clickhouse-obfuscator

一个简单的表数据混淆工具。

它读取一个输入表并生成一个输出表，保持输入的一些属性，但包含不同的数据。它允许发布几乎真实的生产数据用于基准测试。

它旨在保持以下数据属性：

每列和每组列的值的基数（不同值的数量）；
条件基数：在另一个列值的条件下，一个列的不同值的数量；
整数的绝对值的概率分布；带符号整数的符号；浮点数的指数和符号；
字符串长度的概率分布；
数字零值的概率；空字符串和数组，NULL；
使用LZ77和熵族编解码器进行压缩时的数据压缩比；
表中时间值的连续性（差异大小）；浮点值的连续性；
DateTime值的日期组件；
字符串值的UTF-8有效性；
字符串值看起来自然。

上述大多数属性适用于性能测试：

读取数据、过滤、聚合和排序的速度几乎与原始数据相同，因为基数、大小、压缩比等得到了保留。

它以确定性方式工作：您定义一个种子值，转换由输入数据和种子决定。某些转换是一对一的，可以被反转，因此您需要有一个大的种子并将其保密。

它使用一些密码学原语来转换数据，但从密码学的角度来看，它并未正确处理，因此您不应认为结果是安全的，除非您有其他理由。结果可能保留您不想发布的数据。

它始终将0、1、-1数字、日期、数组的长度和空标志精确地保留为源数据中的值。例如，您的表中有一个IsMobile列，值为0和1。在变换后的数据中，它将保持相同的值。

因此，用户将能够精确计算移动流量的比例。

让我们再举一个例子。当您在表中有一些私密数据，如用户电子邮件，而您不想发布任何单一的电子邮件地址时。如果您的表足够大，并且包含多个不同的电子邮件，并且没有任何电子邮件的频率比其他电子邮件高，那么它将匿名化所有数据。但如果您在一列中有少量不同的值，它可能会再现其中一些值。您应该查看该工具的工作算法，并微调其命令行参数。

该工具仅适用于至少中等数量的数据（至少数千行）。