-
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.
-
스토리지 및 데이터베이스에서 민감한 정보 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.
-
데이터 프로필로 작업하기
데이터 프로필 사용을 위한 워크플로를 확인합니다.
-
단일 프로젝트의 데이터 프로파일링
프로젝트 수준에서 데이터 프로파일링을 구성합니다.
-
조직 또는 폴더의 데이터 프로파일링
조직 또는 폴더 수준에서 프로파일링을 구성합니다.
-
서비스 에이전트에 데이터 프로파일링 액세스 권한 부여
조직 또는 폴더 수준에서 데이터를 프로파일링하는 데 사용할 수 있도록 서비스 에이전트에 필요한 역할을 부여합니다.
-
Google Cloud Console에서 데이터 프로필 보기
Google Cloud Console에서 프로젝트 데이터 프로필, 테이블 데이터 프로필, 열 데이터 프로필을 확인합니다.
-
데이터 프로필 분석
사용할 수 있는 SQL 쿼리 예시를 확인하여 BigQuery 데이터에 대해 자세히 알아봅니다. Looker Studio에서 데이터 프로필을 시각화하는 방법을 알아봅니다.
-
데이터 프로파일러에서 발견 항목 해결
데이터 프로파일러에서 발견 항목을 해결합니다.
-
스캔 구성 관리
기존 스캔 구성을 확인, 일시중지, 재개, 수정, 삭제합니다.
-
데이터 프로파일러 관련 문제 해결
데이터 프로파일러를 사용할 때 발생하는 문제를 해결합니다.
-
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.
-
상세한 스캔 결과를 위해 infoType 감지기 수정
특정 infoType 감지기의 감지 메커니즘을 수정하여 Sensitive Data Protection로 반환되는 스캔 결과를 상세검색합니다.
-
일치 가능성 맞춤설정
핫워드 컨텍스트 규칙을 사용하여 커스텀 infoType 감지기를 확장합니다.
-
텍스트 콘텐츠의 민감한 정보 익명화
텍스트 콘텐츠의 민감한 정보를 감지하고 익명화합니다. 이 주제에서는 Sensitive Data Protection에서 사용할 수 있는 다양한 변환 방법을 설명합니다.
-
이미지에서 민감한 정보 수정
이미지에서 민감한 정보를 수정합니다.
-
Google Cloud Console을 사용하여 Cloud Storage에 저장된 민감한 정보 익명화
Google Cloud 콘솔에서 Cloud Storage 디렉터리를 검사하고 지원되는 파일의 익명화된 복사본을 만듭니다.
-
래핑된 키 만들기
콘텐츠를 익명화 및 재식별할 목적으로 래핑된 키를 만듭니다.
-
익명화 템플릿 만들기
템플릿을 사용하여 익명화 작업 구성 정보를 생성 및 유지합니다.
-
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.
-
Looker Studio를 사용한 재식별 위험 시각화
Sensitive Data Protection을 사용하여 데이터 세트의 k-익명성을 측정하고 Looker Studio에서 시각화하여 데이터의 재식별 가능성을 확인합니다.
-
숫자 및 범주 통계 계산
BigQuery 테이블의 개별 열을 대상으로 숫자 및 범주 통계를 계산합니다.
-
Sensitive Data Protection 스캔 결과를 Data Catalog로 전송
Sensitive Data Protection을 보호하여 결과를 Data Catalog로 직접 전송하도록 합니다.
-
Security Command Center로 Sensitive Data Protection 스캔 결과 전송
Sensitive Data Protection 조치에 Security Command Center로 직접 결과를 전송하도록 지시합니다.
-
Sensitive Data Protection 스캔 발견 항목 분석 및 보고
Sensitive Data Protection 스캔 발견 항목을 기반으로 보고서를 생성하고 풍부한 SQL 분석을 실행합니다.