maskinfly 0.1.8

Библиотека для маскировки чувствительных данных (пароли, токены, и т.д.) в строках, словарях и списках

maskinfly

maskinfly – универсальная библиотека для Python, объединяющая:

• Рекурсивную маскировку чувствительных данных (пароли, токены, email, номера карт, SSN, IP и др.)
• Лёгкий autograd и базовые компоненты для создания нейронных сетей (тензоры с автоматическим дифференцированием, слои, оптимизаторы).

Возможности

Маскировка данных

• Рекурсивная обработка dict, list, str, pydantic.SecretStr.
• Встроенные регулярные выражения: пароли, JWT, email, кредитные карты, SSN, IP-адреса, токены.
• Маскировка по имени переменной (например, password = "secret" → ***).
• Явное указание имени переменной через параметр var_name (рекомендуется для production).
• Аудит замен: логирование пути, причины, типа и хеша (SHA256) исходного значения.
• Гибкий аудит: форматы text или json, кастомный обработчик, имя приложения.
• Простой интерфейс: функция mask() или класс Masker.
• Поддержка pydantic.SecretStr (опционально).
• Кастомизация маскирующего символа и длины маски.
• Добавление собственных regex-паттернов через параметр custom_patterns.
• Корректная обработка циклических ссылок в изменяемых структурах.
• Маскировка по чувствительным путям (например, ключ "password" в словаре).
• Управление глубиной маскировки чувствительных ключей (deep_mask).

Autograd и нейронные сети

• Tensor – многомерный массив (обёртка над numpy) с поддержкой autograd.
• Автоматическое дифференцирование – градиенты скалярных функций через .backward().
• Базовые операции: сложение, умножение, матричное умножение, возведение в степень, релу, экспонента, логарифм, изменение формы, суммирование по оси, среднее, stack.
• Базовые слои: Linear, ReLU, Sequential.
• Функции потерь: mse_loss.
• Оптимизатор: SGD.
• Контекстный менеджер no_grad() для отключения вычисления градиентов.
• Функция is_grad_enabled() – проверка состояния вычисления градиентов.

Установка

'''bash

pip install maskinfly

Или из репозитария

git clone "https://github.com/MordantAcid/maskifly.git"

cd maskinfly

Быстрый старт Маскировка данных

from maskinfly import mask

Словарь с конфиденциальными полями

data = { "user": "alice", "password": "secret123", "token": "abc123xyz", "email": "[e-mail]" } masked = mask(data) print(masked)

{'user': 'alice', 'password': '', 'token': '', 'email': 'a***@example.com'}

По умолчанию длина маски – 3 символа, поэтому email маскируется как a***@example.com.# Строка с JWT jwt = "eyJhbGciOiJIUzI1NiIsInR5cCI6IkpXVCJ9.eyJzdWIiOiIxMjM0NTY3ODkwIn0.dozjgNryP4J3jVmNHl0w5N_XgL0n3I9PlFUP0THsR8U" print(mask(f"Authorization: {jwt}"))

'Authorization: ***'

Включение аудита (логи в stderr)

mask(data, audit_enabled=True)

Настройка символа и длины маски

mask("my_secret_password", mask_char='X', mask_length=5) # 'XXXXX' mask("[e-mail]", mask_char='', mask_length=4) # 'u***@example.com'

Явное указание имени переменной (рекомендуется) Автоматическое определение имени переменной (auto_varname=True) работает через интроспекцию стека и медленно. Для production используйте параметр var_name:

result = mask("my_secret_pass", var_name="password") print(result) # '***'

Маскировка по имени переменной (автоматическая, не для production)

Включите auto_varname (медленно, не рекомендуется)

secret = "my_secret_pass" result = mask(secret, auto_varname=True) print(result) # '***'

Добавление своих regex-паттернов

import re from maskinfly import mask

def my_replacer(match, mask_char, mask_length): return mask_char * mask_length

custom = { "my_id": (re.compile(r'\d{4}-\d{4}'), my_replacer) }

data = "User ID: 1234-5678" print(mask(data, custom_patterns=custom)) # 'User ID: ***'

Аудит с JSON и кастомным обработчиком

from maskinfly import AuditLogger, Masker

def custom_audit_handler(entry): # Отправить entry в Elasticsearch, Kafka и т.д. print(f"[CUSTOM] {entry}")

audit = AuditLogger(format='json', custom_handler=custom_audit_handler, app_name="my_app") masker = Masker(audit_enabled=True, audit_logger=audit) masker.mask({"api_key": "ABCD1234"})

Вызовет custom_audit_handler со словарём, содержащим timestamp, path, reason, hash и др.

Обработка циклических ссылок Masker корректно обрабатывает циклические ссылки, заменяя повторно встречающиеся объекты на маску:

from maskinfly import Masker

masker = Masker() d = {} d["self"] = d # цикл result = masker.mask(d) print(result) # {'self': '***'}

Работа с pydantic.SecretStr

from pydantic import SecretStr from maskinfly import mask

secret = SecretStr("very_secret") masked = mask(secret) print(masked) # '***'

Использование Masker с постоянными настройками

from maskinfly import Masker

masker = Masker(mask_char='#', mask_length=6) print(masker.mask("password=12345")) # 'password=######'

Autograd и нейронные сети Тензоры и автоматическое дифференцирование

from maskinfly import Tensor, no_grad from maskinfly.autograd import is_grad_enabled

Создание тензоров

a = Tensor([[1.0, 2.0], [3.0, 4.0]], requires_grad=True) b = Tensor([[5.0, 6.0], [7.0, 8.0]], requires_grad=True)

Операции

c = a.matmul(b) # матричное умножение loss = c.sum() # скалярная потеря loss.backward() # вычисление градиентов

print(a.grad) # градиент по a print(b.grad) # градиент по b

Пример с broadcasting, ReLU, экспонентой, логарифмом

x = Tensor([1.0, 2.0, 3.0], requires_grad=True) y = (x ** 2).relu().exp().log() y.mean().backward() print(x.grad)

Отключение градиентов

with no_grad(): d = a + b # здесь градиенты не вычисляются

Проверка состояния

print(is_grad_enabled()) # True

Дополнительные операции тензоров

t = Tensor([[1, 2], [3, 4]], requires_grad=True)

Суммирование по оси

s = t.sum(axis=0) s.backward(np.array([1, 1]))

Изменение формы

r = t.reshape(4) r.backward(np.ones(4))

Логарифм и экспонента

log_t = t.log() exp_t = t.exp()

Среднее значение

m = t.mean() m.backward()

Объединение тензоров

a = Tensor([1, 2], requires_grad=True) b = Tensor([3, 4], requires_grad=True) stacked = Tensor.stack([a, b], axis=0) stacked.sum().backward()

Простая нейронная сеть

from maskinfly import nn, optim from maskinfly.tensor import Tensor

Данные (XOR)

X = Tensor([[0, 0], [0, 1], [1, 0], [1, 1]], requires_grad=False) y = Tensor([[0], [1], [1], [0]], requires_grad=False)

Модель

model = nn.Sequential( nn.Linear(2, 4), nn.ReLU(), nn.Linear(4, 1) )

optimizer = optim.SGD(model.parameters(), lr=0.1)

Обучение

for epoch in range(1000): pred = model(X) loss = nn.mse_loss(pred, y)

optimizer.zero_grad()
loss.backward()
optimizer.step()

if epoch % 200 == 0:
    print(f"Epoch {epoch}, loss: {loss.data.item():.4f}")

Проверка

print(model(X).data)

Лицензия MIT. Подробнее в файле LICENSE.