Diese Seite enthält Verweise auf Seiten mit Informationen zur Verwendung von Sensitive Data Protection mit BigQuery.
Kurzanleitungen
- Kurzanleitung: Scan für die Sensitive Data Protection-Prüfung planen
- Regelmäßige Prüfung eines Cloud Storage-Bucket, einer BigQuery-Tabelle oder einer Datastore-Art planen. Eine detaillierte Anleitung finden Sie unter Inspektionsjobs für Sensitive Data Protection erstellen und planen.
Anleitungen
In diesem Abschnitt finden Sie eine kategorisierte Liste aufgabenbasierter Anleitungen, in denen die Verwendung von Sensitive Data Protection mit BigQuery beschrieben wird.
Prüfung
- Speicher und Datenbanken auf sensible Daten prüfen
- Einmaligen Job erstellen, der in einem Cloud Storage-Bucket, einer BigQuery-Tabelle oder einer Datastore-Art nach sensiblen Daten sucht.
- Inspektionsjobs für Sensitive Data Protection erstellen und planen
- Job-Trigger erstellen und planen, der in einem Cloud Storage-Bucket, einer BigQuery-Tabelle oder einer Datastore-Art nach sensiblen Daten sucht. Ein Job-Trigger automatisiert die Erstellung von Sensitive Data Protection-Jobs in regelmäßigen Abständen.
Mit Scanergebnissen arbeiten
- Knowledge Catalog-Aspekte basierend auf Erkenntnissen aus Datenprofilen hinzufügen
- Knowledge Catalog-Aspekte automatisch zu Ihren Daten hinzufügen, nachdem Sensitive Data Protection Ihre Ressourcen profiliert hat
- Ergebnisse von Sensitive Data Protection-Scans an Security Command Center senden
- Cloud Storage-Bucket, BigQuery-Tabelle oder Datastore scannen und Ergebnisse an Security Command Center senden.
- Ergebnisse von Sensitive Data Protection analysieren und Berichte erstellen
- Mit BigQuery Analysen zu Ergebnissen von Sensitive Data Protection ausführen.
- Ergebnisse von Sensitive Data Protection in BigQuery abfragen
- Beispielabfragen ansehen, die Sie in BigQuery verwenden können, um Ergebnisse zu analysieren, die von Sensitive Data Protection ermittelt wurden.
Re-Identifikations-Risikoanalyse
- Risiko für Re-Identifikation und Offenlegung messen
Analysieren Sie strukturierte Daten, die in einer BigQuery-Tabelle gespeichert sind, und berechnen Sie die folgenden Messwerte zur Re-Identifikation:
- Numerische und kategoriale Statistiken berechnen
Bestimmen die Mindest-, Höchst- und Quantilwerte für eine einzelne BigQuery-Spalte.
- Re-Identifikationsrisiko mit Data Studio visualisieren
Messen Sie die k-Anonymität eines Datensatzes und visualisieren Sie sie dann in Data Studio.
Tutorials
- BigQuery-Daten zum Zeitpunkt der Abfrage de-identifizieren
- Schritt-für-Schritt-Anleitung, in der BigQuery-Remote-Funktionen verwendet werden, um Daten in Echtzeit-Abfrageergebnissen zu de-identifizieren und zu re-identifizieren.
- Personenidentifizierbare Informationen in umfangreichen Datasets mit Schutz sensibler Daten de-identifizieren und re-identifizieren
- Referenzarchitektur zum Erstellen einer automatisierten Pipeline zur Datentransformation, die sensible Daten wie personenidentifizierbare Informationen de-identifiziert.
Best Practices
- BigQuery-Data-Warehouse sichern, in dem vertrauliche Daten gespeichert werden
- Architekturübersicht und Best Practices für die Data Governance beim Erstellen, Bereitstellen und Ausführen eines Data Warehouse in Google Cloud, einschließlich der De-Identifikation von Daten, differenzieller Verarbeitung vertraulicher Daten und Zugriffssteuerung auf Spaltenebene.
Community-Beiträge
Die folgenden Elemente sind Eigentum von Communitymitgliedern und werden von ihnen verwaltet, nicht vom Team von Sensitive Data Protection. Wenden Sie sich bei Fragen zu diesen Elementen an die entsprechenden Inhaber.
- Ereignisgesteuerte serverlose Planungsarchitektur mit Sensitive Data Protection
- Richten Sie eine ereignisgesteuerte, serverlose Planungsanwendung ein, die BigQuery-Daten mithilfe der Cloud Data Loss Prevention API prüft.
- Echtzeit-Anomalieerkennung mit Google Cloud Streamanalysen und KI-Diensten
- Ein Echtzeit-Muster für künstliche Intelligenz (KI) zum Erkennen von Anomalien in Protokolldateien durchgehen. Dieser Proof of Concept verwendet Pub/Sub, Dataflow, BigQuery ML und Sensitive Data Protection.
- Relationale Datenbank mit Dataflow und Sensitive Data Protection in BigQuery importieren
- Mit Dataflow und Sensitive Data Protection Daten aus einer relationalen Datenbank sicher tokenisieren und in BigQuery importieren. In diesem Beispiel wird beschrieben, wie personenbezogene Daten tokenisiert werden, bevor sie dauerhaft werden.
Preise
Wenn Sie eine BigQuery-Tabelle prüfen, fallen Kosten für Sensitive Data Protection gemäß den Preisen für Speicherprüfjobs an.
Wenn Sie Prüfergebnisse in einer BigQuery Tabelle speichern, fallen außerdem BigQuery-Gebühren an.