Gelegentlich veröffentlichen wir Dokumente, Blogposts und Videos zum Thema Sensitive Data Protection. Sie sind hier aufgelistet.
Blogposts
Erste Schritte mit der integrierten Tokenisierung von Google Cloudfür Sensitive Data Protection
In diesem Blogpost wird die Verwendung der Tokenisierung als Möglichkeit zur De-Identifizierung sensibler Datenelemente erläutert, ohne dass die Möglichkeit verloren geht, Daten über Datasets hinweg zu verknüpfen oder aggregierte Daten zu erstellen. In diesem Beitrag werden auch die Tokenisierungsfunktionen von Sensitive Data Protection vorgestellt.
Eine technische Dokumentation zu diesem Feature finden Sie unter Pseudonymisierung.
Standardmäßig sicherer: Zugriffssteuerung mit Sensitive Data Protection und bedingtem IAM automatisieren
In diesem Blogpost wird die Möglichkeit vorgestellt, den IAM-Zugriff (Identity and Access Management) auf Ressourcen automatisch basierend auf der Vertraulichkeit der Daten in diesen Ressourcen zu gewähren oder zu verweigern.
Eine technische Dokumentation zu dieser Funktion finden Sie unter IAM-Zugriff basierend auf der Datensensibilität steuern.
Generative KI-Arbeitslasten mit Sensitive Data Protection schützen
In diesem Blogpost wird ein datenorientierter Ansatz zum Schutz generativer KI-Anwendungen mit Sensitive Data Protection vorgestellt. Außerdem wird ein Jupyter Notebook mit Beispielen aus der Praxis bereitgestellt.
Blogpost lesen: „How Sensitive Data Protection can help secure generative AI workloads“
Automatisches Datenrisikomanagement für BigQuery mit DLP
Der Dienst zur Erkennung sensibler Daten scannt kontinuierlich Daten in Ihrer gesamten Organisation, um Ihnen einen allgemeinen Überblick über Ihre Daten zu geben und Ihnen zu zeigen, wo sensible Daten gespeichert und verarbeitet werden. Dieses Bewusstsein ist ein wichtiger erster Schritt zum Schutz und zur Verwaltung Ihrer Daten und dient als wichtige Kontrolle, um Ihre Sicherheits-, Datenschutz- und Compliance-Maßnahmen zu verbessern.
Blogpost lesen: „Automatisches Datenrisikomanagement für BigQuery mit DLP“
Compliance genügt nicht: Neue DLP-Ansätze für die Cloud-orientierte Welt von heute
Ein Blick zurück auf die Entwicklung von DLP ist sinnvoll, bevor eine Diskussion über den Einsatz von DLP in der heutigen Umgebung, einschließlich Compliance, Sicherheits- und Datenschutzanwendungsfällen, geführt werden kann.
Blogpost lesen: "Compliance genügt nicht: Neue DLP-Ansätze für die Cloud-orientierte Welt von heute"
Sensible Daten mit nur wenigen Mausklicks erfassen
Ein genauerer Blick auf die Google Cloud Console-Benutzeroberfläche für Sensitive Data Protection, um zu zeigen, wie Sie mit nur wenigen Klicks mit der Prüfung Ihrer Unternehmensdaten beginnen können.
Blogpost lesen: "Take charge of your data: Scan for sensitive data in just a few clicks"
Daten durch Tokenisierung nutzbar machen, ohne den Datenschutz zu beeinträchtigen
Die Tokenisierung, manchmal auch als Pseudonymisierung oder Wertersetzung bezeichnet, wird in Branchen wie der Finanzbranche und dem Gesundheitswesen häufig verwendet, um die Nutzung von aktiven Daten zu verringern, den Compliance-Bereich zu verkleinern und vertrauliche Daten so selten wie möglich für System sichtbar zu machen, die sie nicht benötigen. Mit Sensitive Data Protection können Kunden die Tokenisierung im großen Maßstab mit minimalem Einrichtungsaufwand durchführen.
Sensitive Data Protection zum De-Identifizieren und Verschleiern sensibler Informationen verwenden
Das Team bespricht, wie Sensitive Data Protection zum Schutz von Daten eingesetzt werden kann, indem Techniken zur Verschleierung und Minimierung von Daten automatisch in die Workflows eingebunden werden.
Sensitive Data Protection zum Suchen und Schützen von personenidentifizierbaren Informationen verwenden
Scott Ellis, Product Manager für Sensitive Data Protection, erläutert, wie Sie Sensitive Data Protection nutzen können, um Ihre Datenschutzmaßnahmen zu verbessern.
Blogpost lesen: "Take charge of your data: Using Cloud DLP to find and protect PII"
BigQuery mit Sensitive Data Protection scannen
Das Team zeigt, wie Sie BigQuery ganz einfach über dieGoogle Cloud Console scannen können.
Blogpost lesen: „BigQuery mit Sensitive Data Protection auf sensible Daten scannen“
Lösungen
Hybride Prüfung von SQL-Datenbanken mit JDBC durch Sensitive Data Protection
In dieser Anleitung wird gezeigt, wie Sie die hybride Inspektionsmethode von Sensitive Data Protection mit einem JDBC-Treiber verwenden, um Stichproben von Tabellen in einer SQL-Datenbank wie MySQL, SQL Server oder PostgreSQL zu prüfen, die praktisch überall ausgeführt werden.
Anleitung lesen: „Sensitive Data Protection-Hybridprüfung für SQL-Datenbanken mit JDBC“
Speech Redaction Framework mit Sensitive Data Protection
Diese Anleitung enthält eine Sammlung von Komponenten und Code, mit denen Sie vertrauliche Informationen aus Audiodateien entfernen können. Mithilfe von in Cloud Storage hochgeladenen Dateien können vertrauliche Ergebnisse erkannt und geschrieben oder vertrauliche Informationen aus der Audiodatei entfernt werden.
Darüber hinaus enthält eine zweite Anleitung, das Speech Analysis Framework, eine Sammlung von Komponenten und Code, mit denen Sie Audio transkribieren, eine Datenpipeline für die Analyse transkribierter Audiodateien erstellen und vertrauliche Informationen aus Audiotranskripten mit Sensitive Data Protection entfernen können.
GitHub: „Speech Redaction Framework”
GitHub: „Speech Analysis Framework”
Ereignisgesteuerte serverlose Planungsarchitektur mit Sensitive Data Protection
In dieser Anleitung wird eine einfache, aber effektive und skalierbare ereignisgesteuerte serverlose Planungsarchitektur mit Google Cloud -Diensten vorgestellt. Das Beispiel zeigt, wie Sie mit der DLP API BigQuery-Daten untersuchen.
Anleitung lesen: „Ereignisgesteuerte serverlose Planungsarchitektur mit Sensitive Data Protection“
Sensitive Data Protection-Filter für Envoy
Der Sensitive Data Protection-Filter für Envoy ist ein WebAssembly-HTTP-Filter („Wasm“) für Envoy-Sidecar-Proxys in einem Istio-Service Mesh. Der Filter für Sensitive Data Protection für Envoy erfasst den Traffic der Proxy-Datenebene und sendet ihn zur Prüfung an Sensitive Data Protection, wo die Nutzlast auf sensible Daten, einschließlich personenidentifizierbarer Informationen, gescannt wird.
GitHub: Sensitive Data Protection-Filter für Envoy
Anomalieerkennung mit Streaminganalysen und KI
In diesem Beitrag wird ein Echtzeit-KI-Muster zum Erkennen von Anomalien in Logdateien beschrieben. Durch die Analyse und Extraktion von Features aus Netzwerklogs haben wir einem Telekommunikationskunden dabei geholfen, eine Streaminganalyse-Pipeline zur Erkennung von Anomalien zu erstellen. Außerdem wird erläutert, wie Sie dieses Muster an die Echtzeitanforderungen Ihrer Organisation anpassen können. Diese Proof of Concept-Lösung verwendet Pub/Sub, Dataflow, BigQuery ML und Sensitive Data Protection.
Blogpost lesen: „Anomalieerkennung mit Streamanalyse und KI“
Anleitung "Echtzeit-Anomalieerkennung mit Google Cloud Streamanalyse- und KI-Diensten"
Personenidentifizierbare Informationen in umfangreichen Datasets mit Sensitive Data Protection de-identifizieren und re-identifizieren
In dieser Lösung wird beschrieben, wie Sie mit Sensitive Data Protection eine automatisierte Pipeline zur Datentransformation erstellen, um sensible Daten, beispielsweise personenidentifizierbare Informationen, zu de-identifizieren. Diese Inspektions- und Migrationslösung liest strukturierte und unstrukturierte Daten aus Speichersystemen wie Amazon S3 und Cloud Storage. Daten können mit der DLP API automatisch de-identifiziert und an BigQuery und Cloud Storage gesendet werden.
GitHub: "Data Tokenization PoC Using Dataflow/Beam and DLP API"
Klassifizierung der in Cloud Storage hochgeladenen Daten automatisieren
In dieser Anleitung wird gezeigt, wie Sie mithilfe von Cloud Storage und anderen Google Cloud-Produkten ein automatisiertes System zur Datenquarantäne und -klassifizierung implementieren.
Anleitung lesen: „Klassifizierung der in Cloud Storage hochgeladenen Daten automatisieren“
Relationaler Datenbankimport in BigQuery mit Dataflow
In diesem Proof of Concept werden Dataflow und Sensitive Data Protection verwendet, um Daten aus einer relationalen Datenbank sicher zu tokenisieren und in BigQuery zu importieren. Im Beispiel wird beschrieben, wie Sie diese Pipeline mit einer SQL Server-Beispieldatenbank verwenden, die in Google Kubernetes Engine erstellt wurde, und wie Sie eine Sensitive Data Protection-Vorlage verwenden, um personenidentifizierbare Informationen vor der Speicherung zu tokenisieren.
GitHub: Relationale Datenbank mit Dataflow und Sensitive Data Protection in BigQuery importieren
Videos
Cloud Next '20: OnAir: Sensible Daten in Hybridumgebungen verwalten
Vertrauliche Daten sind in Unternehmensumgebungen sowohl in und außerhalb der Cloud vorhanden. Die korrekte Verwaltung dieser Daten ist unabhängig vom Speicherort wichtig. In dieser Session zeigen wir Ihnen, wie Sie mit Sensitive Data Protection Daten verwalten können. Dabei konzentrieren wir uns auf die Unterstützung der Prüfung von Inhalten in Hybridumgebungen wie lokalen Umgebungen, Datenbanken, die auf virtuellen Maschinen ausgeführt werden, Dateien, die bei anderen Cloud-Anbietern gehostet werden, Daten, die in Kubernetes fließen, und mehr.
YouTube: SEC206: Managing Sensitive Data in Hybrid Environments
Anleitung lesen: „Sensitive Data Protection-Filter für Envoy“
Anleitung lesen: „Sensitive Data Protection-Hybridprüfung für SQL-Datenbanken mit JDBC“
Cloud OnAir: Schutz sensibler Datasets in Google Cloud
Daten gehören zu den wertvollsten Ressourcen Ihres Unternehmens. Mit Analytics und maschinellem Lernen können Sie hilfreiche Dienste für Ihre Kunden und Ihr Unternehmen bereitstellen. Diese Datasets können auch sensible Daten enthalten, die geschützt werden müssen. In diesem Webinar erfahren Sie, wie Sie mit Sensitive Data Protection sensible Daten im Rahmen einer allgemeinen Governance-Strategie erkennen, klassifizieren und de-identifizieren können.
YouTube: Cloud OnAir: Protecting sensitive datasets in Google Cloud
Cloud Next 2019: Die Scotiabank stellt ihren cloudnativen Ansatz zur Aufnahme personenidentifizierbarer Informationen in Google Cloudvor
Als große internationale Bank erläutert die Scotiabank ihre Sicherheitsstrategie und ihren cloudnativen Ansatz für die Aufnahme personenidentifizierbarer Informationen in Google Cloud, die Einschränkung des Zugriffs und die sorgfältige und selektive Re-Identifizierung durch Bankanwendungen.
YouTube: Comprehensive Protection of PII in Google Cloud (Cloud Next '19)
Cloud Next 2019: Sensible Daten in der Cloud identifizieren und schützen
Das Team stellt die neuesten Fortschritte bei Sensitive Data Protection vor und demonstriert verschiedene Techniken zum Schutz Ihrer sensiblen Daten.