Template Penyamaran Data/Pembuatan Token dari Cloud Storage ke BigQuery (menggunakan Cloud DLP)

Template Penyamaran Data/Pembuatan Token dari Cloud Storage ke BigQuery menggunakan Perlindungan Data Sensitif dan membuat pipeline streaming yang melakukan langkah-langkah berikut:

  1. Membaca file CSV dari bucket Cloud Storage.
  2. Memanggil Cloud Data Loss Prevention API (bagian dari Sensitive Data Protection) untuk de-identifikasi.
  3. Menulis data yang dide-identifikasi ke tabel BigQuery yang ditentukan.

Template ini mendukung penggunaan template pemeriksaan dan template de-identifikasi Perlindungan Data Sensitif. Akibatnya, template mendukung kedua tugas berikut:

  • Periksa informasi yang berpotensi sensitif dan de-identifikasi data.
  • Hapus identifikasi data terstruktur dengan menentukan kolom yang akan dihapus identifikasinya dan tidak memerlukan pemeriksaan.

Template ini tidak mendukung jalur regional untuk lokasi template de-identifikasi. Hanya jalur global yang didukung.

Persyaratan pipeline

  • Data input yang akan ditokenisasi harus ada.
  • Template Perlindungan Data Sensitif harus ada (misalnya, DeidentifyTemplate dan InspectTemplate). Untuk mengetahui detail selengkapnya, lihat template Perlindungan Data Sensitif.
  • Set data BigQuery harus ada.

Parameter template

Parameter yang diperlukan

  • inputFilePattern : File CSV tempat data input dibaca. Karakter pengganti juga diterima. (Contoh: gs://mybucket/my_csv_filename.csv atau gs://mybucket/file-*.csv).
  • deidentifyTemplateName : Template de-identifikasi Perlindungan Data Sensitif yang akan digunakan untuk permintaan API, yang ditentukan dengan pola projects/<PROJECT_ID>/deidentifyTemplates/<TEMPLATE_ID>. (Contoh: projects/your-project-id/locations/global/deidentifyTemplates/generated_template_id).
  • datasetName : Set data BigQuery yang akan digunakan saat mengirim hasil yang ditokenisasi. Set data harus ada sebelum eksekusi.
  • dlpProjectId : ID untuk project Google Cloud yang memiliki resource DLP API. Project ini dapat berupa project yang sama dengan yang memiliki template Perlindungan Data Sensitif, atau dapat berupa project terpisah.

Parameter opsional

  • inspectTemplateName : Template inspeksi Perlindungan Data Sensitif yang akan digunakan untuk permintaan API, yang ditentukan dengan pola projects/<PROJECT_ID>/identifyTemplates/<TEMPLATE_ID>. (Contoh: projects/your-project-id/locations/global/inspectTemplates/generated_template_id).
  • batchSize : Ukuran pengelompokan atau batch yang akan digunakan untuk mengirim data yang akan diperiksa dan didetokenisasi. Untuk file CSV, nilai batchSize adalah jumlah baris dalam batch. Tentukan ukuran batch berdasarkan ukuran data dan ukuran file. DLP API memiliki batas ukuran payload sebesar 524 KB per panggilan API.

Menjalankan template

Konsol

  1. Buka halaman Create job from template Dataflow.
  2. Buka Buat tugas dari template
  3. Di kolom Nama tugas, masukkan nama tugas yang unik.
  4. Opsional: Untuk Endpoint regional, pilih nilai dari menu drop-down. Region defaultnya adalah us-central1.

    Untuk mengetahui daftar region tempat Anda dapat menjalankan tugas Dataflow, lihat Lokasi Dataflow.

  5. Dari menu drop-down Dataflow template, pilih the Data Masking/Tokenization from Cloud Storage to BigQuery (using Cloud DLP) template.
  6. Di kolom parameter yang disediakan, masukkan nilai parameter Anda.
  7. Klik Run job.

gcloud

Di shell atau terminal, jalankan template:

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

Ganti kode berikut:

  • DLP_API_PROJECT_ID: project ID DLP API Anda
  • JOB_NAME: nama tugas unik pilihan Anda
  • REGION_NAME: region tempat Anda ingin men-deploy tugas Dataflow—misalnya, us-central1
  • VERSION: versi template yang ingin Anda gunakan

    Anda dapat menggunakan nilai berikut:

  • STAGING_LOCATION: lokasi untuk melakukan staging file lokal (misalnya, gs://your-bucket/staging)
  • INPUT_DATA: jalur file input Anda
  • DEIDENTIFY_TEMPLATE: nomor Template De-identifikasi Perlindungan Data Sensitif
  • DATASET_NAME: nama set data BigQuery
  • INSPECT_TEMPLATE_NUMBER: nomor Template Pemeriksaan Perlindungan Data Sensitif
  • BATCH_SIZE_VALUE: ukuran batch (# baris per API untuk file CSV)

REST

Untuk menjalankan template menggunakan REST API, kirim permintaan POST HTTP. Untuk mengetahui informasi selengkapnya tentang API dan cakupan otorisasinya, lihat 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"
   }
}

Ganti kode berikut:

  • PROJECT_ID: ID project Google Cloud tempat Anda ingin menjalankan tugas Dataflow
  • DLP_API_PROJECT_ID: project ID DLP API Anda
  • JOB_NAME: nama tugas unik pilihan Anda
  • LOCATION: region tempat Anda ingin men-deploy tugas Dataflow—misalnya, us-central1
  • VERSION: versi template yang ingin Anda gunakan

    Anda dapat menggunakan nilai berikut:

  • STAGING_LOCATION: lokasi untuk melakukan staging file lokal (misalnya, gs://your-bucket/staging)
  • INPUT_DATA: jalur file input Anda
  • DEIDENTIFY_TEMPLATE: nomor Template De-identifikasi Perlindungan Data Sensitif
  • DATASET_NAME: nama set data BigQuery
  • INSPECT_TEMPLATE_NUMBER: nomor Template Pemeriksaan Perlindungan Data Sensitif
  • BATCH_SIZE_VALUE: ukuran batch (# baris per API untuk file CSV)

Langkah selanjutnya