anonym.legal

By · Last updated 2026-06-05

Terug naar BlogGDPR & Naleving

ANSPDCP Roemenië: CNP-detectie en AVG-controles

ANSPDCP stelde vast dat 78% van de tools het Roemeense CNP niet correct valideert. CNP codeert geslacht, geboortedatum en geboortedistrict — met implicaties voor bijzondere AVG-categorieën.

June 5, 20267 min lezen
Romania ANSPDCPCNP checksum validationRomanian GDPRBPO complianceRomanian identifiers

ANSPDCP Roemenië: CNP-detectie en AVG-controles

Bijgewerkt voor 2026

De Roemeense gegevensbeschermingsautoriteit is ANSPDCP. Haar beoordeling uit 2024 toonde aan dat 78% van de PII-tools er niet in slaagt de Cod Numeric Personal (CNP) te detecteren. De meeste slaan de controlesomstap over. Dat hiaat creëert reële nalevingsrisico's. Roemenië verwerkt EU-data voor vele westerse klanten. De blootstelling is breed.

Het rijkste nationale ID van Roemenië aan persoonsgegevens

Het CNP is een 13-cijferig nationaal identificatienummer. Elke cijfergroep bevat persoonsgegevens:

  • Cijfer 1: Geslachts- en eeuwcode. Man geboren 1900–1999 = 1. Vrouw geboren 1900–1999 = 2. Man geboren 2000+ = 5. Vrouw geboren 2000+ = 6. Mannelijke buitenlandse ingezetene = 7. Vrouwelijke buitenlandse ingezetene = 8. Overige ingezetene = 9.
  • Cijfers 2–3: Laatste twee cijfers van het geboortejaar.
  • Cijfers 4–5: Geboortemaand (01–12).
  • Cijfers 6–7: Geboortedag (01–31).
  • Cijfers 8–9: Districtscode. Omvat 41 districten en de zes sectoren van Boekarest (codes 01–52).
  • Cijfers 10–12: Geboortevolgorde binnen die dag en dat district.
  • Cijfer 13: Controlecijfer.

Cijfer 1 alleen onthult al het biologische geslacht. Onder artikel 9 van de AVG maakt dit het nummer een bijzondere categorie persoonsgegevens. Het heeft sterkere bescherming nodig dan gewone persoonsgegevens.

Hoe het controlecijfer werkt: Neem de eerste 12 cijfers. Vermenigvuldig elk met het bijbehorende gewicht (2, 7, 9, 1, 4, 6, 3, 5, 8, 2, 7, 9). Tel de uitkomsten op. Deel door 11 en neem de rest. Een rest van 10 geeft controlecijfer 1. Een rest van 11 betekent dat de code ongeldig is. Elke andere rest is het controlecijfer.

Tools die deze test overslaan, hebben twee soorten fouten. Ten eerste wordt elke 13-cijferige reeks als match gemarkeerd (valse positieven). Ten tweede slaagt een beschadigd nummer de patrooncontrole maar bevat het slechte data. Die data heeft review nodig en wordt gemist (valse negatieven).

NER-problemen in Roemeenstalige documenten

Het vinden van identifiers is slechts een deel van het werk. Roemeense tekst voegt meer detectiedrempels toe.

Diakritische tekens: Roemeens gebruikt ș, ț, ă, â en î. Tools die getraind zijn op andere talen missen vaak namen met deze letters. Oude documenten in Latin-2-codering voegen nog meer fouten toe.

Adresformaten: Straattypes worden in verkorte vorm geschreven — Str., Bd., Al., Cal. Stads- en gemeentenamen volgen lokale regels. Parsers gebouwd voor Franse of Duitse adressen presteren hier slecht.

Naamverbuiging: Namen veranderen van vorm naargelang de grammaticale naamval in het Roemeens. Dezelfde persoonsnaam ziet er anders uit in verschillende delen van een zin. NER-modellen moeten dit aankunnen om namen door een document heen te koppelen.

Zie onze APAC PII-detectiegids voor hoe taalkloven detectie beïnvloeden bij niet-westerse scripts.

Hoe ANSPDCP-zaken zich ontwikkelen

ANSPDCP-zaken vertonen drie patronen.

BPO-inbreukzaken: Gedeelde bestanden bevatten werknemers-ID-nummers en EU-klantgegevens zonder versleuteling. Slechte logboeken betekenen dat het bedrijf niet kan vaststellen welke records werden ingezien. Dit verlengt het onderzoek en verhoogt de boete.

Blootstelling in de gezondheidszorg: Patiëntdossiers — het nationale ID, het zorgkas-ID en de diagnose — bereiken de verkeerde persoon. De PII-tool had geen ondersteuning voor dit formaat. De gegevens zijn vertrokken zonder maskering.

Fouten bij grensoverschrijdende transfers: Een uitbestedingsbedrijf stuurt aan identifiers gekoppelde records naar een niet-EER-partij. Geen Transfer Impact Assessment. Geen Standaard Contractuele Bepalingen. De artikel 9-status van de data verandert een routinematig hiaat in een ernstiger schending.

Drie maatregelen voor ANSPDCP-naleving

Deze drie vormen de minimale technische basislijn:

  1. CNP-detectie met modulo-11-validatie — patroonherkenning alleen is niet voldoende.
  2. Diakritiekbewuste NER — dek ș, ț, ă, â en î in zowel UTF-8- als Latin-2-bronnen.
  3. Identiteitskaartdetectie — de nationale identiteitskaart verschijnt naast het CNP in veel documenttypen.

Voor een breder overzicht van hoe nationale ID's AVG-risico's creëren, zie onze gids voor Europese nationale belasting-ID-detectie.

Bronnen

Klaar om uw gegevens te beschermen?

Begin met het anonimiseren van PII met 285+ entiteitstypen in 48 talen.

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.