Rampart 隱私防護系統解析：14.7MB 輕量化邊緣側 PII 過濾方案

Rampart 隱私防護系統解析：14.7MB 輕量化邊緣側 PII 過濾方案

深度解析開源隱私系統 Rampart！本文拆解「規則+MiniLM」雙層過濾架構，看它如何利用 WebGPU 加速在瀏覽器端實現 3.9ms 極速 PII 遮蔽。內含 OpenPII 基準測試數據與 NPM 實作程式碼，助你打造 Privacy-by-Design 的 AI 應用。

1. 系統定位與核心設計哲學

Rampart 技術定位在於構建 AI 互動流程中的「第一線防禦」。該系統顛覆傳統的後端過濾模式，直接在客戶端瀏覽器環境下執行 PII（個人識別資訊）的識別與去識別化。

NDS 的核心設計原則體現了極致的隱私主權：

「唯有不離開裝置的個人資料才是真正私密的。」 (The only personal information you can be sure is private is the information that never leaves your device.)

核心痛點解決方案

Rampart 旨在解決目前主流 AI 隱私方案的兩大核心痛點：

• AI 隱私承諾無法驗證： 從架構設計的「第一原理」來看，使用者與企業根本無法驗證雲端 AI 供應商的隱私聲明。雲端運算環境隱藏著諸如零時差漏洞 (Zero-day vulnerabilities) 與內部威脅 (Insider threats) 等不可控的安全風險。
• 遠端過濾模型體積過大： 現有的高效能 PII 移除模型（如 OpenAI Privacy Filter）體積高達 2.8GB。對於低頻寬環境下的使用者，這意味著高昂的載入成本與極差的即時性。

2. 雙層過濾機制 (Dual-Layer Filtering) 技術拆解

Rampart 採用了「規則 + 模型」的混合架構，專門針對 17 種實體類別 (Entity Types) 進行優化，確保在低記憶體佔用 (Low memory footprint) 的前提下達成高精準度。

3. 硬體加速與輕量化效能指標

對於系統架構師而言，Rampart 的核心競爭優勢在於其對終端資源的極致利用：

• 模型體積 (含分詞器)： 14.7MB。將分詞器 (Tokenizer) 整合進 15MB 內的封裝，使其具備極佳的邊緣側部署潛力。相較於 OpenAI 2.8GB 的模型，體積縮減幅高達 99.4%。
• 運行延遲 (p50 Latency)： 在瀏覽器環境下透過 WebGPU 硬體加速，推論延遲中位數僅 3.9ms。這能有效將計算壓力從主 UI 執行緒 (Main Thread) 卸載，確保使用者在輸入文字時不會感到任何延遲或卡頓 (Zero jank)。
• 下載效率對比： 以 10mbps 的低頻寬網路環境測試，下載 2.8GB 模型需耗時約 38 分鐘，這在即時通訊場景中是完全不可接受的；而 Rampart 的 14.7MB 體積可確保在數秒內完成部署並投入運作。

4. 效能基準測試 (Benchmarks) 與語言支持

Rampart 在 OpenPII 1.5M 測試集（取 30,000 列測試切片）上展現了頂尖的召回率 (Recall)，證明了「輕量化模型 + 規則驗證」方案在特定領域能超越巨型通用模型。

業界主流方案對比測試

語言支持

• 拉丁系語言支持： Rampart 目前完整支援以下七種語言的隱私辨識：英文、西班牙文、法文、德文、義大利文、葡萄牙文、荷蘭文。

5. 開發者實作指引 (Implementation Guide)

Rampart 的 Guard 物件具備狀態化管理能力。當 protect 執行時，瀏覽器會將原始 PII 資料暫時且局部地緩存在裝置端（不進入持久化存儲或遠端伺服器），以便後續進行還原。

import { createGuard } from "@nationaldesignstudio/rampart";

// 1. 初始化 Guard 實例，載入 14.7MB 的推論引擎
const guard = await createGuard();

// 2. 原始敏感資訊
const rawInput = "My name is John Wick. I live at 88 Cedar Lane, Brookvale, CT 06482.";

// 3. 執行 protect：識別並遮蔽 PII，同時在 local cache 記錄對應關係
const safe = await guard.protect(rawInput);
console.log(safe.text);
// 預期輸出: "My name is [GIVEN_NAME_1]. I live at [BUILDING_NUMBER_1] [STREET_NAME_1]..."

// 4. 傳遞給遠端 AI 模型 (如 GPT-4 或 Claude) 並取得回傳
const reply = await llm(safe.text); 
// 假設 reply 為: "Thanks [GIVEN_NAME_1], Brookvale CT 06482 works for eligibility."

// 5. 執行 reveal：利用內部狀態將占位符還原為原始資訊，完成往返處理 (Round-trip)
console.log(guard.reveal(reply));
// 最終輸出: "Thanks John Wick, Brookvale CT 06482 works for eligibility."

6. 產品侷限性與架構師總結

• 產品階段： 目前處於 Alpha 階段。它是一道強大的「首層防禦」，但針對極度敏感的場景，建議與後端深度審核機制配合使用。
• 非拉丁語系限制： 目前尚未完美支援中文、日文、韓文等非拉丁語系（非拉丁語系名稱的召回率僅約 13.7%），在針對這些語系部署時應加入額外的防護控制。

架構師總結 Rampart 成功證明了透過高效的算子優化與 WebGPU 加速，邊緣側模型完全有能力在不犧牲隱私的前提下，取代傳統笨重的雲端過濾架構。對於追求「Privacy-by-Design」的開發團隊而言，這是目前市場上部署成本最低、回應速度最快的首選方案。

🔗 官方相關連結

• HuggingFace 模型主頁與技術卡片： nationaldesignstudio/rampart
• NPM 開源函式庫套件： @nationaldesignstudio/rampart

問與答 (Q&A)

Q1：什麼是 Rampart？它的主要用途是什麼？

A： Rampart 是由 National Design Studio (NDS) 開發並開源的第一代「設備端個人資訊 (PII) 過濾系統」。它的主要用途是在使用者將對話內容發送給 AI 聊天機器人或遠端伺服器之前，直接在設備的瀏覽器端找出並處理個人身分資訊，確保機密資料絕對不會外洩。

Q2：市面上已經有過濾模型，為什麼還需要 Rampart？

A： 傳統的 PII 移除多半依賴遠端伺服器，但 AI 廠商的隱私承諾往往難以驗證，且可能面臨未知的零日漏洞或內部威脅。此外，現有的本地端防護模型體積過於龐大（例如 OpenAI Privacy Filter 高達約 2.8 GB，網速較慢時可能需要 38 分鐘才能下載完成），而 Rampart 的體積非常輕量，完美解決了瀏覽器端部署的難題。

Q3：Rampart 是如何精準抓出個人資料的？

A： 它是透過「決定性規則 + 小型語言模型」的雙層架構來運作：

1. 決定性規則層： 針對信用卡、身分證等有固定格式的資料，使用正規表達式搭配驗證演算法（如 Luhn 演算法）來精準攔截。
2. MiniLM 語言模型層： 針對人名、街道地址等缺乏固定格式的資料，交由理解上下文的 MiniLM 語言模型來捕捉並替換。

Q4：這套系統會不會很龐大、影響網頁執行速度或聊天體驗？

A： 完全不會！Rampart 包含分詞器在內的整體模型大小僅有 14.7 MB。在支援 WebGPU 的瀏覽器環境下，它的推論延遲中位數只有短短的 3.9 毫秒。這意味著在體感上，訊息幾乎是瞬間就被過濾並送出的，完全不影響聊天的流暢度。

Q5：它會不會把所有地點都遮蔽，導致 AI 無法提供在地化建議？

A： 不會的。Rampart 的設計在隱私與實用性之間取得了完美的平衡。它會精準遮蔽具體的「街道名稱」與「門牌號碼」，但會預設保留「城市」、「州/地區」以及「郵遞區號」。這讓 AI 助理依然能根據粗略的地理位置提供資格審查或在地化的實用建議。

Q6：它目前支援哪些語言？中文支援嗎？

A： Rampart 目前完整支援 7 種拉丁語系語言：英文、西班牙文、法文、德文、義大利文、葡萄牙文與荷蘭文。官方特別提示目前尚未完美支援中文（包含漢字、韓文、日文等非拉丁語系名稱的召回率較低，總計僅約 13.7%），因此建議在針對這些語系部署時應加入額外的防護控制。