Mcp Proxy For Pii Pseudo Anonymization

MCP Conceal

Claude、ChatGPT、Gemini などの外部 AI プロバイダーにデータが届く前に、PII を仮名化する MCP プロキシです。

sequenceDiagram
    participant C as AI Client (Claude)
    participant P as MCP Conceal
    participant S as Your MCP Server
    
    C->>P: Request
    P->>S: Request
    S->>P: Response with PII
    P->>P: PII Detection
    P->>P: Pseudo-Anonymization
    P->>P: Consistent Mapping
    P->>C: Sanitized Response

MCP Conceal は、AI 分析に必要な意味やデータ間の関係を保つため、マスキングではなく仮名化を行います。例：[email protected] は [email protected] に置き換えられ、機密情報を保護しながら構造を維持します。

インストール

ビルド済みバイナリのダウンロード

1. リリースページにアクセスします
2. お使いのプラットフォーム用のバイナリをダウンロードします：

プラットフォーム	バイナリ
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. 実行可能にします：chmod +x mcp-server-conceal-*（Linux/macOS）
4. PATH に追加します：
   • Linux/macOS：mv mcp-server-conceal-* /usr/local/bin/mcp-server-conceal
   • Windows：PATH 内のディレクトリに移動するか、現在のディレクトリを PATH に追加します

ソースからビルド

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

バイナリの場所：target/release/mcp-server-conceal

クイックスタート

前提条件

LLM ベースの PII 検出のために Ollama をインストールします：

1. Ollama をインストールします：ollama.ai
2. モデルを取得します：ollama pull llama3.2:3b
3. 確認します：curl http://localhost:11434/api/version

基本的な使い方

最小構成の mcp-server-conceal.toml を作成します：

[detection]
mode = "regex_llm"

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

使用可能なすべてのオプションについては、設定セクションを参照してください。

プロキシとして実行します：

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

設定

設定の完全なリファレンス：

[detection]
mode = "regex_llm"                # Detection strategy: regex, llm, regex_llm
enabled = true                    
confidence_threshold = 0.8        # Detection confidence threshold (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"                  # Locale for generating realistic fake PII data
seed = 12345                      # Seed ensures consistent anonymization across restarts
consistency = true                # Same real PII always maps to same fake data

[mapping]
database_path = "mappings.db"     # SQLite database storing real-to-fake mappings
retention_days = 90               # Delete old mappings after N days

[llm]
model = "llama3.2:3b"             # Ollama model for PII detection
endpoint = "http://localhost:11434"
timeout_seconds = 180
prompt_template = "default"       # Template for PII detection prompts

[llm_cache]
enabled = true                    # Cache LLM detection results for performance
database_path = "llm_cache.db"
max_text_length = 2000

設定のガイドライン

検出設定：

• confidence_threshold：値を低く（0.6）すると、より多くの PII を検出できますが、誤検出も増えます。値を高く（0.9）すると精度は上がりますが、一部の PII を見逃す可能性があります。
• mode：レイテンシと精度の要件に応じて選択します（以下の検出モードを参照）

Faker 設定：

• locale：「en_US」はアメリカの氏名や住所、「en_GB」はイギリスの氏名や住所などを使用します。生成される偽データのリアリティに影響します
• seed：同じ実データが同じ偽データに対応するように、デプロイ間で一貫した値を使用します
• consistency：データ間の関係を維持するため、常に true のままにしてください

マッピング設定：

• retention_days：データの一貫性とストレージのバランスを取ります。期間を短く（30 日）するとストレージを削減できますが、繰り返し使われるデータの匿名化に一貫性がなくなる場合があります
• database_path：データベースの場所に関する問題を避けるため、本番環境では絶対パスを使用します

検出モード

パフォーマンス要件とデータの複雑さに基づいて、検出方式を選択します：

RegexLlm（デフォルト）

本番環境に最適 — 速度と精度を両立します：

• フェーズ 1：高速な正規表現で一般的なパターン（メールアドレス、電話番号、SSN）を検出します
• フェーズ 2：LLM が残りのテキストを分析し、複雑な PII を検出します
• 使用する場合：妥当なパフォーマンスを維持しつつ、包括的な検出が必要な場合
• パフォーマンス：テキストサイズに応じて、リクエストごとに約 100～500 ミリ秒
• 設定：mode = "regex_llm"

Regex のみ

大量処理やレイテンシに敏感なアプリケーションに最適：

• パターンマッチングのみを使用します。AI 分析は行いません
• 使用する場合：PII のパターンが明確に定義されており、10 ミリ秒未満の応答が必要な場合
• トレードオフ：「口座番号は ABC123 です」のような文脈に依存する PII を見逃す可能性があります
• 設定：mode = "regex"

LLM のみ

複雑で構造化されていないデータに最適：

• AI を活用した検出により、微妙な PII のパターンも検出します
• 使用する場合：速度よりも精度が重要な場合
• パフォーマンス：リクエストごとに約 200～1000 ミリ秒
• 設定：mode = "llm"

高度な使い方

Claude Desktop との統合

MCP サーバーをプロキシするように Claude Desktop を設定します：

{
  "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"
      }
    }
  }
}

カスタム LLM プロンプト

特定のドメイン向けに検出プロンプトをカスタマイズします。

テンプレートの場所：

• 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. MCP Conceal を一度実行し、プロンプトディレクトリに default.md を自動生成します。

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

2. コピーします：cp default.md healthcare.md
3. ドメイン固有の PII パターンに合わせてテンプレートを編集します。
4. 設定します：prompt_template = "healthcare"

環境変数

環境変数をターゲットプロセスに渡します。

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

トラブルシューティング

デバッグログを有効にします。

RUST_LOG=debug mcp-server-conceal \
  --target-command python3 \
  --target-args server.py \
  --config mcp-server-conceal.toml

よくある問題：

• 設定内の正規表現パターンが無効
• Ollama の接続問題
• データベースファイルの権限
• プロンプトテンプレートが見つからない

セキュリティ

マッピングデータベース： 実データと偽データの対応関係という機密情報が含まれています。適切なファイル権限を設定して保護してください。

LLM 統合： LLM ベースの検出モードを使用する場合は、信頼できるインフラストラクチャ上で Ollama を実行してください。

コントリビューション

コントリビューションを歓迎します！以下の手順に従って始めてください。

開発環境のセットアップ

前提条件：

• Rust をインストールします：https://rustup.rs/
• サポート対象の Rust の最小バージョン：1.70+

1. クローンしてセットアップします：

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

2. 開発モードでビルドします：

   cargo build
   cargo test
   

3. 開発ツールをインストールします：

   rustup component add clippy rustfmt
   

4. デバッグログを有効にして実行します：

   RUST_LOG=debug cargo run -- --target-command cat --target-args test.txt --config mcp-server-conceal.toml
   

テスト

• ユニットテスト： cargo test
• 統合テスト： cargo test --test integration_test
• リンティング： cargo clippy
• フォーマット： cargo fmt

変更の提出

1. リポジトリをフォークします
2. フィーチャーブランチを作成します：git checkout -b feature-name
3. 変更を加えてテストを追加します
4. すべてのテストが通ることを確認します：cargo test
5. コードをフォーマットします：cargo fmt
6. 明確な説明を添えてプルリクエストを提出します

ライセンス

MIT License - 詳細は LICENSE file を参照してください。