Cifrado Contextual para Pipelines de LLM y Bases de Datos Vectoriales

Implementamos una arquitectura de cifrado contextual que cifra selectivamente los campos sensibles antes del almacenamiento, al tiempo que preserva la capacidad de búsqueda semántica a través de un enfoque por capas — cifrando PII en metadatos mientras se mantiene el contenido saneado y no sensible disponible para embedding.

Arquitectura

• Motor de Cifrado: AES-256-GCM con claves de cifrado por inquilino
• Gestión de Claves: AWS KMS para la generación, rotación y control de acceso de claves
• Detección de PII: Clasificador de PII basado en NER (Reconocimiento de Entidades Nombradas)
• Base de Datos Vectorial: Milvus para búsqueda de similitud sobre embeddings saneados
• Capa de LLM: Contexto saneado enviado a LLM, campos sensibles re-inyectados post-generación
• Sistema de Auditoría: Cada evento de descifrado registrado con usuario, marca de tiempo y propósito
• Base de Datos: PostgreSQL para metadatos cifrados

Estrategia de Cifrado Contextual

Clasificación de Datos

Antes de que cualquier dato entre en el pipeline, un clasificador de PII categoriza cada campo por nivel de sensibilidad:

• Altamente Sensible (ej., identificaciones gubernamentales, números de cuenta financiera, identificaciones médicas) — Cifrado, nunca embedded, nunca enviado a LLM
• PII Sensible (ej., nombres completos, direcciones de correo electrónico, números de teléfono) — Cifrado en reposo, reemplazado por marcador de posición antes de embedding
• Contextual (ej., títulos de trabajo, nombres de empresas) — Cifrado en reposo, disponible para embedding con consentimiento
• No Sensible (ej., descripciones de productos, información pública) — Almacenado y embedded tal cual

Capas de Cifrado

Capa 1: Cifrado a Nivel de Campo en Reposo

Los campos sensibles se cifran con AES-256-GCM antes del almacenamiento. Cada inquilino obtiene una clave de cifrado de datos (DEK) dedicada, gestionada a través de una jerarquía de claves mediante AWS KMS. Los campos sombra almacenan hashes buscables para búsquedas de coincidencia exacta sin necesidad de descifrado.

Capa 2: Saneamiento Antes del Embedding

Se detecta PII y se reemplaza con marcadores de posición que preservan el tipo antes de enviar el texto al modelo de embedding. Esto preserva el significado semántico para la búsqueda de similitud, al tiempo que elimina la información identificable. El mapeo de original a marcador de posición se almacena cifrado junto con el registro vectorial.

Capa 3: Inyección de Contexto Después de la Generación de LLM

El LLM recibe un contexto saneado con marcadores de posición para generar respuestas. Después de la generación, el sistema re-inyecta valores reales del almacenamiento cifrado en la respuesta. Esto evita que los datos sensibles entren en los datos de entrenamiento del LLM o sean almacenados en caché por el proveedor.

Seguridad de la Base de Datos Vectorial

Diseño de Colección

Las colecciones vectoriales almacenan embeddings saneados junto con metadatos originales cifrados. El aislamiento del inquilino se aplica mediante claves de partición, con los metadatos de cada inquilino cifrados usando su propia clave. La capa API valida la propiedad del inquilino antes de cualquier operación de descifrado.

Gestión y Rotación de Claves

Jerarquía de Claves

Se utiliza una jerarquía de claves multinivel: una clave maestra en AWS KMS envuelve las claves de cifrado de claves por inquilino, las cuales a su vez envuelven las claves de cifrado de datos por inquilino utilizadas para el cifrado a nivel de campo. Esto permite una rotación eficiente de claves sin tener que volver a cifrar toda la cadena de claves.

Proceso de Rotación de Claves

1. Nueva DEK Generada — Nueva clave de cifrado de datos creada bajo la clave de cifrado de claves existente
2. Nuevas Escrituras — Todos los datos nuevos se cifran con la nueva clave; la clave antigua sigue siendo válida para lecturas
3. Re-cifrado en Segundo Plano — Un trabajo por lotes re-cifra los registros existentes con la nueva clave
4. Retiro de DEK Antigua — Una vez que todos los registros han sido migrados, la clave antigua se marca como inactiva
5. Registro de Auditoría — Evento de rotación registrado con marcas de tiempo y recuentos de registros afectados

Auditoría y Cumplimiento

Registro de Auditoría de Descifrado

Cada evento de descifrado registra quién lo solicitó, qué se descifró, cuándo, por qué (contexto de la solicitud) y qué clave se utilizó — proporcionando una pista de auditoría completa para el cumplimiento.

Derecho de Supresión (GDPR)

El sistema soporta la eliminación completa de datos tanto en la base de datos relacional como en la base de datos vectorial, con rotación de claves opcional para asegurar criptográficamente que no haya acceso residual. Todas las operaciones de eliminación se registran en una pista de auditoría de GDPR.

Características Clave

1. Cifrado a Nivel de Campo — AES-256-GCM en campos sensibles, no en registros completos
2. Saneamiento de PII — Los marcadores de posición preservan el significado semántico para los embeddings
3. Re-inyección Post-LLM — Los datos sensibles nunca se envían a los proveedores de LLM
4. Claves por Inquilino — Claves de cifrado aisladas con gestión de AWS KMS
5. Rotación de Claves — Rotación sin tiempo de inactividad con re-cifrado en segundo plano
6. Seguridad de Embedding — Los embeddings saneados previenen ataques de inversión sobre PII
7. Pista de Auditoría — Cada descifrado registrado para informes de cumplimiento
8. Cumplimiento con GDPR — Eliminación automatizada en almacenes cifrados y base de datos vectorial