Cette page contient des références à des pages qui fournissent des informations sur l'utilisation de la protection des données sensibles avec BigQuery.
Guides de démarrage rapide
- Guide de démarrage rapide: Planifier une analyse d'inspection dans le cadre de la protection des données sensibles
- Planifiez l'inspection périodique d'un bucket Cloud Storage, d'une table BigQuery ou d'un genre Datastore. Pour obtenir des instructions détaillées, consultez la page Créer et planifier des tâches d'inspection Sensitive Data Protection.
Guides d'utilisation
Cette section fournit une liste classée de guides basés sur les tâches, qui illustrent comment utiliser la protection des données sensibles avec BigQuery.
Inspection
- Inspecter le stockage et les bases de données pour identifier les données sensibles
- Créez une tâche unique qui recherche des données sensibles dans un bucket Cloud Storage, une table BigQuery ou un genre Datastore.
- Créer et planifier des tâches d'inspection dans le cadre de la protection des données sensibles
- Créez et planifiez un déclencheur de tâche qui recherche des données sensibles dans un bucket Cloud Storage, une table BigQuery ou un genre Datastore. Un déclencheur de tâche automatise la création périodique de tâches Sensitive Data Protection.
Utiliser les résultats des analyses
- Envoyer les résultats des analyses de la protection des données sensibles à Data Catalog
- Analysez une table BigQuery, puis envoyez les résultats à Data Catalog pour créer automatiquement des tags basés sur les résultats de la protection des données sensibles.
- Envoyer les résultats des analyses de protection des données sensibles à Security Command Center
- Analysez un bucket Cloud Storage, une table BigQuery ou un genre Datastore, puis envoyez les résultats à Security Command Center.
- Examiner les résultats de la protection des données sensibles et créer des rapports
- Utilisez BigQuery pour exécuter des analyses sur les résultats de la protection des données sensibles.
- Interroger les résultats Sensitive Data Protection dans BigQuery
- Consultez des exemples de requêtes que vous pouvez utiliser dans BigQuery pour analyser les résultats identifiés par la protection des données sensibles.
Analyse des risques de la restauration de l'identification
- Mesurer le risque de restauration de l'identification et de divulgation
Analysez les données structurées stockées dans une table BigQuery et calculez les métriques de risque de restauration de l'identification suivantes :
- Calculer des statistiques numériques et catégoriques
Détermine les valeurs minimales et maximales, ainsi que les quantiles d'une colonne BigQuery individuelle.
- Visualiser le risque de restauration de l'identification à l'aide de Looker Studio
Mesurez le k-anonymat d'un ensemble de données, puis visualisez-le dans Looker Studio.
Tutoriels
- Anonymiser les données BigQuery au moment de la requête
- Suivez un tutoriel détaillé qui utilise les fonctions BigQuery à distance pour anonymiser et réidentifier les données dans les résultats de requête en temps réel.
- Anonymiser et désanonymiser les informations personnelles dans les ensembles de données à grande échelle à l'aide de la protection des données sensibles
- Consultez une architecture de référence pour créer un pipeline de transformation des données automatisé qui anonymise les données sensibles telles que les informations permettant d'identifier personnellement l'utilisateur.
Bonnes pratiques
- Sécuriser un entrepôt de données BigQuery qui stocke des données confidentielles
- Présentation de l'architecture et bonnes pratiques pour la gouvernance des données lors de la création, du déploiement et de l'exploitation d'un entrepôt de données dans Google Cloud, y compris l'anonymisation des données, la gestion différentielle des données confidentielles et les contrôles d'accès au niveau des colonnes.
Contributions de la communauté
Les éléments suivants sont détenus et gérés par des membres de la communauté, et non par l'équipe Protection des données sensibles. Pour toute question concernant ces éléments, contactez leurs propriétaires respectifs.
- Créer des tags Data Catalog en inspectant les données BigQuery à l'aide de la protection des données sensibles
- Inspectez les données BigQuery à l'aide de l'API Cloud Data Loss Prevention, puis utilisez l'API Data Catalog pour créer des tags au niveau des colonnes en fonction des éléments sensibles trouvés par la protection des données sensibles.
- Architecture de planification sans serveur basée sur des événements avec la protection des données sensibles
- Configurez une application de planification sans serveur basée sur des événements, qui utilise l'API Cloud Data Loss Prevention pour inspecter les données BigQuery.
- Détection d'anomalies en temps réel à l'aide de l'analyse de flux et des services d'IA de Google Cloud
- Découvrez un modèle d'intelligence artificielle en temps réel (IA) pour détecter les anomalies dans les fichiers journaux. Cette démonstration de faisabilité utilise Pub/Sub, Dataflow, BigQuery ML et la protection des données sensibles.
- Importation d'une base de données relationnelle dans BigQuery à l'aide de Dataflow et de la protection des données sensibles
- Utilisez Dataflow et la protection des données sensibles pour tokeniser et importer des données de manière sécurisée dans BigQuery à partir d'une base de données relationnelle. Cet exemple explique comment tokeniser les données à caractère personnel avant qu'elles ne soient conservées.
Tarifs
Lorsque vous inspectez une table BigQuery, des frais de protection des données sensibles vous sont facturés, conformément aux tarifs des tâches d'inspection de stockage.
En outre, lorsque vous enregistrez les résultats d'inspection dans une table BigQuery, des frais BigQuery s'appliquent.