Pass 03: Datenklassifizierung (DATA)

Eigenschaft	Wert
Pass-Nummer	03
Schlüssel	data
Pass-Name in der Ausgabe	data_classification
Signal-Präfix	DATA
Typ	LLM-gestützt im Application-Modus; deterministische Service-Variante im Service-Modus
Standard	Aktiv
Assessment-Typen	application (LLM); llm (innerhalb jedes Legs, Vergleich über Modelle); service (bedingt, deterministische Service-Variante). Läuft nicht bei landing-zone-catalog.
Lizenzstufe	Nicht eingeschränkt (ab Community)

Wofür der Pass gedacht ist

Wo Daten gehostet werden dürfen und unter welchen Kontrollen, hängt von der Art der Daten ab. Pass 03 beantwortet die Frage: „Welche personenbezogenen, sensiblen oder besonderen Kategorien von Daten verarbeitet diese Anwendung, und setzt der Code die damit verbundenen Pflichten um?“

Er klassifiziert die verarbeiteten Datenklassen (zum Beispiel Kontaktdaten, Gesundheitsdaten, Finanzdaten), sucht nach umgesetzten DSGVO-Kontrollen wie Löschung (Artikel 17), Einwilligung und Aufbewahrung und prüft, ob Geheimnisse in Umgebungsvorlagen stehen. Sind die saudi-arabischen NCA Cloud Cybersecurity Controls aktiv, schlägt er zusätzlich die saudische Datenstufe vor.

Was Sie bereitstellen müssen

Application-Modus

• Den Quellcode der Anwendung.
• Einen konfigurierten LLM-Provider: providers.llm.primary in der .swao.yml, einen Connector über --llm <connector[:model]> oder die Umgebungsvariable SWAO_LLM_PROVIDER. Ohne Provider wird der Pass übersprungen (siehe unten).
• Optional: assessment.regimes_active mit NCA_CCC_CST oder NCA_CCC_CSP in der App-.swao.yml, um die saudische Datenstufe anzufordern.

assessment:
  regimes_active: [GDPR, NCA_CCC_CST]

Service-Modus (siehe Service Portfolio Assessment)

• Datenfluss-Dokumente (ERD, als Text exportierte Datenflussdiagramme, Beschreibungen von Bildschirmmasken) in ingestion/data-flow/ oder wsp/inputs/data-flow/ oder beliebige in ingestion/ abgelegte Dokumente (PDF-, Word-, Excel- und Textdateien, gelesen über den Text, den Pass 00 nach wsp/inputs/ extrahiert) und/oder
• einen data:-Block in der App-.swao.yml mit einem der Felder health_data, pii, gdpr_art9, classification oder categories.

Fehlt beides, wird der Pass im Service-Modus übersprungen.

Wie der Pass arbeitet

Application-Modus (LLM)

1. Bis zu 16 relevante Dateien sammeln, in dieser Prioritätsreihenfolge:
   • prisma/schema.prisma (erste 4.000 Zeichen)
   • .env.example, .env.sample, config.toml, config.yaml, config.yml im Wurzelverzeichnis (je erste 1.500 Zeichen)
   • Bis zu vier weitere Schemadateien (.prisma, .sql, .graphql; je 2.500 Zeichen), bis zu sieben Verzeichnisebenen tief
   • Quelldateien (.ts, .js, .rs, .go, .py, .java, .kt, .cs, .rb), deren Name ein Datenschutz-Stichwort enthält, etwa gdpr, erasure, consent, retention, pii, patient, medical, redact (je 3.000 Zeichen)
   • Wurden weniger als drei solcher Dateien gefunden: Handler-Dateien, deren Name auth, user, account, profile, settings, delete, export oder consent enthält und deren Inhalt ein Datenschutz-Stichwort aufweist (je 2.500 Zeichen)
   • node_modules, target, .git und versteckte Ordner werden übersprungen.
2. Prompt aufbauen. Das Modell wird angewiesen, Datentypen und PII-Klassen zu klassifizieren, jedes Signal ausschließlich auf sichtbare Evidenz in den übergebenen Dateien zu stützen, fehlende Evidenz nicht als Beleg für Abwesenheit zu werten und für umgesetzte DSGVO-Kontrollen positive Signale mit Datei- und Funktionsangabe zu erzeugen. Signal-IDs müssen DATA-NN lauten. Ist NCA_CCC_CST oder NCA_CCC_CSP aktiv, ergänzt der Prompt die Anweisungen zur saudischen Datenstufe.
3. Schwärzen und senden. Der Prompt durchläuft in den Treibern für Anthropic, OpenAI, Amazon Bedrock und OpenAI-kompatible Endpunkte den SWAO-Redactor vor dem LLM-Aufruf (E-Mail-Adressen, IP-Adressen, Zugangsdaten in URLs, Geheimnis- und Token-Muster, Benutzerpfade, USt-ID, SSN, Reisepass- und UK-NI-Nummern; Personennamen nur mit SWAO_SCRUB_PERSON_NAME=1).
4. Antwort auswerten. Code-Fences und Streuzeichen werden entfernt, das JSON-Objekt wird extrahiert. Eine abgeschnittene Antwort wird einmal durch Schließen der Klammern repariert. Jedes Signal wird auf das SWAO-Signalschema normalisiert.

Service-Modus (deterministisch)

1. Liest den data:-Block der App-.swao.yml.
2. Durchsucht Textdokumente (.md, .txt, .csv, .sql, .xml, .json, .yaml, .yml, .html, .htm, je bis 2 MB) im Datenfluss-Ordner Zeile für Zeile nach Feldnamen für personenbezogene Daten (zum Beispiel patient, name, vorname, nachname, geburt, adresse, telefon, email, versicher, diagnos, befund, medikament) und für Gesundheitsdaten (zum Beispiel patient, diagnos, befund, icd, dicom, modality, lab_result, vital).
3. Erzeugt Signale aus den Angaben und Treffern; die Evidenz nennt nur Datei und Zeile, niemals den gefundenen Wert.

Wie gemessen wird

Application-Modus

Signal-IDs, Schweregrade und Anzahl wählt das Modell im Rahmen des SWAO-Signalschemas (DATA-01, DATA-02 usw.; Schweregrad critical, high, medium, low, informational oder positive; Outcome positive, negative, neutral oder indeterminate). Der Prompt fordert einen assessment-Block mit:

Feld	Bedeutung
data_classes	Liste der beobachteten Datenklassen
gdpr_art17_implemented	Ob die Löschung umgesetzt ist
secrets_in_env	Ob Geheimnisse in Umgebungsdateien stehen
saudi_data_tier	Nur bei aktivem NCA CCC: level (public, internal, confidential, restricted), label, cst_class_required (class_c für public und internal, class_b für confidential, class_a für restricted oder null)

Wurden keine Dateien gefunden, soll das Modell ein einziges DATA-01 mit Hinweis auf die eingeschränkte Abdeckung erzeugen und keine Lücken erfinden.

Sonderfälle:

Situation	Ergebnis
Kein LLM konfiguriert	Ein Signal DATA-00 (informational, Outcome indeterminate); Pass-Status not_applicable; skipped_reason: no_llm_provider
LLM nach allen Wiederholungen nicht erreichbar	Status not_applicable, keine Signale, skipped_reason: connectivity_failure; ein konfigurierter sekundärer Connector wird vorher versucht
Antwort auch nach Reparatur nicht auswertbar	Ein Signal DATA-00 (informational, Outcome indeterminate); Status not_applicable; skipped_reason: invalid_llm_response mit der Ursache in invalid_response_detail; Hinweis auf einen erneuten Lauf
--skip-llm gesetzt	Kein LLM-Aufruf; dieselbe Übersprung-Markierung DATA-00 wie ohne LLM (skipped_reason: no_llm_provider), ergänzt um skip_llm_flag: true und eine Herleitung, die das Flag nennt

Service-Modus

Signal	Wird erzeugt, wenn	Schweregrad
DATA-NN (erstes)	data.health_data oder data.gdpr_art9 ist true oder Gesundheitsfeldnamen kommen in den Dokumenten vor	high, Outcome negative: besondere Kategorie Gesundheitsdaten (DSGVO Artikel 9)
DATA-NN (nächstes)	data.pii ist true oder Feldnamen für personenbezogene Daten kommen vor	medium, Outcome negative: Pflichten für personenbezogene Daten gelten
DATA-01	Keiner der beiden Fälle	informational, Outcome indeterminate: mit dem fachlichen Verantwortlichen bestätigen

Der Service-assessment-Block enthält mode: service, die angegebenen Werte sowie die Anzahl der Dokumente und Feldtreffer.

Wie die Ergebnisse in spätere Passes einfließen. DATA-Signale sind der wichtigste Input für Datenschutz-Controls (zum Beispiel DSGVO, die saudischen NCA-Controls oder Frameworks für das Gesundheitswesen), die Pass 11 (COMP) bewertet, sowie für Pass 09 (SYNTH). Signale mit hohem Schweregrad werden zu abgeleiteten Sicherheits-Findings und Risiken.

Drittanbieter-Module und Werkzeuge

Name	Zweck in diesem Pass	Lizenz (Paket-Metadaten)	Gebündelt oder extern	Verhalten bei Fehlen
js-yaml	Lesen von assessment.regimes_active und des Service-data:-Blocks	MIT	Gebündelt	Entfällt
LLM-Provider (Anthropic, OpenAI, Amazon Bedrock, Ollama, OpenAI-kompatibler Endpunkt oder LLM-Gateway-Connector)	Klassifizierung im Application-Modus	Externer Dienst; Lizenz im Repository nicht erfasst	Extern, von Ihnen konfiguriert	Pass erzeugt DATA-00 und wird als übersprungen markiert

Ausgaben

• wsp/runs/<ts>/passes/03-data.yaml: Kopf (id: 3, name: data_classification), Signale, assessment und bei LLM-Läufen ein data_source-Block (Provider, Modell, Temperatur, Seed, Cache-Treffer, Platzhalter-Eingaben, Anzahl False-Positive-Markierungen).
• wsp/runs/<ts>/llm-traces/03-data-call-1.json: der geschwärzte Prompt und die Rohantwort (Application-Modus mit LLM).
• LLM-Antworten werden bis zu 30 Tage unter wsp/cache/llm/<model>/ zwischengespeichert, sofern Sie nicht --no-cache verwenden.

Konfiguration und Einschränkungen

Konfiguration

• providers.llm.primary in der .swao.yml, --llm <connector[:model]>, --model <id>, SWAO_LLM_PROVIDER, SWAO_LLM_CONNECTOR.
• assessment.regimes_active mit NCA_CCC_CST oder NCA_CCC_CSP für die saudische Datenstufe.
• --no-cache erzwingt einen neuen LLM-Aufruf.
• .swao-pii-allowlist.txt im Workspace-Wurzelverzeichnis listet Zeichenketten, die der Redactor unverändert lassen soll; SWAO_SCRUB_PERSON_NAME=1 aktiviert das Schwärzen von Personennamen.
• Service-Modus: data:-Block (health_data, pii, gdpr_art9, classification, categories) in der App-.swao.yml.

Einschränkungen und bekannte Lücken

• Die Dateiauswahl erfolgt über Dateinamen. Datenschutzlogik in neutral benannten Dateien wird nur erfasst, wenn der Handler-Rückfall sie aufgreift.
• Es werden höchstens 16 Dateien mit festen Zeichenlimits je Datei gesendet; große Schemata werden gekürzt.
• Die Service-Variante arbeitet mit Stichwortabgleich und unterscheidet nicht zwischen einer Felddefinition und einer Erwähnung im Fließtext.