Halaman ini berisi referensi ke halaman yang memberikan informasi tentang cara menggunakan Perlindungan Data Sensitif dengan BigQuery.
Panduan memulai
- Panduan memulai: Menjadwalkan pemindaian inspeksi Sensitive Data Protection
- Menjadwalkan inspeksi berkala pada bucket Cloud Storage, tabel BigQuery, atau jenis Datastore. Untuk mengetahui petunjuk mendetail, lihat Membuat dan menjadwalkan tugas inspeksi Sensitive Data Protection.
Panduan cara kerja
Bagian ini menyediakan daftar panduan berbasis tugas yang dikategorikan yang menunjukkan cara menggunakan Perlindungan Data Sensitif dengan BigQuery.
Inspeksi
- Memeriksa penyimpanan dan database untuk data sensitif
- Buat tugas satu kali yang menelusuri data sensitif di bucket Cloud Storage, tabel BigQuery, atau jenis Datastore.
- Membuat dan menjadwalkan tugas inspeksi Sensitive Data Protection
- Buat dan jadwalkan pemicu tugas yang menelusuri data sensitif di bucket Cloud Storage, tabel BigQuery, atau jenis Datastore. Pemicu tugas mengotomatiskan pembuatan tugas Perlindungan Data Sensitif secara berkala.
Menangani hasil pemindaian
- Mengirim hasil pemindaian Sensitive Data Protection ke Data Catalog
- Memindai tabel BigQuery, lalu mengirimkan temuan ke Data Catalog untuk membuat tag secara otomatis berdasarkan temuan Perlindungan Data Sensitif.
- Mengirimkan hasil pemindaian Sensitive Data Protection ke Security Command Center
- Memindai bucket Cloud Storage, tabel BigQuery, atau jenis Datastore, lalu mengirimkan temuan ke Security Command Center.
- Menganalisis dan melaporkan temuan Perlindungan Data Sensitif
- Gunakan BigQuery untuk menjalankan analisis pada temuan Perlindungan Data Sensitif.
- Membuat kueri temuan Sensitive Data Protection di BigQuery
- Lihat contoh kueri yang dapat Anda gunakan di BigQuery untuk menganalisis temuan yang diidentifikasi oleh Perlindungan Data Sensitif.
Analisis risiko identifikasi ulang
- Mengukur risiko identifikasi ulang dan pengungkapan
Menganalisis data terstruktur yang disimpan dalam tabel BigQuery dan menghitung metrik risiko identifikasi ulang berikut:
- Menghitung statistik numerik dan kategorik
Tentukan nilai minimum, maksimum, dan kuantil untuk setiap kolom BigQuery.
- Memvisualisasikan risiko identifikasi ulang menggunakan Looker Studio
Ukur k-anonimitas set data, lalu visualisasikan di Looker Studio.
Tutorial
- Melakukan de-identifikasi data BigQuery pada waktu kueri
- Ikuti tutorial langkah demi langkah yang menggunakan fungsi jarak jauh BigQuery untuk melakukan de-identifikasi dan mengidentifikasi ulang data dalam hasil kueri real-time.
- De-identifikasi dan mengidentifikasi ulang PII dalam set data berskala besar menggunakan Sensitive Data Protection
- Tinjau arsitektur referensi untuk membuat pipeline transformasi data otomatis yang melakukan de-identifikasi data sensitif seperti informasi identitas pribadi (PII).
Praktik terbaik
- Amankan data warehouse BigQuery yang menyimpan data rahasia
- Ringkasan arsitektur dan praktik terbaik untuk tata kelola data saat membuat, men-deploy, dan mengoperasikan data warehouse di Google Cloud, termasuk de-identifikasi data, penanganan diferensial data rahasia, dan kontrol akses tingkat kolom.
Kontribusi komunitas
Berikut ini dimiliki dan dikelola oleh anggota komunitas, bukan oleh tim Sensitive Data Protection. Jika ada pertanyaan tentang item ini, hubungi pemiliknya masing-masing.
- Membuat tag Data Catalog dengan memeriksa data BigQuery menggunakan Perlindungan Data Sensitif
- Periksa data BigQuery menggunakan Cloud Data Loss Prevention API, lalu gunakan Data Catalog API untuk membuat tag tingkat kolom sesuai dengan elemen sensitif yang ditemukan oleh Sensitive Data Protection.
- Arsitektur penjadwalan serverless berbasis peristiwa dengan Sensitive Data Protection
- Siapkan aplikasi penjadwalan serverless berbasis peristiwa yang menggunakan Cloud Data Loss Prevention API untuk memeriksa data BigQuery.
- Deteksi anomali real-time menggunakan Google Cloud layanan analisis streaming dan AI
- Pelajari pola kecerdasan buatan (AI) real-time untuk mendeteksi anomali dalam file log. Bukti konsep ini menggunakan Pub/Sub, Dataflow, BigQuery ML, dan Sensitive Data Protection.
- Impor database relasional ke BigQuery dengan Dataflow dan Sensitive Data Protection
- Gunakan Dataflow dan Sensitive Data Protection untuk membuat token dan mengimpor data dari database relasional ke BigQuery dengan aman. Contoh ini menjelaskan cara melakukan tokenisasi data PII sebelum dibuat persisten.
Harga
Saat memeriksa tabel BigQuery, Anda akan dikenai biaya Perlindungan Data Sensitif, sesuai dengan harga tugas pemeriksaan penyimpanan.
Selain itu, saat Anda menyimpan hasil pemeriksaan ke tabel BigQuery, biaya BigQuery akan berlaku.