lgpd-anonymization

Anonimização e Pseudonimização

Diferença crítica

	Anonimização (Art. 5º, XI)	Pseudonimização (Art. 13, § 4º)
Reversível?	Não, considerando meios técnicos razoáveis	Sim, com info adicional segregada
Status LGPD	Fora do escopo (Art. 12)	Continua sendo dado pessoal
Uso típico	Estatísticas públicas, datasets de pesquisa	Analytics interna, logs, redução de exposição
Risco residual	Baixíssimo (re-identificação)	Médio (depende da segurança da chave)

Técnicas

Pseudonimização

• Tokenização determinística: substitui PII por token; mapping mantido em vault separado
• Hashing com salt (cuidado — sem salt aleatório, é reversível por força bruta para campos de baixa entropia como CPF)
• Format-preserving encryption quando o formato precisa ser mantido

Anonimização

• Generalização: idade exata → faixa (25-34); CEP → cidade
• Supressão: remoção de campos identificadores
• Perturbação: adicionar ruído aleatório
• k-anonymity (k ≥ 5): cada combinação de quasi-identificadores aparece em ≥ k registros
• l-diversity, t-closeness: refinamentos para resistir a ataques de inferência
• Differential privacy (ε pequeno): garantia matemática contra re-identificação

Pipeline típico de analytics

[Postgres prod] → ETL com pseudonimização (token PII) → [Analytics DW] → Generalização + k-anonymity → [Dashboards públicos]

Anti-padrões

• ❌ "Removemos o nome" e mantemos CPF, e-mail, endereço — não é anonimização
• ❌ Hash de CPF sem salt único — facilmente reversível (~210 milhões de combinações)
• ❌ ID interno como "pseudônimo" se está exposto em URLs e logs — não é pseudonimização
• ❌ Agregação só por região quando dataset tem campos suficientes para inferência cruzada

Implementação

Ver assets/anonymization-recipes.md para receitas concretas em SQL e Python.

Re-identificação — teste obrigatório

Antes de declarar um dataset "anonimizado":

1. Linkage attack: tente combinar com dataset público
2. Inference attack: estime atributo sensível a partir dos outros
3. Singling out: existe registro único na base?

Se algum passa → dataset ainda é dado pessoal.

Status update

## F (legacy L6) — Anonimização ✓
- Pipelines de analytics revisados
- {N} datasets passados por pseudonimização
- {M} datasets passados por anonimização (k=5+)
- Vault de tokens isolado
- Próximo: lgpd-dsar (legacy) ou conforme pipeline