בדף הזה מתוארים שני שירותים של Sensitive Data Protection שמאפשרים להבין את הנתונים שלכם ומסייעים לכם ליצור תהליכי עבודה למשילות מידע: שירות הגילוי ושירות הבדיקה.
מיון מידע אישי רגיש
שירות הגילוי עוקב אחרי הנתונים בארגון. השירות הזה פועל באופן רציף ומזהה, מסווג ויוצר פרופילים של נתונים באופן אוטומטי. התכונה 'גילוי נתונים' יכולה לעזור לכם להבין את המיקום והאופי של הנתונים שאתם מאחסנים, כולל משאבי נתונים שאולי לא ידועים לכם. נתונים לא ידועים (לפעמים נקראים נתוני צל) בדרך כלל לא עוברים את אותה רמה של משילות מידע (data governance) וניהול סיכונים כמו נתונים ידועים.
אפשר להגדיר את האיתור בהיקפים שונים. אתם יכולים להגדיר לוחות זמנים שונים ליצירת פרופילים עבור קבוצות משנה שונות של הנתונים. אפשר גם להחריג קבוצות משנה של נתונים שלא צריך ליצור להם פרופיל.
פלט של סריקת גילוי: פרופילי נתונים
הפלט של סריקת גילוי הוא קבוצה של פרופילי נתונים לכל משאב נתונים בהיקף. לדוגמה, סריקת גילוי של נתונים ב-BigQuery או ב-Cloud SQL יוצרת פרופילי נתונים ברמת הפרויקט, הטבלה והעמודה.
פרופיל נתונים מכיל מדדים ותובנות לגבי המשאב שנוצר לו פרופיל. הוא כולל את סיווגי הנתונים (או סוגי המידע), רמות הרגישות, רמות הסיכון של הנתונים, גודל הנתונים, צורת הנתונים ורכיבים אחרים שמתארים את אופי הנתונים ומצב אבטחת הנתונים (עד כמה הנתונים מאובטחים). אתם יכולים להשתמש בפרופילים של נתונים כדי לקבל החלטות מושכלות לגבי האופן שבו כדאי להגן על הנתונים שלכם – למשל, על ידי הגדרת מדיניות גישה לטבלה.
נניח שיש עמודה ב-BigQuery בשם ccn, שכל שורה בה מכילה מספר כרטיס אשראי ייחודי ואין בה ערכים מסוג null. פרופיל הנתונים שנוצר ברמת העמודה יכלול את הפרטים הבאים:
| השם המוצג | ערך |
|---|---|
Field ID |
ccn |
Data risk |
High |
Sensitivity |
High |
Data type |
TYPE_STRING |
Policy tags |
No |
Free text score |
0 |
Estimated uniqueness |
High |
Estimated null proportion |
Very low |
Last profile generated |
DATE_TIME |
Predicted infoType |
CREDIT_CARD_NUMBER |
בנוסף, הפרופיל ברמת העמודה הוא חלק מפרופיל ברמת הטבלה, שכולל תובנות כמו מיקום הנתונים, סטטוס ההצפנה והאם הטבלה משותפת עם הציבור. במסוף Google Cloud , אפשר גם לראות את הרשומות של Cloud Logging עבור הטבלה ואת ישויות ה-IAM עם התפקידים בטבלה.
רשימה מלאה של המדדים והתובנות שזמינים בפרופילי נתונים מופיעה במאמר הפניה למדדים.
מתי כדאי להשתמש באיתור
כשמתכננים את הגישה לניהול סיכוני הנתונים, מומלץ להתחיל עם גילוי. שירות הגילוי עוזר לכם לקבל תמונה רחבה של הנתונים שלכם ומאפשר לכם להגדיר התראות, דוחות ופתרון של בעיות.
הנה כמה תרחישי שימוש נפוצים:
- קבלת תצוגה רחבה של סביבות הענן: סריקה ופרופיל של כל נכסי הנתונים בארגון, בתיקייה או בפרויקט באופן רציף, בלי ליצור משימות סריקה נפרדות.
- גילוי נתונים לא רשמיים ומאגרי מידע לא מנוהלים: זיהוי טבלאות ודליים שנוצרו לאחרונה או שלא סווגו, ושחסרים בהם אמצעי בקרה מתאימים לניהול או לגישה.
- קובעים סדר עדיפויות ליוזמות אבטחה באמצעות חישוב של ציון סיכונים: מתמקדים בתיקון ובמשאבי ההגנה במאגרי נתונים שזוהו כבעלי רגישות גבוהה וניקוד סיכונים גבוה.
- זיהוי מועמדים לבדיקה מעמיקה: זיהוי טבלאות ומאגרי אחסון עם ציונים גבוהים של טקסט חופשי שמכילים תגובות או ביקורות לא מובנות שדורשות סריקה גרנולרית.
בדיקה של מידע אישי רגיש
שירות הבדיקה מבצע סריקה מקיפה של משאב יחיד כדי לאתר כל מופע בודד של מידע אישי רגיש. במהלך הבדיקה נוצר ממצא לכל מופע שזוהה.
משימות בדיקה מספקות מגוון רחב של אפשרויות הגדרה שיעזרו לכם לאתר את הנתונים שאתם רוצים לבדוק. לדוגמה, אתם יכולים להפעיל דגימה כדי להגביל את הנתונים שייבדקו למספר מסוים של שורות (לנתוני BigQuery) או לסוגים מסוימים של קבצים (לנתוני Cloud Storage). אפשר גם לטרגט טווח זמן ספציפי שבו הנתונים נוצרו או שונו.
בניגוד לגילוי, שבו המערכת עוקבת אחרי הנתונים שלכם באופן רציף, בדיקה היא פעולה שמתבצעת לפי דרישה. עם זאת, אתם יכולים לתזמן עבודות בדיקה חוזרות שנקראות טריגרים של עבודות.
פלט של סריקת בדיקה: ממצאים
כל ממצא כולל פרטים כמו המיקום של המופע שזוהה, סוג המידע הפוטנציאלי שלו ורמת הוודאות (שנקראת גם סבירות) שהממצא תואם לסוג המידע. בהתאם להגדרות, אפשר גם לקבל את המחרוזת בפועל שהממצא מתייחס אליה. המחרוזת הזו נקראת ציטוט ב-Sensitive Data Protection.
רשימה מלאה של הפרטים שכלולים בממצא של בדיקה זמינה במאמר Finding.
מתי כדאי להשתמש בכלי הבדיקה
הנה כמה תרחישי שימוש נפוצים:
- סריקת טקסט לא מובנה ושדות חופשיים: איתור של כל מופע ספציפי של פרטים אישיים מזהים (PII) בתגובות של לקוחות, בטפסים למשוב, בכרטיסי תמיכה ובמאגרי מסמכים.
- ביצוע ביקורות תאימות בנקודת זמן מסוימת במשאב יחיד: יצירת דוח מפורט של ממצאים שמתעד את המיקום המדויק של כל הפריטים הרגישים בטבלה או בדלי היעד, לפי בייט ושורה.
- בדיקת מקורות נתונים היברידיים ומרובי עננים: הזרמת מטענים ייעודיים (payloads) ישירות משרתים מקומיים, מצינורות ETL או מעננים חיצוניים כדי ליצור דוחות מרכזיים של ממצאים ב- Google Cloud.
- הפעלת תהליכי עבודה אוטומטיים של הסגר והתראות: פרסום הממצאים שזוהו ב-Pub/Sub או שמירתם ישירות בטבלאות של BigQuery כדי להניע תיקון מבוסס-אירועים.
מתי לא כדאי להשתמש בבדיקה
בדיקת משאב לא תועיל אם מתקיימים שני התנאים הבאים: סריקת גילוי יכולה לעזור לכם להחליט אם נדרשת סריקת בדיקה.
- במשאב יש רק נתונים מובְנים. כלומר, אין עמודות של נתונים חופשיים, כמו תגובות או ביקורות של משתמשים.
- אתם כבר יודעים אילו סוגי מידע מאוחסנים במשאב הזה.
לדוגמה, נניח שפרופילי נתונים מסריקת גילוי מציינים שלטבלה מסוימת ב-BigQuery אין עמודות עם נתונים לא מובנים, אבל יש לה עמודה של מספרים ייחודיים של כרטיסי אשראי. במקרה כזה, בדיקה של מספרי כרטיסי אשראי בטבלה לא תועיל. במהלך הבדיקה יתגלה ממצא לכל פריט בעמודה. אם יש לכם מיליון שורות וכל שורה מכילה מספר כרטיס אשראי אחד, עבודת בדיקה תפיק מיליון ממצאים עבור CREDIT_CARD_NUMBER infoType. בדוגמה הזו, אין צורך בבדיקה כי הסריקה לגילוי כבר מציינת שהעמודה מכילה מספרים ייחודיים של כרטיסי אשראי.
מיקום אחסון הנתונים, העיבוד והאחסון
גם גילוי וגם בדיקה תומכים בדרישות של מיקום אחסון הנתונים:
- שירות הגילוי מעבד את הנתונים שלכם במקום שבו הם נמצאים, ומאחסן את פרופילי הנתונים שנוצרו באותו אזור או באותו מרחב רב-אזורי שבו נמצאים הנתונים שנוצרו מהם הפרופילים. מידע נוסף מופיע במאמר שיקולים לגבי מיקום אחסון הנתונים.
- כשבודקים נתונים ב Google Cloud מערכת אחסון, שירות הבדיקה מעבד את הנתונים באותו אזור שבו הנתונים נמצאים, ומאחסן את עבודת הבדיקה באותו אזור. כשבודקים נתונים באמצעות עבודה היברידית או באמצעות שיטה
content, שירות הבדיקה מאפשר לציין איפה הוא צריך לעבד את הנתונים. מידע נוסף מופיע במאמר איך הנתונים מאוחסנים.
סיכום השוואה: שירותי גילוי ובדיקה
| Discovery | בדיקה | |
|---|---|---|
| יתרונות |
|
|
| עלות |
עלות של 10TB היא בערך 300$לחודש במצב צריכה. |
עלות סריקה של 10TB היא בערך 10,000 דולר ארה"ב. |
| מקורות נתונים נתמכים | BigLake BigQuery משתני סביבה של פונקציות Cloud Run משתני סביבה של עדכון שירות Cloud Run Cloud SQL Cloud Storage Vertex AI Amazon S3 Azure Blob Storage |
BigQuery Cloud Storage Datastore היברידי (כל מקור)1 |
| היקפים נתמכים |
|
טבלה אחת ב-BigQuery, קטגוריה אחת ב-Cloud Storage או סוג אחד ב-Datastore. |
| תבניות מובנות לבדיקה | כן | כן |
| infoType מובנה ו-infoType מותאם אישית | כן | כן |
| פלט הסריקה | סקירה כללית (פרופילי נתונים) של כל הנתונים הנתמכים. | ממצאים קונקרטיים של מידע אישי רגיש במשאב שנבדק. |
| שמירת התוצאות ב-BigQuery | כן | כן |
| שליחה אל Knowledge Catalog כתגים (הוצא משימוש) | כן | כן |
| שליחה אל Knowledge Catalog כהיבטים | כן | לא |
| פרסום תוצאות ב-Security Command Center | כן | כן |
| פרסום הממצאים ב-Google Security Operations | כן לגילוי ברמת הארגון וברמת התיקייה | לא |
| פרסום ב-Pub/Sub | כן | כן |
| תמיכה במיקום אחסון הנתונים | כן | כן |
1 למודל התמחור של בדיקה היברידית יש מאפיינים שונים. מידע נוסף זמין במאמר בנושא בדיקת נתונים מכל מקור .
המאמרים הבאים
- אסטרטגיות מומלצות לצמצום הסיכון לנתונים (המסמך הבא בסדרה)