Gateway ZuBrIQ esconde cartões e UNP de GPT e Claude trocando os dados por sósias, mesmo em streaming
Um banco quer usar GPT e Claude, mas não pode enviar a eles o número do cartão de um cliente nem o UNP, o número fiscal de empresas na Bielorrússia. O gateway ZuBrIQ troca esses dados por sósias plausíveis, com checksums válidos, e devolve os originais na resposta. No streaming, quando o texto chega em pedaços, o gateway segura o final do buffer para não perder um número cortado entre dois pedaços. A conclusão: é mais simples manter a proteção em um único gateway do que em cada aplicação.
Processado por IA de Habr AI; editado por Hamidun News
Imagine a cena: o contador de um banco cola no chat com GPT ou Claude um contrato que contém o número do cartão de um cliente, o UNP (número de contribuinte, o identificador fiscal de empresas na Bielorrússia) e o nome completo do diretor. Tudo isso são dados pessoais (PII) e, junto com a requisição, seguem para um modelo externo, fora do país. Por isso, muitos bancos simplesmente não liberam grandes modelos de linguagem (LLMs) para o trabalho.
A equipe do gateway bielorrusso ZuBrIQ contou no Habr como eliminou esse risco: ao modelo chegam sósias plausíveis no lugar dos números reais, e na resposta o gateway os troca de volta. Isso funciona também no modo de streaming, quando o modelo entrega a resposta em pedaços. A descrição é dos próprios autores e o material não traz medições independentes, mas há decisões de engenharia suficientes para analisar.
Por que sósias e não um rótulo [CARD]
O jeito mais simples de esconder dados é trocar o número por um rótulo como [CARD]. Mas o modelo não distingue dois [CARD] iguais. Ele não entende que os cartões são diferentes, não confere valores e não consegue montar uma ordem de pagamento.
Por isso, o gateway insere dados do mesmo tipo e formato. No lugar do UNP 192628898, o modelo vê outro UNP com dígito verificador válido; no lugar do cartão, um número que passa na verificação pelo algoritmo de Luhn; no lugar do IBAN, um valor com verificação mod-97 correta. Em vez de «Иванов Иван», chega «Егоров Игорь». Para o modelo, é um documento comum.
Os pares «original ↔ sósia» ficam no Redis por uma hora. Um mesmo UNP de um mesmo usuário sempre vira o mesmo substituto, então o modelo entende que, em três mensagens, se fala da mesma contraparte. A restauração é vinculada ao usuário: o gateway não revela, na resposta, o sósia de outra pessoa.
Tecnicamente, é um plugin para o LiteLLM, uma classe CustomLogger com três hooks: na entrada, na resposta comum e na resposta em streaming. Ele é ativado com uma única linha na configuração do proxy.
Como não mascarar o que não deve e não perder o número no streaming
Uma regex simples de «9 dígitos» pega qualquer coisa: UNP, BIK, número de pedido. Por isso, cada ocorrência passa por uma verificação. No UNP, calcula-se o dígito verificador com pesos; nos cartões, usa-se o algoritmo de Luhn e o prefixo do banco emissor (BIN); no INN russo, o algoritmo da FNS (o fisco russo); no IBAN, mod-97. Mas nem o checksum resolve tudo: um número aleatório de nove dígitos passa na verificação do UNP em cerca de um caso em dez. Por isso, procuram-se as palavras «UNP» ou «BIK» ao lado do número.
Quando os detectores se sobrepõem (uma conta de 20 dígitos contém, dentro dela, um «cartão» de 16 dígitos), vence o tipo mais específico: IBAN, depois conta, BIK, cartão, INN, passaporte, nome completo. Em caso de empate, vence a ocorrência mais longa. Um número com erro no checksum, por exemplo com um erro de digitação, não é tocado de forma alguma, para que o gateway não «conserte» dados reais e o modelo não responda sobre outro número.
A parte mais delicada é o streaming. O modelo entrega o texto em pedaços (chunks), e o número 732432413 pode chegar como «7324» em um pedaço e «32413» no seguinte. Se cada pedaço for substituído separadamente, o sósia não é encontrado e o cliente vê dígitos que não são os dele.
Os autores seguram o final do buffer se ele se parecer com o início de qualquer sósia daquele usuário: o final «73» espera a continuação. Se não há correspondência, o texto segue imediatamente. Segundo a descrição, o atraso é de um a dois chunks e ocorre apenas quando a resposta contém algo parecido com dados do usuário.
O restante do buffer, no fim do fluxo, sai em um pedaço final.
Onde erraram e o que ficou de fora
Nomes completos não têm checksum, então são buscados pelo contexto: «Уважаемый», «господин», «клиент». Os autores descreveram com franqueza dois erros. Primeiro, o detector não conhecia papéis corporativos, e a frase «директор Иванов Пётр Сергеевич» seguia para o modelo em texto aberto. A lista foi ampliada (diretor, contador, sócio-fundador, empresário individual, procuração) e foi adicionado um teste com 11 formulações desse tipo. No detector antigo, todas falhavam. Depois, descobriu-se que o gerador podia produzir um sósia com o mesmo sobrenome: no lugar de «Козлов Андрей Павлович» chegava «Козлов Игорь Сергеевич», ou seja, o sobrenome real vazava mesmo assim. Agora o gerador sorteia de novo qualquer palavra que coincida com o original.
A conclusão dos autores: em cenários juridicamente relevantes, é melhor cobrir os nomes com uma lista de entidades, e não só com heurística.
Por padrão, o gateway opera em modo fail-closed: se o Redis cair ou o detector quebrar, a requisição é rejeitada. Cada detecção é registrada no log como JSON, com os tipos e a quantidade de dados encontrados, mas sem os dados em si, e segue para o SIEM. Para endereços, e-mails e datas, é possível ativar o Microsoft Presidio como segunda camada, estritamente depois da principal, para que ele já veja os sósias.
As limitações são apontadas com clareza: UNPs com letras, endereços e frases como «meu vizinho do terceiro andar» não são cobertos pela camada, e imagens e arquivos não são processados.
O que fazer na prática
Os autores lembram, à parte, do risco do próprio gateway. Em 21 de outubro de 2026, por cerca de duas horas, ficou disponível no PyPI e em imagens Docker a versão comprometida LiteLLM 1.107.0, com um infostealer que roubava chaves de proxy. A dependência da equipe estava definida por um intervalo de versões; agora a versão está fixada e a imagem é espelhada em um registry próprio.
Para quem monta um acesso corporativo a LLMs, o resultado é uma lista curta. O mascaramento deve ser feito em um único ponto, na entrada, e não em cada aplicação. É melhor substituir por dados plausíveis do que por rótulos. O streaming precisa ser testado separadamente, e uma falha na proteção deve bloquear a requisição, não deixá-la passar. As versões dos componentes pelos quais passam todos os segredos devem ser fixadas.
- 18 de nov. de 2026Mellum, da JetBrains, roda localmente na IDE: em um MacBook M3 Pro, a nota foi 5 de 10
- 18 de nov. de 2026Claude Code reproduz a edição de um vídeo alheio na sua gravação por 1,1% do limite semanal
- 18 de nov. de 2026OpenAI lança IA jurídica: 95% menos fatos inventados do que o Claude Opus 5.5
- 18 de nov. de 2026Plugin Claude SEO executa até 17 agentes e audita um site com um único comando
Perguntas frequentes sobre a notícia
Por que sósias e não um rótulo [CARD]?
O jeito mais simples de esconder dados é trocar o número por um rótulo como [CARD]. Mas o modelo não distingue dois [CARD] iguais. Ele não entende que os cartões são diferentes, não confere valores e não consegue montar uma ordem de pagamento. Por isso, o gateway insere dados do mesmo tipo e formato. No lugar do UNP 192628898, o modelo vê outro UNP com dígito verificador válido; no lugar do cartão, um número que passa na verificação pelo algoritmo de Luhn; no lugar do IBAN, um valor com verificação mod-97 correta.
Como não mascarar o que não deve e não perder o número no streaming?
Uma regex simples de «9 dígitos» pega qualquer coisa: UNP, BIK, número de pedido. Por isso, cada ocorrência passa por uma verificação. No UNP, calcula-se o dígito verificador com pesos; nos cartões, usa-se o algoritmo de Luhn e o prefixo do banco emissor (BIN); no INN russo, o algoritmo da FNS (o fisco russo); no IBAN, mod-97. Mas nem o checksum resolve tudo: um número aleatório de nove dígitos passa na verificação do UNP em cerca de um caso em dez.
Onde erraram e o que ficou de fora?
Nomes completos não têm checksum, então são buscados pelo contexto: «Уважаемый», «господин», «клиент». Os autores descreveram com franqueza dois erros. Primeiro, o detector não conhecia papéis corporativos, e a frase «директор Иванов Пётр Сергеевич» seguia para o modelo em texto aberto. A lista foi ampliada (diretor, contador, sócio-fundador, empresário individual, procuração) e foi adicionado um teste com 11 formulações desse tipo. No detector antigo, todas falhavam.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.