Cette page contient des références à des pages qui fournissent des informations sur l'utilisation de Sensitive Data Protection avec BigQuery.
Guides de démarrage rapide
- Guide de démarrage rapide : Planifier une analyse d'inspection Sensitive Data Protection
- Planifiez l'inspection périodique d'un bucket Cloud Storage, d'une table BigQuery ou d'un genre Datastore. Pour obtenir des instructions détaillées, consultez Créer et planifier des jobs d'inspection Sensitive Data Protection.
Guides d'utilisation
Cette section fournit une liste catégorisée de guides basés sur des tâches qui expliquent comment utiliser Sensitive Data Protection avec BigQuery.
Inspection
- Inspecter le stockage et les bases de données pour identifier les données sensibles
- Créez une tâche unique qui recherche des données sensibles dans un bucket Cloud Storage, une table BigQuery ou un genre Datastore.
- Créer et planifier des jobs d'inspection Sensitive Data Protection
- Créez et planifiez un déclencheur de tâche qui recherche des données sensibles dans un bucket Cloud Storage, une table BigQuery ou un genre Datastore. Un déclencheur de tâche automatise la création de jobs Sensitive Data Protection de manière périodique.
Utiliser les résultats des analyses
- Ajouter des aspects Knowledge Catalog en fonction des insights issus des profils de données
- Ajoutez automatiquement des aspects Knowledge Catalog à vos données une fois que Sensitive Data Protection a profilé vos ressources.
- Envoyer les résultats d'analyse Sensitive Data Protection à Security Command Center
- Analysez un bucket Cloud Storage, une table BigQuery ou un genre Datastore, puis envoyez les résultats à Security Command Center.
- Analyser les résultats Sensitive Data Protection et générer des rapports
- Utilisez BigQuery pour exécuter des analyses sur les résultats Sensitive Data Protection.
- Interroger les résultats Sensitive Data Protection dans BigQuery
- Consultez des exemples de requêtes que vous pouvez utiliser dans BigQuery pour analyser les résultats identifiés par Sensitive Data Protection.
Analyse des risques de désanonymisation
- Mesurer le risque de désanonymisation et de divulgation
Analysez les données structurées stockées dans une table BigQuery et calculez les métriques de risque de restauration de l'identification suivantes :
- Calculer des statistiques numériques et catégorielles
Détermine les valeurs minimales et maximales, ainsi que les quantiles d'une colonne BigQuery individuelle.
- Visualiser le risque de désanonymisation à l'aide de Data Studio
Mesurez le k-anonymat d'un ensemble de données, puis visualisez-le dans Data Studio.
Tutoriels
- Anonymiser les données BigQuery au moment de la requête
- Suivez un tutoriel pas à pas qui utilise des fonctions distantes BigQuery pour anonymiser et désanonymiser les données dans les résultats de requête en temps réel.
- Anonymisation et désanonymisation des informations permettant d'identifier l'utilisateur dans les ensembles de données à grande échelle à l'aide de Sensitive Data Protection
- Consultez une architecture de référence pour créer un pipeline de transformation de données automatisé qui anonymise les données sensibles telles que les informations permettant d'identifier personnellement l'utilisateur (PII).
Bonnes pratiques
- Sécuriser un entrepôt de données BigQuery qui stocke des données confidentielles
- Présentation de l'architecture et bonnes pratiques pour la gouvernance des données lors de la création, du déploiement et de l'exploitation d'un entrepôt de données en Google Cloud, y compris de l'anonymisation des données, de la gestion différentielle de données confidentielles et des contrôles d'accès au niveau des colonnes.
Contributions de la communauté
Les éléments suivants appartiennent à des membres de la communauté et sont gérés par eux, et non par l'équipe Sensitive Data Protection. Pour toute question concernant ces éléments, contactez leurs propriétaires respectifs.
- Architecture de planification sans serveur basée sur des événements avec Sensitive Data Protection
- Configurez une application de planification sans serveur basée sur des événements, qui utilise l'API Cloud Data Loss Prevention pour inspecter les données BigQuery.
- Détection d'anomalies en temps réel à l'aide de l'analyse de flux et des services d'IA Google Cloud
- Découvrez un modèle d'intelligence artificielle en temps réel (IA) pour détecter les anomalies dans les fichiers journaux. Cette preuve de concept utilise Pub/Sub, Dataflow, BigQuery ML et Sensitive Data Protection.
- Importer une base de données relationnelle dans BigQuery avec Dataflow et Sensitive Data Protection
- Utilisez Dataflow et Sensitive Data Protection pour tokeniser et importer en toute sécurité des données d'une base de données relationnelle vers BigQuery. Cet exemple explique comment tokeniser les informations permettant d'identifier l'utilisateur avant qu'elles ne soient rendues persistantes.
Tarifs
Lorsque vous inspectez une table BigQuery, des frais Sensitive Data Protection vous sont facturés, conformément aux tarifs des jobs d'inspection du stockage.
De plus, lorsque vous enregistrez les résultats d'inspection dans une table BigQuery, des frais BigQuery s'appliquent.