200 ページの PDF からすべてのクレジット カード番号を手動で検索し、それぞれを個別に編集するのは面倒で時間がかかり、危険なほどエラーが発生しやすくなります。単一の番号の欠落は、防止可能なデータ侵害となります。パターン マッチングを使用したPDF 墨消し は、16 桁のクレジット カード番号など、指定された形式に一致するすべてのテキスト文字列を検索し、1 回の操作でドキュメント全体のすべてのインスタンスに墨消しマークを適用することで、このプロセスを自動化します。
正規表現マッチングまたは正規表現マッチングとも呼ばれるパターン マッチングは、特定の文字列ではなくテキスト パターンを定義します。このパターンは、事前に正確な値を知る必要がなく、機密データの形式をキャプチャします。墨消しツールを実行すると、ドキュメント内のすべてのテキストでパターンと一致するものが検索され、ページ上の各一致の位置が記録され、それらの位置の上に不透明な黒い四角形が描画されます。その後、基礎となるテキストが完全に削除されます。
WukongPDF の PDF Security ツールには、文書の共有または公開前に機密データを自動削除するパターンベースの編集機能が含まれています。
PDF テキストレイヤーでのパターンベースのリダクションの仕組み
パターンベースの墨消しは、PDF の外観ではなく、PDF のテキスト レイヤーに作用します。このツールは、すべてのページからすべてのテキスト コンテンツを抽出し、指定された正規表現パターンとの一致を検索し、各一致の正確な位置を記録します。次に、それらの位置の上に不透明な黒い四角形を描画し、その下にあるテキスト文字を永久に削除し、復元できない空白スペースに置き換えます。
パターンベースのリダクションの重要な制限は、実際の文字として保存されているテキストのみを検索することです。選択可能なテキストとしてではなく、スキャンされた画像の一部としてのみ存在するクレジット カード番号は検索されません。スキャンしたドキュメントの場合は、まず OCR を実行してテキスト レイヤーを作成し、次に OCR 出力に対してパターンベースの墨消しを実行する必要があります。それでも、OCR エラーにより、パターン照合で一部の数値が失われる可能性があります。
正規表現パターンは、PDF が内部的にテキストを保存する方法も考慮する必要があります。リーダーに 1234 5678 9012 3456 として表示されるクレジット カード番号は、スペースを挟んだ 4 つの別個のテキスト ブロックとして内部的に保存される場合があります。パターンは、これらの内部境界を越えて一致するのに十分な柔軟性を備えている必要があります。これは、数字グループ間にオプションのスペース、ハイフン、またはその他の区切り文字を許可することを意味します。
クレジット カード番号の正確な正規表現パターンの作成
クレジット カード番号のパターンは、精度と完全性のバランスをとる必要があります。形式 1234-5678-9012-3456 と完全に一致するパターンは、ハイフンで書かれた数字をキャッチしますが、1234567890123456 または 1234 5678 9012 3456 と書かれた同じ数字を見逃します。ちょうど 16 桁のシーケンスなど、広すぎるパターンは、口座番号、電話番号、その他の数字をキャッチします。編集すべきではない識別子。
数字グループ間にオプションの区切り文字を使用してパターンを構築します。 4 桁の各グループ間にハイフン、スペースを使用するか、区切り文字を使用しない式は、最も一般的な 3 つのクレジット カード番号形式をカバーします。完全な編集を行う前に、ドキュメントのコピーでパターンをテストします。すべての一致を確認して、パターンが意図したすべての機密データを検出し、表示されたままにする必要があるデータと一致しないことを確認します。
複数の種類の機密データを含むドキュメントの場合は、種類ごとに個別のパターンを作成し、個別の編集パスとして実行します。クレジット カード番号には 1 つのパターンと 1 つのパスが与えられます。社会保障番号は別のものを取得します。電子メールアドレスが 3 番目になります。個別のパス間で個別にレビューを行うことで、あるパターンからの誤検知が別のパターンの正しい一致に干渉するのを防ぎます。
ステップバイステップ: Acrobat Pro でのパターン編集の実行
Adobe Acrobat Pro で PDF を開き、[ツール]、[墨消し] の順に移動します。 [墨消し] ツールバーで、[墨消しのマーク] の横にあるドロップダウンをクリックし、[テキストの検索] を選択します。検索フィールドに正規表現パターンを入力し、「正規表現を使用する」ボックスをオンにします。 Acrobat は文書全体を検索し、一致したすべてのリストをページ番号ごとに検索結果パネルに表示します。
リダクションを適用する前に、すべての一致を確認します。パネル内の各一致をクリックすると、ページ上のその場所にジャンプします。一致したテキストに編集すべき機密データが本当に含まれていることを確認してください。いずれかの一致が誤検知である場合は、一致リストでそのチェックを外します。すべての一致を確認した後、「チェック済みの結果を墨消し用にマーク」をクリックします。 Acrobat は、チェックされたすべての項目に編集マークを付けます。最後に、ツールバーの「墨消しの適用」をクリックして、マークされたテキストを完全に削除します。
編集を適用した後、元のファイルと明確に区別できる新しい名前でファイルを保存します。編集されていない元のファイルは安全に保管するか、破棄する必要があります。編集されたファイルは、単に視覚的なオーバーレイで覆われているだけでなく、文書データから機密テキストが永久に削除されているため、安全に配布できるようになりました。
編集が完了したことの確認
完了したら、パターンベースの編集を適用した後、ドキュメントを共有する前に作業内容を確認します。編集された PDF を開き、元の PDF に存在する既知のクレジット カード番号を検索します。検索では結果がゼロになります。各ページのすべてのテキストを選択し、プレーン テキスト エディターにコピーします。コピーしたテキストには、クレジット カード番号や番号の一部を含めないでください。
ドキュメント ワークフローでは、編集が失敗した場合に法的または規制上の影響があるドキュメントについては、2 番目のレビュー担当者に出力を独立して検証してもらいます。 2 番目のレビュー担当者は、既知の機密パターンを検索し、すべてのページを視覚的にスキャンします。独立したレビュー担当者は、元のレビュー担当者が文書の内容に精通しているために見逃してしまう可能性のあるエラーを発見します。
自動検証後も目視検査は必要です。パターン マッチングは選択可能なテキストに対して機能します。 PDF に埋め込まれたクレジット カードの写真や、スキャンしたフォーム上の手書きの番号など、画像内にのみ表示されるクレジット カード番号は検出できません。このような場合、墨消しツールの描画モードを使用して手動で墨消しを行う必要があります。
エッジケースと非標準形式の処理
クレジット カード番号は、単純な正規表現パターンを無効にする非標準形式で表示されることがあります。 2 行のテキストに分割された数値、各桁の間にスペースを入れて書かれた数値、またはアカウント参照などの長い数値文字列に埋め込まれた数値はすべて、パターンの改良または手動レビューが必要です。
ドキュメントのワークフローでは、複数行にわたって折り返される数値の場合、パターンを拡張して、数字グループ間のオプションの区切り文字として改行文字を使用できるようにします。長い文字列に埋め込まれた数値の場合は、正規表現で単語境界アサーションを使用して、一致する数値が大きな識別子の一部ではなくスタンドアロンの数値であることを確認します。これらの改良にもかかわらず、機密データのごく一部は常に自動検出を回避し、手動による識別が必要になります。
手動レビュー中に結果を文書化して、将来のパターンの精度を向上させます。特定の非標準フォーマットが同じソースの複数の文書に出現する場合は、それを特に対象とするパターンを開発します。継続的な編集プロジェクトを通じて、パターン ライブラリはより包括的になり、手動レビューの負担が軽減されます。
| パターン | 一致 | 最適な用途 |
|---|---|---|
| \d{4}[- ]?\d{4}[- ]?\d{4}[- ]?\d{4} | オプションのセパレータ付きの 16 桁カード | ビザ、マスターカード、ディスカバー |
| \d{3}-\d{2}-\d{4} | 米国の社会保障番号の形式 | 税務書類の SSN 編集 |
| [A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Za-z]{2,} | メールアドレス | 連絡先情報の削除 |
再利用可能なリダクション パターン ライブラリの構築
FOIA への回答、裁判所への提出、または公的記録の公開のために文書を定期的に編集する組織は、再利用可能なパターン ライブラリの構築に投資する必要があります。ライブラリに追加する前に、代表的なドキュメント サンプルで各パターンをテストします。どのパターンがどの文書タイプに機能するかを文書化します。チーム全体でライブラリを共有し、すべてのメンバーが一貫した編集基準を適用できるようにします。
実用的な観点から見ると、実際には、パターン ライブラリには正規表現だけでなく、各パターンをいつ適用すべきか、いつ適用すべきでないかに関するメモも含める必要があります。米国の社会保障番号のパターンは、米国以外の情報源からの文書に適用すべきではありません。 16 桁のクレジット カード番号のパターンでは、アカウント番号の誤検知のリスクに注意する必要があります。明確なアプリケーション ガイダンスにより、使用するように設計されていないコンテキストでのパターンの誤用を防ぎます。
少なくとも年に一度、パターン ライブラリを確認して更新します。支払いカードの形式は進化します。新しい種類の機密データが規制を通じて出現します。古いパターンでは、ドキュメント形式が変更されると誤検知の問題が発生する可能性があります。維持されたパターン ライブラリは、使用するたびに改善される生きた組織資産です。
パターンベースの秘匿化により、機密データのすべてのインスタンスを手動で見つけて秘匿化するという退屈で危険なタスクが、人による検証による自動プロセスに変換されます。パターンは一致するものを見つけます。人間はそれらを確認します。これらを組み合わせることで、単独では達成できない品質の編集が実現されます。
コンプライアンス監査のための編集記録のアーカイブ
機密性の高い編集プロジェクトが完了したら、使用したパターン、見つかって編集された一致の数、出力を検証したレビュー担当者の ID をアーカイブします。この文書は、体系的な編集プロセスが実行されたことを示す監査記録として機能します。データ侵害の調査やコンプライアンス監査が発生した場合、編集記録はデューデリジェンスの証拠となります。
これを広く見ると、実際には、監査記録には、元のファイル名、編集日、適用された特定のパターン、パターンごとに見つかった一致の総数、編集された出力をレビューして承認した人の名前が含まれる必要があります。各編集プロジェクトの最後に完成する単純なテキスト ファイルまたはスプレッドシート テンプレートは、記入するのに数分かかり、永続的なコンプライアンスの価値を提供します。
特定のデータ保護措置を義務付ける PCI-DSS、HIPAA、または GDPR などの規制の対象となる組織の場合、文書化された編集手順がコンプライアンスの実証をサポートします。この手順は、文書が管理された環境から離れる前に文書から機密データを削除するための、定義された反復可能なプロセスを組織が持っていることを示しています。