3535// 就会把长度相近的订单号 / 内部编号吃进来,而 PII 这一档的误杀面已经比密钥大一档。
3636// - 银行卡号加 Luhn 校验:`0000000000000000`、`4111111111111112` 这类形状对但校验
3737// 不过的串不报。少了这道校验,任何 16 位数字串(订单号、时间戳拼接)都会命中。
38+ // - 身份证同样加校验位(GB 11643 / ISO 7064 MOD 11-2):位数对但校验不过的 18 位
39+ // 数字串不报。原先只有银行卡有校验、身份证没有,结果是 18 位纯数字先被身份证规则
40+ // 命中,反倒绕过银行卡那条的 Luhn。
3841//
3942// 归一化:这里**不**用 content-hash.js 的 normalizeForHash。那套口径(NFKC → 小写 →
4043// 去标点)是为「只差格式的两条写入是否同一件事」定的,判据要的是原串的形状——大小写
@@ -64,7 +67,12 @@ const SECRET_RULES = [
6467 // 可能有 `RSA` / `EC` / `OPENSSH`,所以中间那段是 [A-Z ]*。
6568 { kind : "private_key" , label : "PEM private key" , re : / - - - - - B E G I N [ A - Z ] * P R I V A T E K E Y - - - - - / } ,
6669 { kind : "jwt" , label : "JSON Web Token" , re : / \b e y J [ A - Z a - z 0 - 9 _ - ] { 8 , } \. [ A - Z a - z 0 - 9 _ - ] { 8 , } \. [ A - Z a - z 0 - 9 _ - ] { 8 , } / } ,
67- { kind : "connection_string" , label : "credentials in URL" , re : / \b [ a - z ] [ a - z 0 - 9 + . - ] * : \/ \/ [ ^ \s / : @ ] + : [ ^ \s / : @ ] { 6 , } @ / } ,
70+ // scheme 与 userinfo 两段都加上界。scheme 那段的 `*` 作用在含 `.` 的字符类上,
71+ // 一条长点分串(包名 / 路径 / 版本链)里每个起点都要一路回溯到结尾才发现没有
72+ // `://` → 与 email 同源的 O(n²)(实测 120KB 对抗串里这条占 4.1 秒)。
73+ // URL scheme 名本就短、`user:password` 也不会长到 64,上界只钉住回溯面,
74+ // 真实连接串一条不少。
75+ { kind : "connection_string" , label : "credentials in URL" , re : / \b [ a - z ] [ a - z 0 - 9 + . - ] { 0 , 31 } : \/ \/ [ ^ \s / : @ ] { 1 , 64 } : [ ^ \s / : @ ] { 6 , } @ / } ,
6876 // Stripe 排在通用 `sk-` 之前:`sk_live_…` 两条规则都吃,先到的那条决定 kind。
6977 // 只认 sk_live_(生产密钥):sk_test_ 是公开测试密钥,报它是纯误杀。
7078 { kind : "stripe_key" , label : "Stripe secret key" , re : / \b s k _ l i v e _ [ A - Z a - z 0 - 9 ] { 16 , } \b / } ,
@@ -79,7 +87,11 @@ const SECRET_RULES = [
7987 // alphabet——凭据值没有通用形状,能通用的只有「它不像占位符」。
8088 kind : "assigned_secret" ,
8189 label : "assigned credential literal" ,
82- re : / (?: ^ | [ ^ A - Z a - z 0 - 9 _ ] ) (?: p a s s w o r d | p a s s w d | p w d | s e c r e t | a p i [ _ - ] ? k e y | t o k e n ) \b \s * [: = ] \s * [ " ' ] ? ( [ ^ \s " ' ] { 8 , } ) / i,
90+ // 左边界不能把 `_` 排除在外:环境变量名正是拿 `_` 当分隔符,排除它会让
91+ // `DB_PASSWORD=` / `MY_API_KEY=` / `MYSQL_PASSWORD=` 整类漏放(只有恰好落在
92+ // 行首的 `API_KEY=` 能中)。放宽后 #332 那套 26 条语料(含 12 条负样本)全绿,
93+ // 说明原写法不是语料换来的取舍。挡误杀的是下面那道占位符守卫,不是这个边界。
94+ re : / (?: ^ | [ ^ A - Z a - z 0 - 9 ] ) (?: p a s s w o r d | p a s s w d | p w d | s e c r e t | a p i [ _ - ] ? k e y | t o k e n ) \b \s * [: = ] \s * [ " ' ] ? ( [ ^ \s " ' ] { 8 , } ) / i,
8395 // 占位符守卫:右边是尖括号占位、shell / 模板变量、环境变量读取、或一串 x / * / …
8496 // 时不算命中。少这道守卫,`password: <redacted>` 与 `token: ${TOKEN}` 都会被报,
8597 // 而它们正是「配置里该怎么写」的示例文本。
@@ -93,10 +105,15 @@ const PII_RULES = [
93105 label : "email address" ,
94106 // 先看 TLD 再看 `@`:反过来的 `(?:[A-Za-z]{2,}\.)+[A-Za-z]{2,}` 对
95107 // `[email protected] ` 这类可以回溯出指数条路径。 96- re : / \b [ A - Z a - z 0 - 9 . _ % + - ] + @ (?: [ A - Z a - z 0 - 9 - ] + \. ) + [ A - Z a - z ] { 2 , } \b /
108+ // local part 的 `+` 必须加上界。该字符类含 `.`,所以一条长点分串(包名 / 路径 /
109+ // 版本链)后跟一个 `@` 时,每个起点都要重扫到那个 `@` 才失败 → 整体 O(n²)。
110+ // 实测 120KB 对抗串 23.5 秒里这条占 18.6 秒,34KB 点分链要 0.6 秒;本判据在写入
111+ // 路径上同步跑,等于把写入阻塞住。64 是 RFC 5321 给 local part 的上限,加上界
112+ // 不缩检测面——放弃的只是长于 64 的非法形状。
113+ re : / \b [ A - Z a - z 0 - 9 . _ % + - ] { 1 , 64 } @ (?: [ A - Z a - z 0 - 9 - ] + \. ) + [ A - Z a - z ] { 2 , } \b /
97114 } ,
98115 { kind : "cn_mobile" , label : "mainland mobile number" , re : / (?< ! \d ) 1 [ 3 - 9 ] \d { 9 } (? ! \d ) / } ,
99- { kind : "cn_id_card" , label : "mainland ID number" , re : / (?< ! [ 0 - 9 A - Z a - z ] ) \d { 17 } [ \d X x ] (? ! [ 0 - 9 A - Z a - z ] ) / } ,
116+ { kind : "cn_id_card" , label : "mainland ID number" , re : / (?< ! [ 0 - 9 A - Z a - z ] ) \d { 17 } [ \d X x ] (? ! [ 0 - 9 A - Z a - z ] ) / , cnId : true } ,
100117 { kind : "bank_card" , label : "payment card number" , re : / (?< ! \d ) (?: \d { 13 , 19 } ) (? ! \d ) / , luhn : true }
101118] ;
102119
@@ -124,6 +141,19 @@ function passesLuhn(value) {
124141 return sum % 10 === 0 ;
125142}
126143
144+ // 大陆身份证校验位(GB 11643 / ISO 7064 MOD 11-2)。与银行卡的 Luhn 同理:18 位
145+ // 数字串在项目记忆里很常见(订单号、内部编号、拼接时间戳),位数这个形状拦不住它们,
146+ // 而校验位是身份证自带的、零成本的第二道形状。权重序列与余数映射都是标准值,别改。
147+ const CN_ID_WEIGHTS = [ 7 , 9 , 10 , 5 , 8 , 4 , 2 , 1 , 6 , 3 , 7 , 9 , 10 , 5 , 8 , 4 , 2 ] ;
148+ const CN_ID_CODES = "10X98765432" ;
149+ /** @param {string } value 命中串(17 位数字 + 校验位,校验位可为 X) */
150+ function passesCnId ( value ) {
151+ if ( ! / ^ \d { 17 } [ \d X x ] $ / . test ( value ) ) return false ;
152+ let sum = 0 ;
153+ for ( let i = 0 ; i < 17 ; i ++ ) sum += Number ( value [ i ] ) * CN_ID_WEIGHTS [ i ] ;
154+ return CN_ID_CODES [ sum % 11 ] === value [ 17 ] . toUpperCase ( ) ;
155+ }
156+
127157/**
128158 * 扫一段文本里的密钥 / PII。命中返回 `{kind, label}`、未命中返回 null,不抛。
129159 *
@@ -141,6 +171,7 @@ export function scanSensitive(value) {
141171 // 守卫只看捕获组:没有捕获组的规则天然没有守卫。
142172 if ( rule . guard && ! rule . guard ( match [ 1 ] ?? "" ) ) continue ;
143173 if ( rule . luhn && ! passesLuhn ( match [ 0 ] ) ) continue ;
174+ if ( rule . cnId && ! passesCnId ( match [ 0 ] ) ) continue ;
144175 return { kind : rule . kind , label : rule . label } ;
145176 }
146177 return null ;
0 commit comments