MCP Server Conceal

🚀 MCP Conceal

MCP Conceal 是一個 MCP 代理，它可以在數據到達 Claude、ChatGPT 或 Gemini 等外部 AI 提供商之前，對個人身份信息（PII）進行偽匿名化處理。該工具通過偽匿名化而非簡單的信息刪除，保留了 AI 分析所需的語義和數據關係。例如，john.smith@acme.com 會被轉換為 mike.wilson@techcorp.com，在保護敏感信息的同時保持了數據結構。

🚀 快速開始

前提條件

安裝用於基於大語言模型（LLM）的 PII 檢測的 Ollama：

1. 安裝 Ollama：ollama.ai
2. 拉取模型：ollama pull llama3.2:3b
3. 驗證安裝：curl http://localhost:11434/api/version

基本用法

創建一個最小化的 mcp-server-conceal.toml 配置文件：

[detection]
mode = "regex_llm"

[llm]
model = "llama3.2:3b"
endpoint = "http://localhost:11434"

所有可用的配置選項請參考配置部分。

作為代理運行：

mcp-server-conceal \
  --target-command python3 \
  --target-args "my-mcp-server.py" \
  --config mcp-server-conceal.toml

✨ 主要特性

• 偽匿名化處理：在保護敏感信息的同時，保留 AI 分析所需的語義和數據關係。
• 多種檢測模式：支持基於正則表達式、大語言模型或兩者結合的 PII 檢測模式，可根據性能要求和數據複雜度進行選擇。
• 一致映射：確保相同的真實 PII 始終映射到相同的虛假數據，便於數據的一致性和可追溯性。
• 可配置性：提供豐富的配置選項，包括檢測閾值、數據生成區域、映射數據庫路徑等。

📦 安裝指南

下載預構建二進制文件

1. 訪問 發佈頁面

2. 下載適合你平臺的二進制文件： | 平臺 | 二進制文件 | |------|------| | Linux x64 | mcp-server-conceal-linux-amd64 | | macOS Intel | mcp-server-conceal-macos-amd64 | | macOS Apple Silicon | mcp-server-conceal-macos-aarch64 | | Windows x64 | mcp-server-conceal-windows-amd64.exe |

3. 賦予執行權限：chmod +x mcp-server-conceal-* （Linux/macOS）

4. 添加到系統路徑：

   • Linux/macOS：mv mcp-server-conceal-* /usr/local/bin/mcp-server-conceal
   • Windows：將文件移動到系統路徑中的目錄，或者將當前目錄添加到系統路徑。

從源代碼構建

git clone https://github.com/gbrigandi/mcp-server-conceal
cd mcp-server-conceal
cargo build --release

二進制文件位置：target/release/mcp-server-conceal

💻 使用示例

基礎用法

mcp-server-conceal \
  --target-command python3 \
  --target-args "my-mcp-server.py" \
  --config mcp-server-conceal.toml

高級用法

Claude 桌面集成

配置 Claude 桌面以代理 MCP 服務器：

{
  "mcpServers": {
    "database": {
      "command": "mcp-server-conceal",
      "args": [
        "--target-command", "python3",
        "--target-args", "database-server.py --host localhost",
        "--config", "/path/to/mcp-server-conceal.toml"
      ],
      "env": {
        "DATABASE_URL": "postgresql://localhost/mydb"
      }
    }
  }
}

自定義 LLM 提示

為特定領域自定義檢測提示： 模板位置：

• Linux：~/.local/share/mcp-server-conceal/prompts/
• macOS：~/Library/Application Support/com.mcp-server-conceal.mcp-server-conceal/prompts/
• Windows：%LOCALAPPDATA%\\com\\mcp-server-conceal\\mcp-server-conceal\\data\\prompts\\

使用方法：

1. 運行一次 MCP Conceal 以在提示目錄中自動生成 default.md：

   mcp-server-conceal --target-command echo --target-args "test" --config mcp-server-conceal.toml
   

2. 複製模板：cp default.md healthcare.md
3. 編輯模板以匹配特定領域的 PII 模式
4. 配置使用自定義模板：prompt_template = "healthcare"

傳遞環境變量

將環境變量傳遞給目標進程：

mcp-server-conceal \
  --target-command node \
  --target-args "server.js" \
  --target-cwd "/path/to/server" \
  --target-env "DATABASE_URL=postgresql://localhost/mydb" \
  --target-env "API_KEY=secret123" \
  --config mcp-server-conceal.toml

📚 詳細文檔

配置

完整的配置參考如下：

[detection]
mode = "regex_llm"                # 檢測策略：regex, llm, regex_llm
enabled = true                    
confidence_threshold = 0.8        # 檢測置信度閾值 (0.0-1.0)

[detection.patterns]
email = "\\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\\.[A-Z|a-z]{2,}\\b"
phone = "\\b(?:\\+?1[-\\.\\s]?)?(?:\\(?[0-9]{3}\\)?[-\\.\\s]?)?[0-9]{3}[-\\.\\s]?[0-9]{4}\\b"
ssn = "\\b\\d{3}-\\d{2}-\\d{4}\\b"
credit_card = "\\b\\d{4}[-\\s]?\\d{4}[-\\s]?\\d{4}[-\\s]?\\d{4}\\b"
ip_address = "\\b(?:(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\\.){3}(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\\b"
url = "https?://[^\\s/$.?#].[^\\s]*"

[faker]
locale = "en_US"                  # 用於生成逼真虛假 PII 數據的區域設置
seed = 12345                      # 種子確保重啟時匿名化的一致性
consistency = true                # 相同的真實 PII 始終映射到相同的虛假數據

[mapping]
database_path = "mappings.db"     # 存儲真實到虛假映射的 SQLite 數據庫
retention_days = 90               # N 天后刪除舊的映射

[llm]
model = "llama3.2:3b"             # 用於 PII 檢測的 Ollama 模型
endpoint = "http://localhost:11434"
timeout_seconds = 180
prompt_template = "default"       # PII 檢測提示的模板

[llm_cache]
enabled = true                    # 緩存 LLM 檢測結果以提高性能
database_path = "llm_cache.db"
max_text_length = 2000

配置指南

檢測設置：

• confidence_threshold：較低的值（0.6）可以捕獲更多的 PII，但會增加誤報率；較高的值（0.9）更精確，但可能會遺漏一些 PII。
• mode：根據你的延遲和準確性要求選擇（見下面的檢測模式）

Faker 設置：

• locale：使用 "en_US" 生成美國姓名/地址，"en_GB" 生成英國姓名/地址等，影響生成的虛假數據的真實性。
• seed：在部署過程中保持一致，以確保相同的真實數據映射到相同的虛假數據。
• consistency：始終設置為 true 以維護數據關係。

映射設置：

• retention_days：在數據一致性和存儲之間進行平衡。較短的保留期（30 天）可以減少存儲，但可能會導致重複數據的匿名化不一致。
• database_path：在生產環境中使用絕對路徑，以避免數據庫位置問題。

檢測模式

根據你的性能要求和數據複雜度選擇檢測策略：

RegexLlm（默認）

適用於生產環境 - 結合了速度和準確性：

• 階段 1：快速的正則表達式捕獲常見模式（電子郵件、電話、社保號碼）
• 階段 2：大語言模型分析剩餘文本以檢測複雜的 PII
• 適用場景：需要全面檢測且性能合理的情況
• 性能：每個請求約 100 - 500 毫秒，具體取決於文本大小
• 配置：mode = "regex_llm"

僅使用正則表達式

適用於高吞吐量、對延遲敏感的應用程序：

• 僅使用模式匹配 - 不進行 AI 分析
• 適用場景：你有明確的 PII 模式，並且需要小於 10 毫秒的響應時間
• 權衡：可能會遺漏一些上下文相關的 PII，如 "my account number is ABC123"
• 配置：mode = "regex"

僅使用大語言模型

適用於複雜、非結構化數據：

• 基於 AI 的檢測可以捕獲細微的 PII 模式
• 適用場景：準確性比速度更重要的情況
• 性能：每個請求約 200 - 1000 毫秒
• 配置：mode = "llm"

🔧 技術細節

MCP Conceal 的工作流程如下：

sequenceDiagram
    participant C as AI 客戶端 (Claude)
    participant P as MCP Conceal
    participant S as 你的 MCP 服務器
    
    C->>P: 請求
    P->>S: 請求
    S->>P: 包含 PII 的響應
    P->>P: PII 檢測
    P->>P: 偽匿名化
    P->>P: 一致映射
    P->>C: 清理後的響應

它通過偽匿名化而非簡單的信息刪除，保留了 AI 分析所需的語義和數據關係。例如，john.smith@acme.com 會被轉換為 mike.wilson@techcorp.com，在保護敏感信息的同時保持了數據結構。

📄 許可證

本項目採用 MIT 許可證，詳情請參閱 LICENSE 文件。