Data Masking/Tokenization from Cloud Storage to BigQuery (using Cloud DLP) 模板

Data Masking/Tokenization from Cloud Storage to BigQuery 模板使用敏感数据保护并创建一个执行以下步骤的流处理流水线:

  1. 从 Cloud Storage 存储桶读取 CSV 文件。
  2. 调用 Cloud Data Loss Prevention API(敏感数据保护的一部分)以进行去标识化。
  3. 将去标识化的数据写入指定的 BigQuery 表中。

该模板支持使用敏感数据保护检查模板和敏感数据保护去标识化模板。因此,该模板支持以下两个任务:

  • 检查潜在的敏感信息并对数据进行去标识化。
  • 对结构化数据进行去标识化处理,其中列指定进行去标识化处理并且无需检查。

此模板支持去标识化模板位置的区域路径。仅支持全局路径。

流水线要求

  • 要令牌化的输入数据必须存在。
  • 敏感数据保护模板(例如,DeidentifyTemplate 和 InspectTemplate)必须已存在。如需了解详情,请参阅敏感数据保护模板
  • BigQuery 数据集必须存在。

模板参数

参数 说明
inputFilePattern 要从中读取输入数据记录的 CSV 文件。也可以使用通配符,例如 gs://mybucket/my_csv_filename.csvgs://mybucket/file-*.csv
dlpProjectId 拥有 DLP API 资源的敏感数据保护项目的 ID。此敏感数据保护项目可以是拥有敏感数据保护模板的项目,也可以是一个单独的项目。 例如 my_dlp_api_project
deidentifyTemplateName 要用于 API 请求的敏感数据保护去标识化模板,以 projects/{template_project_id}/deidentifyTemplates/{deIdTemplateId} 模式指定。 例如 projects/my_project/deidentifyTemplates/100
datasetName 用于发送标记化结果的 BigQuery 数据集。
batchSize 用于发送数据以进行检查和去标记化处理的区块/批次大小。对于 CSV 文件,batchSize 是一个批次包含的行数。必须根据记录大小和文件大小确定批次大小。DLP API 的载荷大小上限为每次 API 调用 524 KB。
inspectTemplateName (可选)要用于 API 请求的敏感数据保护检查模板,以 projects/{template_project_id}/identifyTemplates/{idTemplateId} 模式指定。 例如 projects/my_project/identifyTemplates/100

运行模板

控制台

  1. 转到 Dataflow 基于模板创建作业页面。
  2. 转到“基于模板创建作业”
  3. 作业名称字段中,输入唯一的作业名称。
  4. 可选:对于区域性端点,从下拉菜单中选择一个值。默认区域为 us-central1

    如需查看可以在其中运行 Dataflow 作业的区域列表,请参阅 Dataflow 位置

  5. Dataflow 模板下拉菜单中,选择 the Data Masking/Tokenization from Cloud Storage to BigQuery (using Cloud DLP) template。
  6. 在提供的参数字段中,输入您的参数值。
  7. 点击运行作业

gcloud

在 shell 或终端中,运行模板:

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

请替换以下内容:

  • DLP_API_PROJECT_ID:您的 DLP API 项目 ID
  • JOB_NAME:您选择的唯一性作业名称
  • REGION_NAME:要在其中部署 Dataflow 作业的区域,例如 us-central1
  • VERSION:您要使用的模板的版本

    您可使用以下值:

  • STAGING_LOCATION:暂存本地文件的位置(例如 gs://your-bucket/staging
  • INPUT_DATA:输入文件路径
  • DEIDENTIFY_TEMPLATE:敏感数据 ProtectionDeidentify 模板编号
  • DATASET_NAME:BigQuery 数据集名称
  • INSPECT_TEMPLATE_NUMBER:敏感数据 ProtectionInspect 模板编号
  • BATCH_SIZE_VALUE:批次大小(对于 CSV 文件,批次大小是每个 API 的行数)

REST

如需使用 REST API 来运行模板,请发送 HTTP POST 请求。如需详细了解 API 及其授权范围,请参阅 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"
   }
}

请替换以下内容:

  • PROJECT_ID:您要在其中运行 Dataflow 作业的 Google Cloud 项目的 ID
  • DLP_API_PROJECT_ID:您的 DLP API 项目 ID
  • JOB_NAME:您选择的唯一性作业名称
  • LOCATION:要在其中部署 Dataflow 作业的区域,例如 us-central1
  • VERSION:您要使用的模板的版本

    您可使用以下值:

  • STAGING_LOCATION:暂存本地文件的位置(例如 gs://your-bucket/staging
  • INPUT_DATA:输入文件路径
  • DEIDENTIFY_TEMPLATE:敏感数据 ProtectionDeidentify 模板编号
  • DATASET_NAME:BigQuery 数据集名称
  • INSPECT_TEMPLATE_NUMBER:敏感数据 ProtectionInspect 模板编号
  • BATCH_SIZE_VALUE:批次大小(对于 CSV 文件,批次大小是每个 API 的行数)

后续步骤