitsmenn og DPO: macOS (algengt í bandarískum og breskum fyrirtækjum)
  • Lögfræðileg- og reglufylgnisgreinar: Windows (staðall í evrópskum fyrirtækjum)
  • Gagnaverkfræðingar og DevOps: Linux (staðall fyrir tæknilegar hlutverk)

Þrjú OS-umhverfi. Þrjár teymisaðgerðir. Ein sameiginleg skyldur: vinna með persónuupplýsingar með samræmdum tæknilegum stjórnum.

Þegar hópur notar mismunandi útgáfu af sama verkfæri — eða annað viðmót — eru stjórnirnar ekki þær sömu. Þær líta bara þannig út.

Af hverju verkfæri fyrir einn pall skapar áhættu

Flest PII-verkfæri sendast sem skjáborðsforrit fyrir eitt OS. Mac og Linux notendur fá vef-aftur-fall, eða ekkert.

Þetta skapar skiptingu sem skiptir máli í endurskoðunum. Hér er hvað gerist þegar vefforritið er á eftir skjáborðsforritinu:

NLP-líkanútgáfur eru mismunandi. Skjáborðsbygging gæti sett inn nýrra NLP-líkan en vefforritið. Eldri líkanútgáfur geta sleppt einindategundum sem nýrri fanga.

Uppfærsluferill er sundurleiddur. Verkfæri sett upp í gegnum hópstefnu gætu keyrt tvær eða þrjár útgáfur á eftir beinni uppsetningu. Útgáfubil þýðir greinigarbil.

Stillingar geta ekki samstillt. Verkfæri sem geyma stillingar í OS-skrásafni geta ekki deilt þeim stillingum með Mac eða Linux notendum. Forstilling byggð á einum pall gæti verið ólæsileg á öðrum.

Safnaðarhegðun er breytileg. Verkfæri sem reiða sig á OS-stig söfn fyrir PDF-þáttun eða OCR gætu gefið mismunandi niðurstöður á mismunandi pöllum — jafnvel frá sama upprunaskjali.

Hvert þessara bila þýðir að sama skjal getur gefið mismunandi nafnleysisniðurstöður. Ástæðan eru ekki gögnin. Það er pallurinn.

Sjá GDPR-tæknilegar ráðstafanakröfur um hvernig eftirlitsaðilar meta samræmni.

GDPR-grein 5(2) og kerfislægar ráðstafanir

GDPR-grein 5(2) er meginreglan um ábyrgð. Hún krefst þess að stjórnendur sýni reglufylgni við grein 5(1) gagnavemdarmeginkröfurnar. Fyrir tæknilegar ráðstafanir skv. grein 32 þýðir það að ráðstafanirnar voru beitt kerfislægt.

Kerfislægt þýðir samræmt. Ef nafnleysi er mismunandi eftir OS þess sem keyrði það eru ráðstafanirnar breygilegar — ekki kerfislægar.

Í DPA-rannsókn er "við notuðum Verkfæri X, en það hegðar sér öðruvísi á Mac og á skjáborðsútgáfunni, og skjalið var unnið á Mac" ekki fullnægjandi svar. Það sýnir misjafna beitingu.

OS-óháð hönnun er ekki val. Hún leiðir af kröfunni um kerfislæga beitingu.

Tvær mynstrar fyrir OS-óháða reglufylgni

Sönn OS-óháð PII-reglufylgni passar við tvær byggingarfræðilegar mynstrar.

Mynstur 1: Vefforrit

Greining keyrir á þjóni. Biðlara-OS er óviðkomandi. Allir notendur ná sömu vélina með sömu líkön og sömu stillingar.

Takmörkun: krefst nettenginga. Loft-bil-umhverfi geta ekki notað það.

Mynstur 2: Innfædd þverpallar-skjáborðsforrit

Skjáborðsforrit byggt á þverpallar-keyrsluskilyrði (eins og Tauri eða Electron) þýðir sama kóðann fyrir allar þrjár pallar. Sömu NLP-líkön sendast í hverri byggingu. Stillingar samstillist í gegnum reikning, ekki staðbundna OS-geymslu.

Þetta uppfyllir án nettengingar og loft-bil-kröfur. Greining helst samræmd yfir pallar.

anonym.legal Desktop App notar Tauri/Rust-ramma. Hann þýðir sama kóðann fyrir Windows (x64/ARM64), macOS (Intel/Apple Silicon/Universal) og Linux (x64). NLP-líkönin og greiningarvélin eru eins í hverri byggingu. OS er ekki breyta í úttakinu.

Dæmi: 12 manna persónuvernarteymi

Persónuvernarteymi 12 manna alþjóðlegs tæknifyrirtækis vann yfir þrjú OS-umhverfi:

  • 4 persónuvernareftirlitsmenn og DPO: macOS (MacBook Pro)
  • 5 lögfræðileg- og reglufylgnisgreinar: Windows (Surface Pro)
  • 3 gagnaverkfræðingar: Linux (Ubuntu vinnustöðvar)

Fyrra PII-verkfæri þeirra var skjáborðsforrit fyrir einn pall. Mac og Linux notendur féllu aftur á vefforrit söluaðila. Það var eldri útgáfa með færri einindategundum.

Reglufylgnibilið var skýrt. DPO á Mac greindi 180 einindategundir. Lögfræðilegar greinar á skjáborðsforritinu greindu 267. Verkfræðingar á Linux stemdu við vefforritið við 180. Það er 87-eininda bil á skjöl sem DPO vann.

Eftir skipti á þverpallar-skjáborðsforrit:

  • Sama forrit sett upp á öllum 12 vélum
  • Eins NLP-líkön og greiningarvél á hverri vél
  • Ein "Persónuvernarstaðall" forstilling samstillt yfir alla reikninga
  • Ein endurskoðunarslóð frá öllum 12 notendum í reglufylgniskerfinu

DPA-endurskoðunin kom sex mánuðum síðar. Teymið sýndi eins einindaþekju yfir alla 12 reikninga, óháð OS. Niðurstaðan lokaðist.

Lestu nánar um eiginleika endurskoðunarslóðar og skráningareiginleika.

Hvað á að athuga áður en þú velur verkfæri

Þegar þú metur PII-verkfæri fyrir fjölstýrikerfi-teymi, spurðu þessar spurningar:

Nota allar pallútgáfur sama NLP-líkanið? Ef Mac og Linux-byggingar eru á eftir er samræmnivandinn til staðar.

Hvernig eru stillingar geymdar og deilt? Skrásafns-byggð geymsla getur ekki samstillt yfir pallar.

Eru uppfærsluferlar þeir sömu fyrir allar pallar? Stigskiptar útgáfur skapa útgáfubil.

Hvað er aftur-fallið fyrir notendur utan skjáborðs? Ef það er eldra vefforrit er þekjan ekki sú sama.

Verkfæri sem svarar þessum spurningum vel mun gefa sömu greininganiðurstöðu frá sama inntaki á hvaða OS sem er. Þetta er hvernig kerfislæg beiting lítur út.

Heimildir

Ertu tilbúinn að vernda gögnin þín?

Byrjaðu að anonymiza PII með 285+ gerðum í 48 tungumálum.

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.