Menghitung δ-kehadiran untuk set data

Kehadiran delta (kehadiran δ) adalah metrik yang mengukur probabilitas bahwa seorang individu termasuk dalam set data yang dianalisis. Seperti k-map, Anda dapat memperkirakan nilai kehadiran δ menggunakan Sensitive Data Protection, yang menggunakan model statistik untuk memperkirakan set data serangan.

δ-presence berbeda dengan metode analisis risiko lainnya, yang set data serangannya diketahui secara eksplisit. Bergantung pada jenis data, Sensitive Data Protection menggunakan set data yang tersedia secara publik (misalnya, dari Sensus AS) atau model statistik kustom (misalnya, satu atau beberapa tabel BigQuery yang Anda tentukan), atau mengekstrapolasi dari distribusi nilai dalam set data input Anda.

Topik ini menunjukkan cara menghitung nilai kehadiran δ untuk set data menggunakan Sensitive Data Protection. Untuk mengetahui informasi selengkapnya tentang kehadiran δ atau analisis risiko secara umum, lihat topik konsep analisis risiko sebelum melanjutkan.

Catatan: Saat ini, Anda hanya dapat menghitung nilai kehadiran δ menggunakan DLP API atau library klien yang didukung Sensitive Data Protection. Sensitive Data Protection di konsolGoogle Cloud tidak mendukung komputasi nilai kehadiran δ.

Catatan: Membatalkan operasi sebelum waktunya di tengah-tengah tugas tetap akan dikenai biaya untuk bagian tugas yang telah diselesaikan. Untuk mengetahui informasi selengkapnya tentang penagihan, lihat harga Sensitive Data Protection.

Sebelum memulai

Sebelum melanjutkan, pastikan Anda telah melakukan hal berikut:

1. Login ke Akun Google Anda.
2. Di konsol Google Cloud , pada halaman pemilih project, pilih atau buat project Google Cloud .
Buka pemilih project
3. Pastikan penagihan diaktifkan untuk project Google Cloud Anda. Pelajari cara mengonfirmasi bahwa penagihan diaktifkan untuk project Anda.
4. Mengaktifkan Sensitive Data Protection.
Mengaktifkan Sensitive Data Protection
5. Pilih set data BigQuery untuk dianalisis. Sensitive Data Protection memperkirakan metrik kehadiran δ dengan memindai tabel BigQuery.
6. Tentukan jenis set data yang ingin Anda gunakan untuk membuat model set data serangan. Untuk mengetahui informasi selengkapnya, lihat halaman referensi untuk objek DeltaPresenceEstimationConfig, serta Istilah dan teknik analisis risiko.

Menghitung metrik kehadiran δ

Untuk menghitung estimasi kehadiran δ menggunakan Sensitive Data Protection, kirim permintaan ke URL berikut, dengan PROJECT_ID menunjukkan ID project Anda:

https://dlp.googleapis.com/v2/projects/PROJECT_ID/dlpJobs

Permintaan berisi objek RiskAnalysisJobConfig, yang terdiri dari hal berikut:

• Objek PrivacyMetric. Di sinilah Anda menentukan bahwa Anda ingin menghitung kehadiran δ dengan menentukan objek DeltaPresenceEstimationConfig yang berisi hal berikut:

  • quasiIds[]: Wajib diisi. Kolom (objek QuasiId) yang dianggap sebagai quasi-identifier untuk dipindai dan digunakan untuk menghitung kehadiran δ. Tidak boleh ada dua kolom yang memiliki tag yang sama. Ini dapat berupa salah satu dari hal berikut:

    • infoType: Hal ini menyebabkan Sensitive Data Protection menggunakan set data publik yang relevan sebagai model statistik populasi, termasuk kode pos AS, kode wilayah, usia, dan gender.
    • infoType kustom: Tag kustom tempat Anda menunjukkan tabel tambahan (objek AuxiliaryTable) yang berisi informasi statistik tentang kemungkinan nilai kolom ini.
    • Tag inferred: Jika tidak ada tag semantik yang ditunjukkan, tentukan inferred. Sensitive Data Protection menyimpulkan model statistik dari distribusi nilai dalam data input.

  • regionCode: Kode wilayah ISO 3166-1 alpha-2 untuk digunakan Sensitive Data Protection dalam pemodelan statistik. Nilai ini diperlukan jika tidak ada kolom yang diberi tag dengan infoType khusus wilayah (misalnya, kode pos AS) atau kode wilayah.

  • auxiliaryTables[]: Tabel tambahan (objek StatisticalTable) yang akan digunakan dalam analisis. Setiap tag kustom yang digunakan untuk memberi tag pada kolom quasi-identifier (dari quasiIds[]) harus muncul di tepat satu kolom dari satu tabel tambahan.

• Objek BigQueryTable. Tentukan tabel BigQuery yang akan dipindai dengan menyertakan semua hal berikut:

  • projectId: Project ID untuk project yang berisi tabel.
  • datasetId: ID set data tabel.
  • tableId: Nama tabel.

• Satu set yang terdiri dari satu atau beberapa objek Action, yang mewakili tindakan yang akan dijalankan, dalam urutan yang diberikan, pada penyelesaian tugas. Setiap objek Action dapat berisi salah satu tindakan berikut:

  • Objek SaveFindings: Menyimpan hasil pemindaian analisis risiko ke tabel BigQuery.
  • Objek PublishToPubSub: Memublikasikan notifikasi ke topik Pub/Sub.
  Catatan: Jika ada masalah konfigurasi atau izin dengan topik Pub/Sub, Sensitive Data Protection akan mencoba mengirim ulang notifikasi Pub/Sub hingga dua minggu. Setelah dua minggu, notifikasi akan dihapus.
  • Objek PublishSummaryToCscc: Menyimpan ringkasan hasil ke Security Command Center.
  • JobNotificationEmails object: Mengirimi Anda email berisi hasil.
  • PublishToStackdriver object: Menyimpan hasil ke Google Cloud Observability.

Melihat hasil tugas kehadiran δ

Untuk mengambil hasil tugas analisis risiko kehadiran δ menggunakan REST API, kirim permintaan GET berikut ke resource projects.dlpJobs. Ganti PROJECT_ID dengan project ID Anda dan JOB_ID dengan ID tugas yang ingin Anda dapatkan hasilnya. ID pekerjaan ditampilkan saat Anda memulai pekerjaan, dan juga dapat diambil dengan mencantumkan semua pekerjaan.

GET https://dlp.googleapis.com/v2/projects/PROJECT_ID/dlpJobs/JOB_ID

Permintaan ini menampilkan objek JSON yang berisi instance tugas. Hasil analisis berada di dalam kunci "riskDetails", dalam objek AnalyzeDataSourceRiskDetails. Untuk mengetahui informasi selengkapnya, lihat referensi API untuk resource DlpJob.

Langkah berikutnya

• Pelajari cara menghitung nilai k-anonymity untuk set data.
• Pelajari cara menghitung nilai l-diversity untuk set data.
• Pelajari cara menghitung nilai k-map untuk set data.