¿Algoritmo criptográfico para anonimizar cadenas de manera pronunciable?

Puedes probar un hash de sílaba.

Comience con un algoritmo hash básico para digerir los identificadores de datos individuales; no es necesario que realmente sea criptográfico, y lo recomiendo en contra. La mayoría de las implementaciones producirán una matriz de bytes que es perfecta; unos pocos producirán una única primitiva más grande o matrices de primitivas más grandes, en cuyo caso querrá dividirlas en bytes.

Luego, busque o cree una búsqueda de posibles valores de byte que se asignen a pares de valores de consonantes simples (Ba, Be, Bi, Bo, Bu, Cha, Che, Chi, Cho, Chu, Da, De, Di, Do , Du etc). El orden de las sílabas y su asignación a los valores de bytes no importa; el hashing es la parte no reversible de la operación, no la asignación de sílabas. Recuerde que solo obtiene 256, y si usa un hash seguro, también podría ser conveniente incluir algunas asignaciones que agreguen información sin agregar una sílaba (un guión o vocales que se agregarían a la vocal de la sílaba anterior para crear un diptong o digraph).

Con un hash de suma de comprobación básico de 32 bits como FNV-1 o Murmur, esto le dará palabras de construcción aparentemente aleatoria en el rango de 2-4 sílabas con una tendencia promedio alta (y la posibilidad de palabras reconocibles de una sílaba son casi inexistente, especialmente si los ceros iniciales se tratan de la misma manera que los ceros en línea o en la matriz de bytes). Usando un hash criptográfico, es probable que tenga que plegar XOR los bytes, ya que algo como SHA-1 le dará palabras de 10 sílabas, por lo que recomendaría un hash criptográfico.

Probablemente sonará como un japonés de realidad alternativa, pero podrás pronunciar los identificadores resultantes. Para hacer que suene más en inglés, puede comenzar con una lista de las sílabas en inglés más comunes, como this . Sin embargo, esta lista incluirá sílabas que son comunes porque son prefijos o sufijos de las raíces de palabras, mientras que las inyectarás en lugares aleatorios de la palabra.

¿Qué estás tratando de lograr? ¿Desea anonimizar una base de datos con datos confidenciales para poder compartirla de manera segura con un equipo de prueba de control de calidad externo sin comprometer el contenido? En este caso, anonimizar los nombres de personas y empresas no es suficiente, porque el resto de los datos también tiene una huella que permite sacar conclusiones al propietario de los datos. También dijo que cada dato debería asignarse a un hash y viceversa, pero no debería ser reversible. Esto es una contradicción, no es posible lograr ambos.

Con respecto a un algoritmo, observe cómo PGP crea huellas digitales. Son pronunciables y hashes, que consisten en una secuencia de palabras en inglés.

Si bien la función hash en sí misma no es reversible, los hashes permiten identificar de forma única un registro que pertenece a este hash.

Hay clones de código abierto de PGP disponibles, por lo que debería poder obtener el código fuente.

En lugar de hash, puede agregar un campo que complete con cadenas aleatorias generadas por un algoritmo como:

void Main()
{
    MakeRandomString(4).Dump();
}


private string MakeRandomString(int n)  
{  
    var bits = new List<string>()  
    {  
            "na",  "bla",  "chee",  "dee",  "ay",              
            "tree", "th",  "goo",  "foo",              
            "ook",  "ta",  "bee",              
            "zoo",  "ai",  "kawee",  "jam",  "ya"            
    };  

    StringBuilder sb = new StringBuilder();  
    Random r = new Random();  
    for (int i = 0; i < n; i++)  
    {  
        sb.Append(bits[r.Next(bits.Count)]);  
    }  

    return sb.ToString();  
}  

Esto creará palabras de fantasía aleatorias como:

cheekaweefoobla
yataaitree
deetreenana

Es un código ligeramente cambiado que tomé de aquí . Para exportar puedes usar ese campo como referencia. Será capaz de mapear la fila original. Puede mejorar el código anterior utilizando un generador criptográfico aleatorio.