Client-Side מול Server-Side בסניטיזציית מידע: מדוע DLP שרתי כשל בפריצת LiteLLM

הפגם המבני באבטחת מידע מבוססת שרתי ביניים (DLP)#

עולם אבטחת המידע חווה פגיעות קשות בשרשראות אספקה, ובראשן פרצת שרתי ה-Proxy של LiteLLM שחשפה טרה-בייטים של מפתחות API ופרומפטים סודיים.

אירוע זה הוכיח כלל ארכיטקטוני ברור: לא ניתן לבסס Zero Trust באמצעות שרת ביניים.

מדוע אבטחה בצד הלקוח (Client-Side) היא הפתרון החסין היחיד#

1. 1
   אפס פקטים יוצאים ברשת: Privacy Scrubber מריץ מעל 20 מודלי זיהוי ישירות בזיכרון המקומי (RAM) של הדפדפן או בשרת MCP מקומי.
2. 2
   טוקניזציה מקומית הפיכה: מידע רגיש מוחלף בטוקנים סינתטיים כגון [CLIENT_ID_1] לפני השידור, ומשוחזר מקומית עם קבלת תשובת ה-AI.
3. 3
   עמידה מלאה ברגולציה: מידע גולמי אינו עוזב את גבולות המכשיר, מה שמבטיח עמידה בתקני GDPR, HIPAA ו-SOC 2.

שתי סביבות מפתחים של Zero-Trust: עריכת קוד מקומית מול צד שרת#

1. סביבת IDE: שרת MCP מקומי חינמי (Cursor, Windsurf ו-Claude Desktop) סוכני AI מקומיים לכתיבת קוד דורשים גישה לקבצי הפרויקט, אך שליחת סיסמאות ומפתחות מאגרי נתונים למודלים חיצוניים יוצרת סיכון ארגוני כבד.

חברו את שרת ה-MCP המקומי החינמי הפועל בזיכרון (RAM) ללא שום הגדרות מורכבות וללא יציאת מידע לענן (0ms השהייה):

// הוסיפו אל .cursor/mcp.json או claude_desktop_config.json
{
  "mcpServers": {
    "privacyscrubber": {
      "command": "npx",
      "args": ["-y", "@privacyscrubber/mcp-server"]
    }
  }
}

2. סביבת שרת ופרודקשן: ערכת SDK למפתחים (@privacyscrubber/sdk) עבור תשתיות Node.js, Next.js וצינורות RAG בפרודקשן, ה-SDK הרשמי של `@privacyscrubber/sdk` מספק שכבת תווך שקופה בזיכרון (In-Memory) ללא תעבורת רשת נוספת (פחות מ-1ms השהייה):

import OpenAI from "openai";
import { wrapOpenAI } from "@privacyscrubber/sdk";

// עוטפים את הלקוח הקיים של OpenAI — הפרומפטים ממוסכים ב-RAM עוד לפני השידור ברשת
const openai = wrapOpenAI(new OpenAI({ apiKey: process.env.OPENAI_API_KEY }));

const completion = await openai.chat.completions.create({
  model: "gpt-4o",
  messages: [{ role: "user", content: "בדוק דוח מס עבור ישראל ישראלי ת.ז 123-45-6789" }],
});