astrololo/services/data/app/canary.py

"""Rekordy-pułapki (canary) — wykrywanie wycieku baz (DAN-26).

Zabezpieczenie DETEKCYJNE, nie prewencyjne. Kilka unikalnych, wiarygodnie
wyglądających rekordów wplecionych w bazy: nie zmieniają interpretacji (są
ODSIEWANE z wyników, więc nie trafiają ani do użytkownika, ani do promptu LLM —
wymóg LOG-30), ale jeśli kiedyś pojawią się w cudzej kopii, są dowodem pochodzenia.

Pułapkę rozpoznajemy po MARKERZE: unikalny ciąg, który nie występuje w realnych
danych (wpleciony np. w pole znaczące). Markery i WARIANT tego wdrożenia biorą się
z konfiguracji (ENV `CANARY_MARKERS`, `CANARY_VARIANT`) — każda kopia może dostać
swój zestaw. Który wariant trafił do którego wdrożenia trzyma rejestr po stronie
ops (osobno, poza kodem — patrz docs/canary-registry.md).

Dwa sygnały:
  * ODSIEWANIE — pułapka w wynikach znika, zanim opuści warstwę danych (log info);
  * TRIPWIRE — zapytanie CELUJE wprost w marker (ktoś enumeruje bazę, a nie liczy
    realny horoskop) → log warning, bo to podejrzane zachowanie.
"""
from __future__ import annotations

import logging
import os

log = logging.getLogger("astrololo.data.canary")


def _load_markers() -> list[str]:
    return [m.strip() for m in os.getenv("CANARY_MARKERS", "").split(",") if m.strip()]


MARKERS = _load_markers()
VARIANT = os.getenv("CANARY_VARIANT", "")


def _row_is_canary(row: dict, markers: list[str]) -> bool:
    """Czy KTÓRAKOLWIEK tekstowa wartość wiersza zawiera marker pułapki."""
    for v in row.values():
        if isinstance(v, str):
            for m in markers:
                if m in v:
                    return True
    return False


def screen(
    rows: list[dict], query_value: str = "",
    markers: list[str] | None = None, variant: str | None = None,
) -> tuple[list[dict], dict]:
    """Zwraca (widoczne_wiersze, raport).

    Odsiewa pułapki z wyników (nie opuszczą warstwy danych). Gdy zapytanie celuje
    wprost w marker — podnosi TRIPWIRE (możliwa enumeracja bazy). Bez skonfigurowanych
    markerów: przezroczyste (`active=False`), zero kosztu dla normalnego ruchu.
    """
    markers = MARKERS if markers is None else markers
    variant = VARIANT if variant is None else variant
    if not markers:
        return rows, {"active": False, "removed": 0, "tripwire": False}

    visible = [r for r in rows if not _row_is_canary(r, markers)]
    removed = len(rows) - len(visible)
    tripwire = any(m in (query_value or "") for m in markers)

    if tripwire:
        log.warning(
            "CANARY TRIPWIRE: zapytanie celuje wprost w rekord-pułapkę (wariant %s) "
            "— możliwa enumeracja bazy", variant or "?")
    elif removed:
        log.info("Odsiano %d rekord(ów)-pułapek z wyników (wariant %s)", removed, variant or "?")
    return visible, {"active": True, "removed": removed, "tripwire": tripwire}