בדף הזה מתוארים ומושווים שני שירותים של Sensitive Data Protection שעוזרים להבין את הנתונים ומאפשרים תהליכי עבודה של משילות מידע (data governance): שירות הגילוי ושירות הבדיקה.
מיון מידע אישי רגיש
שירות הגילוי עוקב אחרי הנתונים בכל הארגון. השירות הזה פועל באופן רציף ומזהה, מסווג ומאפיין נתונים באופן אוטומטי. החיפוש יכול לעזור לכם להבין את המיקום והאופי של הנתונים שאתם מאחסנים, כולל משאבי נתונים שאולי אתם לא מודעים אליהם. נתונים לא ידועים (לפעמים נקראים נתוני צל) בדרך כלל לא עוברים את אותה רמה של משילות מידע וניהול סיכונים כמו נתונים ידועים.
אתם יכולים להגדיר את החיפוש בהיקפים שונים. אתם יכולים להגדיר תזמונים שונים ליצירת פרופילים לקבוצות משנה שונות של הנתונים. אפשר גם להחריג קבוצות משנה של נתונים שלא צריך ליצור להן פרופיל.
פלט של סריקת גילוי: פרופילי נתונים
הפלט של סריקת הגילוי הוא קבוצה של פרופילי נתונים לכל משאב נתונים בהיקף. לדוגמה, סריקת גילוי של נתונים ב-BigQuery או ב-Cloud SQL יוצרת פרופילי נתונים ברמות הפרויקט, הטבלה והעמודה.
פרופיל נתונים מכיל מדדים ותובנות לגבי המשאב שנוצר לו פרופיל. הוא כולל את סיווגי הנתונים (או infoTypes), רמות הרגישות, רמות הסיכון של הנתונים, גודל הנתונים, צורת הנתונים ורכיבים אחרים שמתארים את אופי הנתונים ואת מצב אבטחת המידע שלהם (עד כמה הנתונים מאובטחים). אתם יכולים להשתמש בפרופילי נתונים כדי לקבל החלטות מושכלות לגבי ההגנה על הנתונים שלכם – לדוגמה, על ידי הגדרת כללי מדיניות גישה בטבלה.
נניח שיש עמודה ב-BigQuery בשם ccn, שכל שורה בה מכילה מספר ייחודי של כרטיס אשראי ואין בה ערכים ריקים. 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, שמספק תובנות כמו מיקום הנתונים, סטטוס ההצפנה ואם הטבלה משותפת באופן ציבורי. במסוף Google Cloud , אתם יכולים גם לראות את רשומות היומן ב-Cloud Logging של הטבלה ואת הישויות המורשות ב-IAM עם תפקידים בטבלה.
לרשימה מלאה של המדדים והתובנות שזמינים בפרופילי נתונים, ראו הפניית מדדים.
מתי כדאי להשתמש בקמפיינים מסוג Discovery
כשאתם מתכננים את הגישה שלכם לניהול סיכוני נתונים, מומלץ להתחיל בזיהוי. שירות הגילוי עוזר לכם לקבל תמונה רחבה של הנתונים ולהפעיל התראות, דיווח ותיקון של בעיות.
הנה כמה תרחישי שימוש נפוצים:
- קבלת הרשאות גישה נרחבות בסביבות ענן: סריקה ויצירת פרופילים באופן רציף לכל נכסי הנתונים בארגון, בתיקייה או בפרויקט, בלי ליצור משימות סריקה נפרדות.
- חשיפת נתונים לא מנוהלים ומאגרים לא מנוהלים: זיהוי טבלאות וקטגוריות חדשות או לא מסווגות שאין להן אמצעי בקרה מתאימים לניהול או לגישה.
- תעדוף יוזמות אבטחה באמצעות חישוב של ציון סיכונים: התמקדות במשאבי תיקון והגנה במאגרי נתונים שזוהו עם רגישות גבוהה וציוני סיכון גבוהים לנתונים.
- זיהוי מועמדים לבדיקה מעמיקה: זיהוי טבלאות וקטגוריות אחסון עם ציוני טקסט חופשי גבוהים, שמכילים הערות או ביקורות לא מובנות שדורשות סריקה מפורטת.
בדיקה של מידע אישי רגיש
שירות הבדיקה מבצע סריקה מקיפה של משאב יחיד כדי לאתר כל מופע של מידע אישי רגיש. בכל בדיקה נוצר ממצא לכל מופע שזוהה.
משימות בדיקה מספקות קבוצה עשירה של אפשרויות הגדרה, שעוזרות לכם לאתר את הנתונים שאתם רוצים לבדוק. לדוגמה, אפשר להפעיל דגימה כדי להגביל את הנתונים שייבדקו למספר מסוים של שורות (לנתונים ב-BigQuery) או לסוגי קבצים מסוימים (לנתונים ב-Cloud Storage). אפשר גם לטרגט טווח זמן ספציפי שבו הנתונים נוצרו או שונו.
בניגוד לגילוי, שבו הנתונים מנוטרים באופן רציף, בדיקה היא פעולה שמתבצעת על פי דרישה. עם זאת, אתם יכולים לתזמן משימות בדיקה חוזרות שנקראות טריגרים של משימות.
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, אתם יכולים גם לקבל את המחרוזת בפועל שהממצא מתייחס אליה. המחרוזת הזו נקראת ציטוט ב-Sensitive Data Protection.
לרשימה המלאה של הפרטים שכלולים בממצאי הבדיקה, קראו את המאמר Finding.
מתי כדאי להשתמש בבדיקה
הנה כמה תרחישי שימוש נפוצים:
- סריקת טקסט לא מובנה ושדות בפורמט חופשי: איתור כל מופע ספציפי של פרטים אישיים מזהים (PII) בתגובות של לקוחות, בטופסי משוב, בכרטיסי תמיכה ובמאגרי מסמכים.
- ביצוע ביקורות תאימות בנקודת זמן מסוימת במשאב יחיד: יצירת דוח ממצאים מפורט שמתעד את המיקומים המדויקים של הבייטים והשורות של כל הפריטים הרגישים בטבלה או בקטגוריה מסוימת.
- בדיקה של זרמי נתונים היברידיים ומרובי-עננים: אפשר להעביר מטען ייעודי (payload) של נתונים ישירות משרתים מקומיים, מצינורות עיבוד נתונים של ETL או מעננים חיצוניים, כדי ליצור דוחות ממצאים מרוכזים ב- Google Cloud.
- הפעלה של תהליכי עבודה אוטומטיים להסגר ולהתראות: פרסום הממצאים שזוהו ב-Pub/Sub או שמירה שלהם ישירות בטבלאות BigQuery כדי להפעיל תיקון מבוסס-אירועים.
מתי לא כדאי להשתמש בבדיקה
בדיקת משאב לא תועיל אם שני התנאים הבאים מתקיימים. סריקת גילוי יכולה לעזור לכם להחליט אם יש צורך בסריקת בדיקה.
- יש לכם רק נתונים מובְנים במשאב. כלומר, אין עמודות של נתונים בפורמט חופשי, כמו תגובות או ביקורות של משתמשים.
- אתם כבר יודעים אילו סוגי מידע מאוחסנים במשאב הזה.
לדוגמה, נניח שפרופילי נתונים מסריקת גילוי מצביעים על כך שבטבלה מסוימת ב-BigQuery אין עמודות עם נתונים לא מובְנים, אבל יש עמודה של מספרי כרטיסי אשראי ייחודיים. במקרה כזה, בדיקה של מספרי כרטיסי אשראי בטבלה לא תועיל. בדיקה תפיק ממצא לכל פריט בעמודה. אם יש לכם מיליון שורות ובכל שורה יש מספר אחד של כרטיס אשראי, משימת הביקורת תפיק מיליון ממצאים של סוג המידע CREDIT_CARD_NUMBER. בדוגמה הזו, אין צורך בבדיקה כי סריקת הגילוי כבר מציינת שהעמודה מכילה מספרי כרטיסי אשראי ייחודיים.
מיקום אחסון הנתונים, עיבוד הנתונים ואחסון הנתונים
גם הגילוי וגם הבדיקה תומכים בדרישות לגבי מיקום אחסון הנתונים:
- שירות הגילוי מעבד את הנתונים במקום שבו הם נמצאים, ומאחסן את פרופילי הנתונים שנוצרו באותו אזור או באותו מרחב רב-אזורי שבו נמצאים הנתונים שנוצר להם פרופיל. מידע נוסף זמין במאמר שיקולים בנוגע למיקום אחסון הנתונים.
- כשבודקים נתונים בתוך Google Cloud מערכת אחסון, שירות הבדיקה מעבד את הנתונים באותו אזור שבו הנתונים נמצאים, ומאחסן את משימת הבדיקה באזור הזה. כשבודקים נתונים באמצעות משימה היברידית או באמצעות שיטה של
content, שירות הבדיקה מאפשר לכם לציין איפה לעבד את הנתונים. למידע נוסף, ראו איך הנתונים מאוחסנים.
סיכום השוואה: שירותי גילוי ובדיקה
| גילוי | בדיקה | |
|---|---|---|
| יתרונות |
|
|
| עלות |
10TB עולים בערך 300$לחודש במצב צריכה. |
10TB עולים בערך 10,000$לכל סריקה. |
| מקורות נתונים נתמכים | BigLake BigQuery משתני סביבה של פונקציות Cloud Run משתני סביבה של גרסאות שירות של Cloud Run Cloud SQL Cloud Storage Vertex AI Amazon S3 Azure Blob Storage |
BigQuery Cloud Storage Datastore היברידי (כל מקור)1 |
| היקפי הרשאות נתמכים |
|
טבלה אחת ב-BigQuery, קטגוריה אחת ב-Cloud Storage או סוג אחד ב-Datastore. |
| תבניות בדיקה מובנות | כן | כן |
| סוגי מידע (infoTypes) מובנים ובהתאמה אישית | כן | כן |
| פלט הסריקה | סקירה כללית ברמה גבוהה (פרופילי נתונים) של כל הנתונים הנתמכים. | ממצאים קונקרטיים של מידע אישי רגיש במשאב שנבדק. |
| שמירת התוצאות ב-BigQuery | כן | כן |
| שליחה ל-Knowledge Catalog כהיבטים | כן | לא |
| פרסום התוצאות ב-Security Command Center | כן | כן |
| פרסום ממצאים ב-Google Security Operations | כן, לזיהוי ברמת הארגון וברמת התיקייה | לא |
| פרסום ב-Pub/Sub | כן | כן |
| תמיכה במיקום אחסון הנתונים | כן | כן |
1 לבדיקה היברידית יש מודל תמחור שונה. מידע נוסף זמין במאמר בדיקת נתונים מכל מקור .
המאמרים הבאים
- אסטרטגיות מומלצות לצמצום הסיכון לנתונים (המאמר הבא בסדרה)