このページには、BigQuery で Sensitive Data Protection を使用する方法について記載しているページへの参照が含まれています。
クイックスタート ガイド
- クイックスタート: Sensitive Data Protection の検査スキャンのスケジュール設定
- Cloud Storage バケット、BigQuery テーブル、または Datastore の種類の定期的な検査のスケジュールを設定します。詳細な手順については、 Sensitive Data Protection 検査ジョブの作成とスケジュール設定をご覧ください。
入門ガイド
このセクションには、BigQuery で Sensitive Data Protection を使用する方法を説明する、タスクベースのガイドのカテゴリ別リストを掲載しています。
検査
- ストレージとデータベースに含まれる機密データの検査
- Cloud Storage バケット、BigQuery テーブル、または Datastore の種類にある機密データを検索する 1 回限りのジョブを作成します。
- Sensitive Data Protection の検査ジョブの作成とスケジュール設定
- Cloud Storage バケット、BigQuery テーブル、Datastore の種類に含まれる機密データを検索するジョブトリガーを作成してスケジュール設定します。ジョブトリガーは、定期的に Sensitive Data Protection ジョブの作成を自動化します。
スキャン結果の操作
- データ プロファイルからの分析情報に基づいて Knowledge Catalog のアスペクトを追加する
- Sensitive Data Protection によってリソースがプロファイリングされた後、Knowledge Catalog のアスペクトをデータに自動的に追加する
- Sensitive Data Protection のスキャン結果を Security Command Center に送信する
- Cloud Storage バケット、BigQuery テーブル、または Datastore の種類をスキャンしてから、検出結果を Security Command Center に送信します。
- Sensitive Data Protection の検出結果の分析と報告
- BigQuery を使用して、Sensitive Data Protection の検出結果の分析を実行します。
- BigQuery で Sensitive Data Protection の検出結果をクエリする
- 機密データの保護によって特定された結果を分析するために BigQuery で使用できるサンプルクエリについて確認します。
再識別リスクの分析
- 再識別と開示リスクの評価
BigQuery テーブルに保存されている構造化データを分析し、次の再識別リスク指標を計算します。
- 数値統計とカテゴリ統計の計算
個々の BigQuery 列の最小値、最大値、分位値を決定します。
- データポータルを使用した再識別リスクの可視化
データセットの k-匿名性 を測定し、 データポータルで可視化します。
チュートリアル
- クエリ時に BigQuery データを匿名化する
- BigQuery のリモート関数を使用してリアルタイムのクエリ結果でデータを匿名化、再識別する詳しい手順に従います。
- Sensitive Data Protection を使用した大規模なデータセットにおける PII の匿名化と再識別
- 個人を特定できる情報（PII）などの機密データを匿名化する自動データ変換パイプラインを作成するためのリファレンス アーキテクチャを確認します。
おすすめの方法
- 機密データを格納する BigQuery データ ウェアハウスを保護する
- データの匿名化、機密データの差分処理、 列レベルのアクセス制御など、 Google Cloudでデータ ウェアハウスを作成、 デプロイ、運用する際のデータ ガバナンスのための構造概要とベスト プラクティス。
視聴者への翻訳依頼
以下の対象は、機密データの保護チームではなく、コミュニティ メンバーが所有し、管理しています。これらの項目についてご不明な点がおありの場合は、それぞれのオーナーにお問い合わせください。
- Sensitive Data Protection を使用したイベント ドリブン サーバーレス スケジューリング アーキテクチャ
- Cloud Data Loss Prevention API を使用して BigQuery データを検査する、イベント ドリブンなサーバーレス スケジューリング アプリケーションを設定します。
- ストリーミング分析と AI サービスを使用したリアルタイムの異常検出 Google Cloud
- ログファイル内の異常を検出するためのリアルタイム人工知能（AI）パターンについて説明します。この概念実証では、Pub/Sub、Dataflow、BigQuery ML、Sensitive Data Protection を使用します。
- Dataflow と Sensitive Data Protection を使用した BigQuery へのリレーショナル データベースのインポート
- Dataflow と Sensitive Data Protection を使用して、リレーショナル データベースから BigQuery にデータを安全にトークン化してインポートします。この例では、PII データが永続化される前にトークン化する方法を説明します。
料金
BigQuery テーブルを検査すると、 機密データの保護の費用が発生します。これは、ストレージ検査ジョブの料金に従います。
さらに、検査結果を BigQuery テーブルに保存すると、BigQuery の料金 が適用されます。