skillZs
★ LIVE SKILL TAGS ★
>>> LIVE SKILLS INDEX <<<
* OPEN SOURCE *
NO LOGIN, NO TRACKING
※ REAL INSTALL DATA ※
← back to all skills
goul4rt/lgpd-skills78 installs

lgpd-anonymization

Apply anonymization (Art. 5, XI) and pseudonymization (Art. 13, §4) techniques to take data out of LGPD scope or reduce risk in analytics pipelines. Use when user asks 'anonimizar', 'pseudonimizar', 'k-anonymity', 'differential privacy', 'tokenização', 'analytics LGPD', or designing analytics/ML pipelines.

How do I install this agent skill?

npx skills add https://github.com/goul4rt/lgpd-skills --skill lgpd-anonymization
view source ↗

Is this agent skill safe to install?

  • Gen Agent Trust Hubpass

    This skill provides comprehensive templates and best practices for implementing data anonymization and pseudonymization techniques following Brazilian LGPD standards. It includes implementation examples in Python and SQL that prioritize security best practices like using environment variables for keys and established statistical methods for privacy.

  • Socketpass

    No alerts

  • Snykpass

    Risk: LOW · No issues

What does this agent skill do?

Anonimização e Pseudonimização

Diferença crítica

Anonimização (Art. 5º, XI)Pseudonimização (Art. 13, § 4º)
Reversível?Não, considerando meios técnicos razoáveisSim, com info adicional segregada
Status LGPDFora do escopo (Art. 12)Continua sendo dado pessoal
Uso típicoEstatísticas públicas, datasets de pesquisaAnalytics interna, logs, redução de exposição
Risco residualBaixíssimo (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

Add the canonical catalog link to the repository README so users can inspect current installs and available audits. The publishing guide covers the complete discovery path.

<a href="https://skillzs.dev/skills/goul4rt/lgpd-skills/lgpd-anonymization">View lgpd-anonymization on skillZs</a>