-
检查文本中是否存在敏感数据
检测文本字符串和文本文件中是否存在敏感信息并对其进行分类。
-
检查结构化文本中是否存在敏感数据
检测结构化文本字符串中是否存在敏感信息并对其进行分类。
-
检查图片中是否存在敏感数据
检测图片中是否包含敏感信息并对其进行分类。
-
检查存储空间和数据库中是否存在敏感数据
检测 Google Cloud Storage、Datastore 和 BigQuery 中存储的内容是否包含敏感数据并对其进行分类。
-
使用混合作业检查来自外部来源的数据
了解如何使用混合作业和作业触发器从几乎任何来源流式传输数据、检查数据是否存在敏感信息、将检查扫描结果保存到混合作业资源，以及执行操作以发送结果到其他 Google Cloud 产品进行分析。
-
创建检查模板
使用模板创建和保留检查作业配置信息。
-
列出内置 infoType 检测器
以编程方式检索当前支持的所有内置 infoType 检测器的列表。
-
创建自定义 InfoType 检测器
自行创建信息类型检测器，以用于检查和遮盖。
-
创建常规自定义字典检测器
自行创建常规字典自定义检测器，以用于检查和遮盖。
-
创建存储的自定义字典检测器
创建大型字典自定义检测器来检查存储区。
-
创建自定义正则表达式检测器
自行创建正则表达式检测器，以用于检查和遮盖。
-
修改 InfoType 检测器以优化扫描结果
通过修改所给定的 infoType 检测器的检测机制，优化 Cloud DLP 返回的扫描结果。
-
自定义匹配可能性
使用热词上下文规则来扩展自定义 infoType 检测器。
-
衡量重标识和披露风险
计算对已去标识化数据进行重标识的可能性、敏感属性泄露的风险以及数据集成员身份泄露的风险。
-
计算数据集的 k-匿名性
了解如何计算 k-匿名性指标，该指标是数据集的一个属性，用于指示其记录的可重标识性。
-
计算数据集的 l-多样性
了解如何计算 l-多样性指标，即 k-匿名性的扩展，用于针对出现敏感值的每一列测量敏感值的多样性。
-
计算数据集的 k-图
了解如何计算 k-图指标，该指标与 k-匿名性非常相似，不同的只是，前者假设攻击者很可能不知道数据集中的人员。
-
计算数据集的 δ-存在性
了解如何计算 δ-存在性指标，该指标用于量化个体属于分析数据集的概率的指标。
-
使用 Google 数据洞察直观呈现重标识化风险
使用 Cloud Data Loss Prevention (DLP) 衡量数据集的 k-匿名性，并在数据洞察中将其直观呈现以确定数据的可重标识性。
-
计算数值统计信息和分类统计信息
计算 BigQuery 表中各列的数值统计信息和分类数值统计信息。