anonym.legal

By · Last updated 2026-05-02

กลับไปที่บล็อกGDPR & การปฏิบัติตาม

การปฏิบัติตาม PII ทั่วโลก: GDPR, LGPD และ DPDP

Brazilian CPF, Indian Aadhaar และ US SSN มีรูปแบบและตรรกะการตรวจสอบที่แตกต่างกันอย่างสิ้นเชิง LGPD และ DPDP Act ของอินเดียเพิ่ม CPF และ Aadhaar เข้าสู่ขอบเขต

May 2, 20268 อ่านประมาณ
global PII complianceBrazilian CPF detectionIndian Aadhaar DPDPLGPD compliancemulti-regulatory PII

การปฏิบัติตาม PII ทั่วโลก: กฎหมายสามฉบับ รูปแบบ ID สามแบบ

ตลาดออนไลน์ในสหราชอาณาจักรจัดการเอกสารผู้ขายจาก 80 ประเทศ กฎหมายสามฉบับบังคับใช้พร้อมกัน: GDPR สำหรับผู้ขาย EU, LGPD สำหรับผู้ขายบราซิล และ DPDP Act ของอินเดียสำหรับผู้ขายอินเดีย แต่ละกฎหมายระบุรหัสประจำชาติที่ต่างกันว่าได้รับการคุ้มครอง แต่ละรูปแบบมีตรรกะการตรวจสอบของตัวเอง

Brazilian CPF: รูปแบบและสถานะภายใต้ LGPD

CPF (Cadastro de Pessoas Físicas) คือหมายเลขผู้เสียภาษีของบราซิล มี 11 หลักในรูปแบบ XXX.XXX.XXX-XX สองหลักสุดท้ายเป็นหลักตรวจสอบ อัลกอริทึมทางคณิตศาสตร์บนเก้าหลักแรกสร้างมัน

LGPD ของบราซิลถือว่า CPF เป็นรหัสประจำตัวส่วนบุคคลที่ได้รับการคุ้มครอง มีความละเอียดอ่อนใกล้เคียงกับ US SSN เครื่องมือที่ไม่รู้รูปแบบ CPF ไม่สามารถค้นหามันได้ เครื่องมือที่ข้ามผลรวมตรวจสอบจะตรวจพบผลบวกปลอม

Indian Aadhaar: รูปแบบและกฎ DPDP

Aadhaar คือหมายเลข 12 หลักที่ออกโดย UIDAI ของอินเดีย หมายเลขถูกกำหนดแบบสุ่ม หลักสุดท้ายเป็น Verhoeff check digit

DPDP Act ของอินเดียสร้างหน้าที่สำหรับกลุ่มใดๆ ที่จัดการข้อมูลที่เชื่อมโยงกับ Aadhaar การตรวจจับต้องการสองขั้นตอน ขั้นแรก จับคู่รูปแบบ 12 หลักและตรวจสอบ Verhoeff digit ขั้นที่สอง กรองตามบริบท ไม่ใช่ทุกสตริง 12 หลักที่เป็น Aadhaar

US SSN: โครงสร้างที่รู้จักกันดี

SSN มีเก้าหลัก สามหลักแรกคือหมายเลขพื้นที่ สองหลักถัดมาคือหมายเลขกลุ่ม สี่หลักสุดท้ายคือหมายเลขซีเรียล แต่ละส่วนมีกฎที่กำหนดไว้ การตรวจสอบมีเอกสารประกอบครบถ้วน

ช่องว่างระหว่างเครื่องมือแบบประเทศเดียวและกฎทั่วโลก

รหัสทั้งสามนี้ไม่มีรูปแบบเดียวกันและไม่มีกฎการตรวจสอบเดียวกัน เครื่องมือที่สร้างขึ้นสำหรับการใช้งานในสหรัฐฯ จะจับ SSN ได้ แต่อาจพลาด CPF และ Aadhaar ไปอย่างสมบูรณ์

ทีมส่วนใหญ่พบช่องว่างนี้เมื่อหน่วยงานกำกับดูแลถาม — ไม่ใช่ก่อนหน้านั้น ช่องว่างสร้างความเสี่ยงจริงภายใต้กฎหมายแต่ละฉบับ:

  • GDPR Article 28 กำหนดให้มีข้อตกลงการประมวลผลข้อมูลเป็นลายลักษณ์อักษรกับผู้ประมวลผลแต่ละราย DPIA ที่ระบุ "การตรวจจับ SSN" เป็นมาตรการควบคุมหลัก — เมื่อชุดข้อมูลยังมีหมายเลข CPF — มีช่องว่างที่มีเอกสาร ผู้ตรวจสอบสามารถค้นพบมัน
  • LGPD ค่าปรับสูงถึง 2% ของรายได้บราซิล สูงสุด R$50M ต่อการละเมิด CPF ที่ไม่ถูกตรวจพบคือการละเมิด LGPD โดยตรง
  • DPDP การบังคับใช้ยังใหม่อยู่ ทีมที่บันทึกความครอบคลุมในขณะนี้จะอยู่ในตำแหน่งที่ดีกว่าเมื่อคำตัดสินแรกกำหนดมาตรฐาน

ระบอบค่าปรับสามแบบพร้อมกันสร้างความเสี่ยงหลายชั้น เครื่องมือแบบประเทศเดียวทำให้ทีมทั่วโลกเสี่ยงภัย

ความครอบคลุมอย่างสมบูรณ์ต้องการอะไร

เครื่องมือต้องการรูปแบบ อัลกอริทึมการตรวจสอบ และบริบททางกฎหมายของแต่ละรหัส CPF ต้องการผลรวมตรวจสอบแบบโมดูลาร์ Aadhaar ต้องการการตรวจสอบ Verhoeff บวกกับการกรองบริบท SSN ต้องการกฎพื้นที่และกลุ่ม นี่คือสามปัญหาที่แยกกัน ไม่มีรูปแบบการค้นหาเดียวที่ครอบคลุมทั้งหมด

ดูเพิ่มเติม: ช่องว่าง PII identifier ทั่วโลก: SSN, CPF, Aadhaar, คู่มือการบังคับใช้ ANPD Brazil LGPD และ การปฏิบัติตามกฎหมายความเป็นส่วนตัว DPDPA India ทางเทคนิค

แหล่งข้อมูล

พร้อมที่จะปกป้องข้อมูลของคุณหรือยัง?

เริ่มทำให้ PII เป็นนิรนามด้วยประเภทเอนทิตีมากกว่า 285 ประเภทใน 48 ภาษา.

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.