Desidentificación de datos sensibles de Cloud Storage

En esta página, se describe cómo Sensitive Data Protection puede crear copias desidentificadas de los datos almacenados en Cloud Storage. También se enumeran las limitaciones de esta operación y los puntos que debes tener en cuenta antes de comenzar.

Para obtener información sobre cómo usar Sensitive Data Protection para crear copias desidentificadas de tus datos de Cloud Storage, consulta lo siguiente:

Acerca de la desidentificación

La desidentificación es el proceso de quitar información de identificación de los datos. Su objetivo es permitir el uso y el uso compartido de información personal, como datos de salud, financieros o demográficos, y, al mismo tiempo, cumplir con los requisitos de privacidad. Para obtener más información sobre la desidentificación, consulta Desidentifica datos sensibles.

Para obtener información más detallada sobre las transformaciones de desidentificación en Sensitive Data Protection, consulta Referencia de transformación. Para obtener más información sobre cómo Sensitive Data Protection oculta datos sensibles de las imágenes, consulta Inspección y ocultamiento de imágenes.

Cuándo usar la desidentificación del almacenamiento

A continuación, se muestran algunos casos de uso comunes:

  • Genera conjuntos de datos anonimizados para entornos que no son de producción: Crea copias desidentificadas de los archivos de producción almacenados en Cloud Storage antes de organizar los datos en entornos de desarrollo, prueba o entrenamiento.
  • Comparte repositorios de archivos limpios con terceros: Ofusca los campos sensibles en documentos masivos y archivos no estructurados, a la vez que conservas la jerarquía de carpetas original para los socios comerciales o auditores externos.
  • Automatiza las canalizaciones de privacidad para los documentos transferidos: Transforma los datos sensibles en los archivos subidos recientemente en un bucket de salida designado sin alterar los archivos de origen ni interrumpir las canalizaciones ascendentes.
  • Aplicar la residencia de datos y la compartimentación: Almacena copias espejo desidentificadas de los recursos sensibles en buckets de Cloud Storage independientes con distintos controles de acceso de Identity and Access Management.

Proceso de desidentificación

En esta sección, se describe el proceso de desidentificación en Sensitive Data Protection para el contenido de Cloud Storage.

Para usar esta función, crea un trabajo de inspección (DlpJob) que esté configurado para crear copias desidentificadas de los archivos de Cloud Storage. Sensitive Data Protection analiza los archivos en la ubicación especificada y los inspecciona según tu configuración. A medida que inspecciona cada archivo, Sensitive Data Protection desidentifica los datos que coinciden con tus criterios de datos sensibles y, luego, escribe el contenido en un archivo nuevo. El archivo nuevo siempre tiene el mismo nombre que el original. Almacena este archivo nuevo en un directorio de salida que especifiques. Si se incluye un archivo en tu análisis, pero no hay datos que coincidan con tus criterios de desidentificación y no hay errores en su procesamiento, el archivo se copia, sin alteraciones, en el directorio de salida.

El directorio de salida que configures debe estar en un bucket de Cloud Storage que sea diferente del bucket que contiene tus archivos de entrada. En el directorio de salida, Sensitive Data Protection crea una estructura de archivos que refleja la estructura de archivos del directorio de entrada.

Por ejemplo, supongamos que configuras los siguientes directorios de entrada y salida:

  • Directorio de entrada: gs://input-bucket/folder1/folder1a
  • Directorio de salida: gs://output-bucket/output-directory

Durante la desidentificación, Sensitive Data Protection almacena los archivos desidentificados en gs://output-bucket/output-directory/folder1/folder1a.

Si existe un archivo en el directorio de salida con el mismo nombre que un archivo desidentificado, ese archivo se reemplaza. Si no quieres que se reemplacen los archivos existentes, cambia el directorio de salida antes de ejecutar esta operación. Como alternativa, considera habilitar el control de versiones de objetos en el bucket de salida.

Las listas de control de acceso (LCA) a nivel de archivo para los archivos originales se copian en los archivos nuevos, sin importar si se encontraron datos sensibles y se desidentificaron. Sin embargo, si el bucket de salida está configurado solo para permisos uniformes a nivel de bucket y no para permisos detallados (a nivel de objeto), las LCA no se copian en los archivos con datos desidentificados.

En el siguiente diagrama, se muestra el proceso de desidentificación de cuatro archivos almacenados en un bucket de Cloud Storage. Cada archivo se copia, independientemente de si Sensitive Data Protection detecta datos sensibles. Cada archivo copiado tiene el mismo nombre que el original.

Desidentificación de archivos almacenados en Cloud Storage.
Desidentificación de archivos almacenados en Cloud Storage (haz clic para ampliar).

Precios

Para obtener información sobre los precios, consulta Inspección y transformación de datos en el almacenamiento.

Tipos de archivos admitidos

Sensitive Data Protection puede desidentificar los siguientes grupos de tipos de archivos:

Comportamiento de desidentificación predeterminado

Si deseas definir cómo Sensitive Data Protection transforma los hallazgos, puedes proporcionar plantillas de desidentificación para los siguientes tipos de archivos:

  • Archivos no estructurados, como archivos de texto con texto de formato libre
  • Archivos estructurados, como los archivos CSV
  • Imágenes

Si no proporcionas ninguna plantilla de desidentificación, Sensitive Data Protection transforma los hallazgos de la siguiente manera:

  • En los archivos estructurados y no estructurados, Sensitive Data Protection reemplaza todos los hallazgos por su Infotipo correspondiente, como se describe en Reemplazo de tipo de información.
  • En las imágenes, Sensitive Data Protection cubre todos los hallazgos con un cuadro negro.

Limitaciones y consideraciones

Ten en cuenta los siguientes puntos antes de crear copias desidentificadas de datos de Cloud Storage.

Espacio en el disco

Esta operación solo admite contenido almacenado en Cloud Storage.

Esta operación realiza una copia de cada archivo a medida que Sensitive Data Protection lo inspecciona. No modifica ni quita el contenido original. Los datos copiados ocuparán aproximadamente la misma cantidad de espacio en el disco que los datos originales.

Acceso de escritura al almacenamiento

Debido a que Sensitive Data Protection crea una copia de los archivos originales, el agente de servicio de tu proyecto debe tener acceso de escritura en el bucket de salida de Cloud Storage.

Muestreo y configuración de límites de hallazgos

Esta operación no admite el muestreo. En particular, no puedes limitar la cantidad de cada archivo que Sensitive Data Protection analiza y desidentifica. Es decir, si usas la API de Cloud Data Loss Prevention, no puedes usar bytesLimitPerFile ni bytesLimitPerFilePercent en el objeto CloudStorageOptions de tu DlpJob.

Además, no puedes controlar la cantidad máxima de hallazgos que se mostrarán. Si usas la API de DLP, no puedes establecer un objeto FindingLimits en tu DlpJob.

Requisito para inspeccionar los datos

Cuando ejecutas tu trabajo de inspección, Sensitive Data Protection primero inspecciona los datos, según tu configuración de inspección, antes de realizar la desidentificación. No puede omitir el proceso de inspección.

Requisito para usar extensiones de archivo

Sensitive Data Protection se basa en las extensiones de archivo para identificar los tipos de archivo de los archivos en tu directorio de entrada. Es posible que no desidentifique los archivos que no tienen extensiones de archivo, incluso si son de tipos compatibles.

Archivos omitidos

Cuando se desidentifican archivos en el almacenamiento, Sensitive Data Protection omite los siguientes archivos:

  • Archivos que superen los 60,000 KB Si tienes archivos grandes que superan este límite, considera dividirlos en fragmentos más pequeños.
  • Tipos de archivo que no se indican en Tipos de archivo admitidos en esta página.
  • Tipos de archivos que excluiste de forma intencional de la configuración de desidentificación. Si usas la API de DLP, se omiten los tipos de archivo que excluiste del campo file_types_to_transform de la acción Deidentify de tu DlpJob.
  • Son los archivos que tuvieron errores de transformación.

Orden de las filas de salida en las tablas desidentificadas

No se garantiza que el orden de las filas en una tabla desidentificada coincida con el orden de las filas en la tabla original. Si deseas comparar la tabla original con la tabla desidentificada, no puedes confiar en el número de fila para identificar las filas correspondientes. Si quieres comparar filas de las tablas, debes usar un identificador único para cada registro.

Claves transitorias

Si eliges un método criptográfico como tu método de transformación, primero debes crear una clave unida con Cloud Key Management Service. Luego, proporciona esa clave en tu plantilla de desidentificación. No se admiten las claves transitorias (sin procesar).

¿Qué sigue?