计算数据集的 δ-存在性

Delta-存在性（δ-存在性）是用于量化个体属于分析数据集的概率的指标。与 k-map 一样，您可以使用 Sensitive Data Protection 估算 δ-存在性值。Sensitive Data Protection 使用统计模型来估算攻击数据集。

δ-存在性与其他明确知道攻击数据集的风险分析方法不同。根据数据类型，敏感数据保护功能会使用公开提供的数据集（例如美国人口普查数据集）或自定义统计模型（例如，您指定的一个或多个 BigQuery 表格），或者根据输入数据集中值的分布进行推断。

本主题演示了如何使用敏感数据保护功能计算数据集的 δ-存在性值。如需从整体上详细了解 δ-存在性或风险分析，请参阅风险分析概念主题，然后再继续。

准备工作

在继续操作之前，请确保您已完成以下步骤：

  1. 登录您的 Google 账号。
  2. 在 Google Cloud 控制台的“项目选择器”页面上，选择或创建一个 Google Cloud 项目。
    3. 转到项目选择器
  3. 确保您的 Google Cloud 项目已启用结算功能。 了解如何确认您的项目已启用结算功能。
  4. 启用敏感数据保护。
    5. 启用敏感数据保护

  5. 选择要分析的 BigQuery 数据集。敏感数据保护通过扫描 BigQuery 表格来估算 δ-存在性指标。
  6. 确定您要用于攻击数据集建模的数据集类型。如需了解详情，请参阅 DeltaPresenceEstimationConfig 对象的参考页面以及风险分析术语和技术。

计算 δ-存在性指标

如需使用敏感数据保护功能计算 δ-存在性估算值，请向以下网址发送一个请求，其中 PROJECT_ID 表示项目标识符：

https://dlp.googleapis.com/v2/projects/PROJECT_ID/dlpJobs

该请求包含一个由以下项组成的 RiskAnalysisJobConfig 对象：

  • PrivacyMetric 对象。您可以在此处指定包含以下内容的 DeltaPresenceEstimationConfig 对象以表明您要计算 δ-存在性：

    • quasiIds[]：必填。被视为要扫描的准标识符的字段（QuasiId 对象），用于计算 δ-存在性。任何两列的标记都不能相同。这些标记可为下列任一项：

      • infoType：这会使敏感数据保护功能使用相关的公共数据集作为人口统计模型，包括美国邮政编码、区域代码、年龄和性别。
      • 自定义 infoType：自定义标记，用于指示包含有关此列的可能值的统计信息的辅助表（AuxiliaryTable 对象）。
      • inferred 标记：如果未指示语义标记，请指定 inferred。Sensitive Data Protection 会根据输入数据中值的分布推断统计模型。

    • regionCode：Sensitive Data Protection 要在统计建模中使用的 ISO 3166-1 alpha-2 区域代码。如果未使用区域专属 infoType（如美国邮政编码）或区域代码标记列，则此值是必需的。

    • auxiliaryTables[]：用于分析的辅助表（StatisticalTable 对象）。用于标记准标识符列的每个自定义标记（来自 quasiIds[]）都必须恰好出现在一个辅助表的一列中。

  • BigQueryTable 对象。通过包括以下所有项指定要扫描的 BigQuery 表格：

    • projectId：表格所属项目的 ID。
    • datasetId：表格的数据集 ID。
    • tableId：表格的名称。

  • 由一个或多个 Action 对象组成的对象集，这些对象表示在作业完成时要按给定顺序运行的操作。每个 Action 对象都可以包含以下操作之一：

查看 δ-存在性作业结果

如需使用 REST API 检索 δ-存在性风险分析作业，请将以下 GET 请求发送到 projects.dlpJobs 资源。将 PROJECT_ID 替换为您的项目 ID，并将 JOB_ID 替换为您要获取其结果的作业的标识符。作业 ID 在启动作业时返回，也可通过列出所有作业来检索。

GET https://dlp.googleapis.com/v2/projects/PROJECT_ID/dlpJobs/JOB_ID

该请求会返回包含作业实例的 JSON 对象。分析的结果位于 AnalyzeDataSourceRiskDetails 对象的 "riskDetails" 键中。如需了解详情，请参阅 DlpJob 资源的 API 参考文档。

后续步骤

  • 了解如何计算数据集的 k-匿名性值。
  • 了解如何计算数据集的 l-多样性值。
  • 了解如何计算数据集的 k-图值。