-
민감한 정보의 텍스트 검사
텍스트 문자열과 텍스트 파일에 포함된 민감한 정보를 감지하고 분류합니다.
-
구조화된 텍스트에서 민감한 정보 검사
구조화된 텍스트 문자열에 포함된 민감한 정보를 감지하고 분류합니다.
-
이미지에서 민감한 정보 검사
이미지에 포함된 민감한 정보를 감지하고 분류합니다.
-
민감한 정보용 저장소 및 데이터베이스 검사
Google Cloud Storage, Datastore, BigQuery에 저장된 콘텐츠에 포함된 민감한 정보를 감지하고 분류합니다.
-
하이브리드 작업을 사용하여 외부 소스의 데이터 검사
하이브리드 작업과 작업 트리거를 사용하여 거의 모든 소스에서 데이터를 스트리밍하고, 데이터에 민감한 정보가 있는지 검사하고, 검사 스캔 결과를 하이브리드 작업 리소스에 저장하고, 분석을 위해 다른 Google Cloud 제품에 결과를 보내는 작업을 실행하는 방법을 알아봅니다.
-
검사 템플릿 만들기
템플릿을 사용하여 검사 작업 구성 정보를 만들고 유지합니다.
-
기본 제공 infoType 감지기 나열
현재 지원되는 모든 기본 제공 infoType 감지기의 목록을 프로그래매틱 방식으로 검색합니다.
-
커스텀 infoType 감지기 만들기
검사 및 수정에 사용할 정보 유형 감지기를 직접 만듭니다.
-
일반 커스텀 사전 감지기 만들기
검사 및 수정에 사용할 일반 사전 커스텀 감지기를 만듭니다.
-
저장된 커스텀 사전 감지기 만들기
스토리지 저장소를 검사할 대용량 사전 커스텀 감지기를 만듭니다.
-
커스텀 정규 표현식 감지기 만들기
검사 및 수정에 사용할 정규 표현식 감지기를 만듭니다.
-
스캔 결과 상세검색을 위한 infoType 감지기 수정
지정된 infoType 감지기의 감지 메커니즘을 수정하여 Cloud DLP가 반환하는 스캔 결과를 상세검색합니다.
-
일치 가능성 맞춤설정
핫워드 컨텍스트 규칙을 사용하여 커스텀 infoType 감지기를 확장합니다.
-
재식별 및 공개 위험 측정
익명화된 데이터가 재식별될 가능성, 민감한 속성의 공개 위험, 데이터 세트 멤버십 공개 위험을 계산합니다.
-
데이터 세트의 k-익명성 계산
레코드의 재식별성을 나타내는 데이터 세트 속성인 _k_-익명성 측정항목을 계산하는 방법을 알아봅니다.
-
데이터 세트의 l-다양성 계산
각 열에서 발생하는 민감한 값의 다양성을 측정하는 _k_-익명성의 확장, _l_-다양성 측정항목을 계산하는 방법을 알아봅니다.
-
데이터 세트의 k-맵 계산
공격자가 데이터 세트에 누가 있는지 모를 가능성이 있다고 전제한다는 점을 제외하고 _k_-익명성과 매우 비슷한 _k_-map 측정항목을 계산하는 방법을 알아봅니다.
-
데이터 세트의 δ-존재 계산
개인이 분석된 데이터 세트에 속할 가능성을 정량화하는 _δ_-존재 측정항목을 계산하는 방법을 알아봅니다.
-
Google 데이터 스튜디오를 사용한 재식별 위험 시각화
Cloud DLP(Data Loss Prevention)를 사용하여 데이터 세트의 k-익명성을 측정하고 데이터 스튜디오에서 이를 시각화하여 데이터의 재식별 가능성을 확인합니다.
-
숫자 및 범주 통계 계산
BigQuery 테이블의 개별 열을 대상으로 숫자 및 범주 통계를 계산합니다.