Cloud Data Loss Prevention (Cloud DLP) 现已成为敏感数据保护功能的一部分。API 名称保持不变：Cloud Data Loss Prevention API (DLP API)。如需了解构成敏感数据保护的服务，请参阅敏感数据保护概览。

‫Google משתמשת בטכנולוגיית AI כדי לתרגם תוכן לשפה המועדפת עליך. בתרגומים כאלו עשויות להיות שגיאות.

שימוש ב-Sensitive Data Protection עם BigQuery

בדף הזה יש הפניות לדפים שמסבירים איך להשתמש ב-Sensitive Data Protection עם BigQuery.

מדריכים למתחילים

מדריך למתחילים: תזמון סריקת בדיקה של Sensitive Data Protection: תזמון בדיקה תקופתית של קטגוריה של Cloud Storage, טבלה ב-BigQuery או סוג של Datastore. הוראות מפורטות מופיעות במאמר יצירה ותזמון של משימות בדיקה ב-Sensitive Data Protection.

בקטע הזה מופיעה רשימה של מדריכים לפי משימות שמסבירים איך להשתמש ב-Sensitive Data Protection עם BigQuery.

בדיקת האחסון ומסדי הנתונים לאיתור מידע אישי רגיש: יצירת משימה חד-פעמית לחיפוש נתונים רגישים בדלי ב-Cloud Storage, בטבלה ב-BigQuery או בסוג ב-Datastore.
יצירה ותזמון של משימות בדיקה של Sensitive Data Protection: יוצרים ומגדירים טריגר להפעלת משימה שמחפשת מידע אישי רגיש בקטגוריה של Cloud Storage, בטבלה ב-BigQuery או בסיווג של Datastore. טריגר של משימה מאפשר ליצור באופן אוטומטי משימות של Sensitive Data Protection על בסיס תקופתי.

הוספת היבטים של Knowledge Catalog על סמך תובנות מפרופילי נתונים: הוספה אוטומטית של היבטים של Knowledge Catalog לנתונים אחרי ש-Sensitive Data Protection יוצר פרופיל של המשאבים
שליחת תוצאות הסריקה של Sensitive Data Protection אל Security Command Center: סריקה של קטגוריה ב-Cloud Storage, טבלה ב-BigQuery או סוג ב-Datastore, ואז שליחת הממצאים אל Security Command Center.
ניתוח ממצאים של Sensitive Data Protection ודיווח עליהם: שימוש ב-BigQuery כדי להריץ ניתוח על ממצאים של Sensitive Data Protection.
שליחת שאילתות לגבי ממצאים של Sensitive Data Protection ב-BigQuery: דוגמאות לשאילתות שאפשר להשתמש בהן ב-BigQuery כדי לנתח את הממצאים שזוהו על ידי הכלי להגנה על מידע אישי רגיש.

ניתוח נתונים מובְנים שמאוחסנים בטבלה ב-BigQuery וחישוב מדדי הסיכון הבאים לזיהוי מחדש:

קביעת ערכי מינימום, מקסימום וקוונטיל לעמודה ספציפית ב-BigQuery.

למדוד את ה-k-אנונימיות של קבוצת נתונים, ואז להציג אותה באופן ויזואלי ב-Data Studio.

הסרת פרטי זיהוי מנתוני BigQuery בזמן השאילתה: במדריך הזה מוסבר איך משתמשים בפונקציות מרוחקות של BigQuery כדי להסיר פרטי זיהוי מנתונים בתוצאות של שאילתות בזמן אמת, ולהוסיף אותם מחדש.
הסרת פרטי הזיהוי ושחזור פרטי זיהוי של פרטים אישיים מזהים (PII) במערכי נתונים גדולים באמצעות Sensitive Data Protection: סקירת ארכיטקטורה לדוגמה ליצירת צינור עיבוד נתונים אוטומטי להמרת נתונים, שמסיר פרטים אישיים מזהים (PII) ממידע אישי רגיש.

אבטחת מחסן נתונים ב-BigQuery שמאחסן מידע סודי: סקירה כללית על הארכיטקטורה ושיטות מומלצות למשילות מידע כשיוצרים, פורסים ומפעילים מחסן נתונים ב- Google Cloud, כולל הסרת פרטי הזיהוי של הנתונים, טיפול דיפרנציאלי במידע סודי ואמצעי בקרת גישה ברמת העמודה.

הפורומים הבאים נמצאים בבעלות ובניהול של חברי הקהילה, ולא של צוות Sensitive Data Protection. אם יש לכם שאלות לגבי הפריטים האלה, פנו לבעלים שלהם.

ארכיטקטורת תזמון מבוססת-אירועים בלי שרת (serverless) עם Sensitive Data Protection: הגדרת אפליקציית תזמון מבוססת-אירועים בלי שרת (serverless), שמשתמשת ב-Cloud Data Loss Prevention API כדי לבדוק נתונים ב-BigQuery.
זיהוי אנומליות בזמן אמת באמצעות Google Cloud ניתוח נתונים בזמן אמת ושירותי AI: הדרכה על תבנית של בינה מלאכותית (AI) בזמן אמת לזיהוי חריגות בקובצי יומן. הוכחת הקונספט הזו משתמשת ב-Pub/Sub,‏ Dataflow,‏ BigQuery ML וב-Sensitive Data Protection.
ייבוא מסד נתונים רלציוני ל-BigQuery באמצעות Dataflow ו-Sensitive Data Protection: שימוש ב-Dataflow וב-Sensitive Data Protection כדי ליצור טוקניזציה של נתונים ממסד נתונים רלציוני ולייבא אותם ל-BigQuery בצורה מאובטחת. בדוגמה הזו מתואר איך ליצור טוקניזציה של נתונים שכוללים פרטים אישיים מזהים (PII) לפני שהם נשמרים באופן קבוע.

כשבודקים טבלה ב-BigQuery, נושאים בעלויות של Sensitive Data Protection, בהתאם לתמחור של משימות בדיקה של אחסון.

בנוסף, כששומרים ממצאים של בדיקה בטבלה ב-BigQuery, חלים חיובים של BigQuery.