01
데이터 입력
CSV·TSV·TXT를 붙여넣거나 5MB 이하 파일을 선택하세요.
EDUCATION UTILITY
데이터 비식별화 실습 도구
이름·주민번호·연락처 같은 식별정보와 민감 수치를 자동 추천하고, 원본 파일 형식과 이름·사번·급여의 표시 규격을 유지하면서 변환 전후 효용을 비교합니다.
🔒 브라우저 안에서만 처리입력한 원본은 Baryon 서버나 AI 모델로 전송하지 않습니다.
02
처리 정책 확인
자동 추천을 검토하고 회사 교육 기준에 맞게 바꾸세요.
03
원본과 결과 비교
자동 결과를 그대로 사용하지 말고 행과 컬럼을 표본 대조하세요.
원본
비식별화 후보 결과
04
수치 효용 비교
급여·금액의 평균·표준편차·범위를 원본과 결과로 비교해 숫자 변동의 한계를 확인합니다.
LEARN
주요 비식별화 기법
같은 컬럼도 교육 목적과 재식별 위험에 따라 다른 방법을 선택합니다.
이름·전화번호처럼 필요하지 않은 원본 값을 완전히 비웁니다.
HMAC 기반 매핑으로 같은 원본은 같은 가명을 사용하고, 이름 글자 수와 사번의 접두사·구분자·자리수를 유지합니다.
연락처·이메일·주민번호의 일부를 별표로 가려 직접 식별을 줄입니다.
나이·주소·날짜를 구간이나 상위 지역처럼 더 넓은 단위로 바꿉니다.
급여·비용·수량을 시드 기반 범위 안에서 바꿔 교육용 패턴을 만듭니다.
줄글의 이름 문맥, 주민번호, 연락처, 이메일과 단위 수치를 탐지하고 잔여 후보는 검토 대상으로 표시합니다.
이 도구는 법적 익명정보 판정이나 재식별 불가능성을 보장하지 않습니다. 표시 형식 유지나 제한 잡음은 데이터 효용을 높이지만 고유값·극단값의 재식별 위험을 없애지 않습니다. 실제 사내 자료는 회사 승인, 최소 수집, 결과 검토와 별도의 보안 절차를 거친 뒤 사용하세요.
오픈소스 Faker 한국어 로케일(MIT)을 이름 표면형 생성에 사용하며, 브라우저 Web Crypto HMAC으로 가명 매핑을 결정합니다.