Questa pagina contiene riferimenti a pagine che forniscono informazioni su come utilizzare Sensitive Data Protection con BigQuery.
Guide rapide
- Guida rapida: pianificazione di una scansione per l'ispezione di Sensitive Data Protection
- Pianifica l'ispezione periodica di un bucket Cloud Storage, una tabella BigQuery o un tipo Datastore. Per istruzioni dettagliate, vedi Creare e pianificare job di ispezione di Sensitive Data Protection.
Guide illustrative
Questa sezione fornisce un elenco categorizzato di guide basate sulle attività che mostrano come utilizzare Sensitive Data Protection con BigQuery.
Ispezione
- Ispezione della capacità di archiviazione e dei database per l'individuazione di dati sensibili
- Crea un job una tantum che cerca dati sensibili in un bucket Cloud Storage, una tabella BigQuery o un tipo Datastore.
- Creazione e pianificazione dei job di ispezione di Sensitive Data Protection
- Crea e pianifica un trigger di job che cerca dati sensibili in un bucket Cloud Storage, una tabella BigQuery o un tipo Datastore. Un trigger di job automatizza la creazione di job di Sensitive Data Protection su base periodica.
Utilizzo dei risultati della scansione
- Invio dei risultati della scansione di Sensitive Data Protection al Data Catalog
- Scansiona una tabella BigQuery, quindi invia i risultati a Data Catalog per creare automaticamente tag in base ai risultati di Sensitive Data Protection.
- Invio dei risultati della scansione di Sensitive Data Protection a Security Command Center
- Scansiona un bucket Cloud Storage, una tabella BigQuery o un tipo Datastore, quindi invia i risultati a Security Command Center.
- Analisi e creazione di report sui risultati di Sensitive Data Protection
- Utilizza BigQuery per eseguire analisi sui risultati di Sensitive Data Protection.
- Esecuzione di query sui risultati di Sensitive Data Protection in BigQuery
- Esamina le query di esempio che puoi utilizzare in BigQuery per analizzare i risultati identificati da Sensitive Data Protection.
Analisi del rischio di reidentificazione
- Misurazione del rischio di reidentificazione e divulgazione
Analizza i dati strutturati archiviati in una tabella BigQuery e calcola le seguenti metriche del rischio di reidentificazione:
- Calcolo delle statistiche numeriche e di classificazione
Determina i valori minimo, massimo e quantile per una singola colonna BigQuery.
- Visualizzazione del rischio di reidentificazione utilizzando Data Studio
Misura la k-anonymity di un set di dati, quindi visualizzala in Data Studio.
Tutorial
- Anonimizza i dati BigQuery quando vengono eseguite le query
- Segui un tutorial passo passo che utilizza le funzioni remote di BigQuery per anonimizzare e reidentificare i dati nei risultati delle query in tempo reale.
- Anonimizzazione e reidentificazione delle PII in set di dati su larga scala utilizzando Sensitive Data Protection
- Esamina un'architettura di riferimento per la creazione di una pipeline di trasformazione dei dati automatizzata che anonimizza i dati sensibili come le informazioni che consentono l'identificazione personale (PII).
Best practice
- Proteggi un data warehouse BigQuery in cui sono archiviati dati riservati
- Panoramica dell'architettura e best practice per la governance dei dati durante la creazione, il deployment e l'operatività di un data warehouse in Google Cloud, inclusi l'anonimizzazione dei dati, la gestione differenziale dei dati riservati e i controlli di accesso a livello di colonna.
Contributi della community
I seguenti elementi sono di proprietà e gestiti dai membri della community e non dal team di Sensitive Data Protection. Per domande su questi elementi, contatta i rispettivi proprietari.
- Crea tag di Data Catalog ispezionando i dati BigQuery con Sensitive Data Protection
- Ispeziona i dati BigQuery utilizzando l'API Cloud Data Loss Prevention, quindi utilizza l'API Data Catalog per creare tag a livello di colonna in base agli elementi sensibili trovati da Sensitive Data Protection.
- Architettura di pianificazione serverless basata su eventi con Sensitive Data Protection
- Configura un'applicazione di pianificazione serverless basata su eventi che utilizza l'API Cloud Data Loss Prevention per ispezionare i dati BigQuery.
- Rilevamento di anomalie in tempo reale utilizzando Google Cloud i servizi di analisi dei flussi di dati e AI
- Esamina un pattern di intelligenza artificiale (AI) in tempo reale per il rilevamento di anomalie nei file di log. Questa proof-of-concept utilizza Pub/Sub, Dataflow, BigQuery ML e Sensitive Data Protection.
- Importazione di database relazionali in BigQuery con Dataflow e Sensitive Data Protection
- Utilizza Dataflow e Sensitive Data Protection per tokenizzare e importare dati in maniera sicura da un database relazionale in BigQuery. Questo esempio descrive come tokenizzare i dati PII prima che diventino persistenti.
Prezzi
Quando ispezioni una tabella BigQuery, sostieni i costi di Sensitive Data Protection, in base ai prezzi per i job di ispezione dell'archiviazione.
Inoltre, quando salvi i risultati dell'ispezione in una tabella BigQuery, si applicano gli addebiti di BigQuery.