為什麼 checksum 值得一整天

Day 11 實測 DLP 自訂 infoType 只能做 regex。[A-Z][12]\d{8} 這個模式在真實文本裡會命中什麼？工單編號、料號、某些銀行的交易序號——格式相同、實際不是身分證的字串到處都是。沒有 checksum，PII 偵測的誤判率會高到業務單位受不了。

這也是本系列 PII 的最後一天。再往下的去識別化策略、可控還原、特種個資語意層，請看《30 天為金融法務部門打造 LLM 個資防護閘》。

身分證字號

格式：一個英文字母 ＋ 一位性別碼（1／2，另有外來人口的 8／9）＋ 八位數字。

字母對應數字（A=10、B=11 … 但 I、O 等跳號），取十位與個位分別加權：

# checks/checksum.py
LETTER = {c: v for c, v in zip("ABCDEFGHJKLMNPQRSTUVXYWZIO",
                                [10,11,12,13,14,15,16,17,18,19,20,21,22,
                                 23,24,25,26,27,28,29,30,31,32,33,34,35])}
WEIGHTS = [1, 9, 8, 7, 6, 5, 4, 3, 2, 1, 1]

def tw_national_id(s: str) -> bool:
    if len(s) != 10 or s[0] not in LETTER or s[1] not in "12":
        return False
    if not s[2:].isdigit():
        return False
    n = LETTER[s[0]]
    digits = [n // 10, n % 10] + [int(c) for c in s[1:]]
    return sum(d * w for d, w in zip(digits, WEIGHTS)) % 10 == 0

【作者確認】字母對應表與新式外來人口統一證號（第二碼 8／9）的規則請對照內政部現行公告。

統一編號

八位數字，加權 1,2,1,2,1,2,4,1，各乘積的十位與個位相加後總和檢查。2023 年起規則放寬（由 mod 10 改為 mod 5），實作要用新規則，否則會漏掉新核發的統編。

def tw_ubn(s: str) -> bool:
    if len(s) != 8 or not s.isdigit():
        return False
    w = [1, 2, 1, 2, 1, 2, 4, 1]
    total = 0
    for d, k in zip(map(int, s), w):
        p = d * k
        total += p // 10 + p % 10
    if total % 5 == 0:
        return True
    # 第七位為 7 時的特例
    return s[6] == "7" and (total + 1) % 5 == 0

【作者確認】mod 5 新規則與第七位為 7 的特例，請對照財政部現行公告。

健保卡號

十二位數字，前四碼固定 0000。沒有公開的 checksum 演算法——這一項 L1 只能做格式比對，誤判率會比另外兩項高。實務上要搭配 hotword（前後 20 字內出現「健保」「卡號」）提升信心，否則任何 0000 開頭的十二位數字都會命中。

- id: PII-TW-NHI
  pattern: "0000\\d{8}"
  hotwords: ["健保", "卡號", "NHI"]
  hotword_window: 20
  action: mask
  confidence_without_hotword: low   # 無 hotword 時只 tag，不 mask

手機與信用卡

• 手機：09\d{8}，無 checksum，同樣用 hotword 提升信心。
• 信用卡：Luhn 演算法通用，不贅述；台灣發卡的 BIN 範圍可以再縮小誤判。

遮罩策略

L1 命中 PII 之後，mask 的具體做法要跟輸入端／輸出端分開（Day 11 講過的原則）：

保留型別的遮罩比整段拿掉好，因為它讓下游（人或程式）知道發生了什麼。

合成測試資料

絕對不用真實個資測試。 三種型別的合成資料都要通過 checksum（用生成器產生合法值），再混進正常文本：

def gen_tw_id():
    while True:
        s = random.choice(list(LETTER)) + random.choice("12") + \
            "".join(random.choices("0123456789", k=8))
        if tw_national_id(s):
            return s

實測：checksum 前後的誤判率

拿業務語料（含大量工單號、料號、交易序號）跑兩次：只用 regex、regex ＋ checksum。

明天預告

Day 17：Guard model 選型。ShieldGemma、Nemotron Safety Guard、Qwen3Guard、Prompt Guard——各自的設計目標、授權、語言覆蓋，以及金融業採購時繞不開的產地與內容政策問題。

追蹤 AId3fend

Instagram @aid3fend。掃 QR code 或點連結追蹤，有問題也歡迎直接私訊討論。

更多 AI 資安筆記：aid3fend.com