Data Masking/tokenizzazione da Cloud Storage a BigQuery (utilizzando Cloud DLP)

Il modello di mascheramento dei dati/tokenizzazione da Cloud Storage a BigQuery utilizza Sensitive Data Protection e crea una pipeline di inserimento flussi che svolge i seguenti passaggi:

  1. Legge i file CSV da un bucket Cloud Storage.
  2. Chiama l'API Cloud Data Loss Prevention (parte di Sensitive Data Protection) per l'anonimizzazione.
  3. Scrive i dati anonimizzati nella tabella BigQuery specificata.

Il modello supporta l'utilizzo sia di un modello di ispezione di Sensitive Data Protection sia di un modello di anonimizzazione di Sensitive Data Protection. Di conseguenza, il modello supporta entrambe le attività seguenti:

  • Ispeziona informazioni potenzialmente sensibili e anonimizza i dati.
  • Anonimizza i dati strutturati in cui le colonne sono specificate come anonimizzate e non è necessaria alcuna ispezione.

Questo modello non supporta un percorso a livello di regione per la località del modello di anonimizzazione. È supportato solo un percorso globale.

Requisiti della pipeline

  • I dati di input da tokenizzare devono esistere.
  • Devono esistere i modelli di Sensitive Data Protection (ad esempio DeidentificaTemplate e InspectorTemplate). Per maggiori dettagli, consulta Modelli di Sensitive Data Protection.
  • Il set di dati BigQuery deve esistere.

Parametri del modello

Parametri obbligatori

  • inputFilePattern : i file CSV da cui leggere i record dei dati di input. Sono accettati anche i caratteri jolly. ad esempio: gs://mybucket/my_csv_filename.csv o gs://mybucket/file-*.csv.
  • deidentifyTemplateName : il modello di anonimizzazione di Sensitive Data Protection da utilizzare per le richieste API, specificato con pattern projects/<PROJECT_ID>/deidentificaTemplates/<TEMPLATE_ID>. Ad esempio: projects/your-project-id/locations/global/deidentificaTemplates/generate_template_id.
  • datasetName : il set di dati BigQuery da utilizzare durante l'invio dei risultati tokenizzati. Il set di dati deve esistere prima dell'esecuzione.
  • dlpProjectId : l'ID del progetto Google Cloud proprietario della risorsa API DLP. Questo progetto può essere lo stesso proprietario dei modelli di Sensitive Data Protection oppure può essere un progetto separato.

Parametri facoltativi

  • inspectTemplateName : il modello di ispezione di Sensitive Data Protection da utilizzare per le richieste API, specificato con il pattern projects/<PROJECT_ID>/identifierTemplates/<TEMPLATE_ID> (ad esempio: projects/your-project-id/locations/global/inspectTemplates/generate_template_id).
  • batchSize : la dimensione di chunking o batch da utilizzare per inviare i dati da ispezionare e annullare la tokenizzazione. Per un file CSV, il valore di batchSize è il numero di righe in un batch. Determina la dimensione del batch in base alle dimensioni dei record e alle dimensioni del file. L'API DLP ha un limite di dimensioni del payload di 524 kB per chiamata API.

Esegui il modello

Console

  1. Vai alla pagina Crea job da modello di Dataflow.
  2. Vai a Crea job da modello
  3. Nel campo Nome job, inserisci un nome univoco per il job.
  4. (Facoltativo) Per Endpoint a livello di regione, seleziona un valore dal menu a discesa. La regione predefinita è us-central1.

    Per un elenco delle regioni in cui puoi eseguire un job Dataflow, vedi Località Dataflow.

  5. Nel menu a discesa Modello Dataflow, seleziona the Data Masking/Tokenization from Cloud Storage to BigQuery (using Cloud DLP) template.
  6. Nei campi dei parametri forniti, inserisci i valori dei parametri.
  7. Fai clic su Esegui job.

gcloud

Nella shell o nel terminale, esegui il modello:

gcloud dataflow jobs run JOB_NAME \
    --gcs-location gs://dataflow-templates-REGION_NAME/VERSION/Stream_DLP_GCS_Text_to_BigQuery \
    --region REGION_NAME \
    --staging-location STAGING_LOCATION \
    --parameters \
inputFilePattern=INPUT_DATA,\
datasetName=DATASET_NAME,\
batchSize=BATCH_SIZE_VALUE,\
dlpProjectId=DLP_API_PROJECT_ID,\
deidentifyTemplateName=projects/TEMPLATE_PROJECT_ID/deidentifyTemplates/DEIDENTIFY_TEMPLATE,\
inspectTemplateName=projects/TEMPLATE_PROJECT_ID/identifyTemplates/INSPECT_TEMPLATE_NUMBER

Sostituisci quanto segue:

  • DLP_API_PROJECT_ID: l'ID progetto dell'API DLP
  • JOB_NAME: un nome job univoco a tua scelta
  • REGION_NAME: la regione in cui vuoi eseguire il deployment del job Dataflow, ad esempio us-central1
  • VERSION: la versione del modello che vuoi utilizzare

    Puoi utilizzare i seguenti valori:

  • STAGING_LOCATION: la posizione per la gestione temporanea dei file locali (ad esempio, gs://your-bucket/staging)
  • INPUT_DATA: percorso del file di input
  • DEIDENTIFY_TEMPLATE: il numero del modello di anonimizzazione per la protezione dei dati sensibili
  • DATASET_NAME: nome del set di dati BigQuery
  • INSPECT_TEMPLATE_NUMBER: il numero del modello di Sensitive Data Protection Inspector
  • BATCH_SIZE_VALUE: la dimensione del batch (n. di righe per API per i file CSV)

REST

Per eseguire il modello utilizzando l'API REST, invia una richiesta POST HTTP. Per maggiori informazioni sull'API e sui relativi ambiti di autorizzazione, consulta projects.templates.launch.

POST https://dataflow.googleapis.com/v1b3/projects/PROJECT_ID/locations/LOCATION/templates:launch?gcsPath=gs://dataflow-templates-LOCATION/VERSION/Stream_DLP_GCS_Text_to_BigQuery
{
   "jobName": "JOB_NAME",
   "environment": {
       "ipConfiguration": "WORKER_IP_UNSPECIFIED",
       "additionalExperiments": []
   },
   "parameters": {
      "inputFilePattern":INPUT_DATA,
      "datasetName": "DATASET_NAME",
      "batchSize": "BATCH_SIZE_VALUE",
      "dlpProjectId": "DLP_API_PROJECT_ID",
      "deidentifyTemplateName": "projects/TEMPLATE_PROJECT_ID/deidentifyTemplates/DEIDENTIFY_TEMPLATE",
      "inspectTemplateName": "projects/TEMPLATE_PROJECT_ID/identifyTemplates/INSPECT_TEMPLATE_NUMBER"
   }
}

Sostituisci quanto segue:

  • PROJECT_ID: l'ID del progetto Google Cloud in cui vuoi eseguire il job Dataflow
  • DLP_API_PROJECT_ID: l'ID progetto dell'API DLP
  • JOB_NAME: un nome job univoco a tua scelta
  • LOCATION: la regione in cui vuoi eseguire il deployment del job Dataflow, ad esempio us-central1
  • VERSION: la versione del modello che vuoi utilizzare

    Puoi utilizzare i seguenti valori:

  • STAGING_LOCATION: la posizione per la gestione temporanea dei file locali (ad esempio, gs://your-bucket/staging)
  • INPUT_DATA: percorso del file di input
  • DEIDENTIFY_TEMPLATE: il numero del modello di anonimizzazione per la protezione dei dati sensibili
  • DATASET_NAME: nome del set di dati BigQuery
  • INSPECT_TEMPLATE_NUMBER: il numero del modello di Sensitive Data Protection Inspector
  • BATCH_SIZE_VALUE: la dimensione del batch (n. di righe per API per i file CSV)

Passaggi successivi