Gelegentlich veröffentlichen wir Artikel, Blogposts und Videos zum Schutz sensibler Daten. Sie sind hier aufgelistet.
Blogposts
Erste Schritte mit der integrierten Tokenisierung von Google Cloudfür Sensitive Data Protection
In diesem Blogpost wird die Verwendung von Tokenisierung als Methode zur Anonymisierung sensibler Datenelemente erläutert, ohne die Möglichkeit zu verlieren, Daten über Datasets hinweg zu verknüpfen oder zu aggregieren. In diesem Beitrag werden auch die Tokenisierungsfunktionen von Sensitive Data Protection vorgestellt.
Die technische Dokumentation zu diesem Feature finden Sie unter Pseudonymisierung.
Standardmäßig sicherer: Zugriffskontrolle mit Sensitive Data Protection und bedingtem IAM automatisieren
In diesem Blogpost wird die Möglichkeit vorgestellt, den IAM-Zugriff (Identity and Access Management) auf Ressourcen automatisch zu gewähren oder zu verweigern, basierend auf der Vertraulichkeit der Daten in diesen Ressourcen.
Die technische Dokumentation zu diesem Feature finden Sie unter IAM-Zugriff basierend auf der Datenvertraulichkeit steuern.
Generative KI-Arbeitslasten mit Sensitive Data Protection schützen
In diesem Blogpost wird ein datenorientierter Ansatz zum Schutz generativer KI-Anwendungen mit Sensitive Data Protection untersucht. Außerdem wird ein Jupyter-Notebook mit Beispielen aus der Praxis bereitgestellt.
Blogpost lesen: „How Sensitive Data Protection can help secure generative AI workloads“
Automatisches Datenrisikomanagement für BigQuery mit DLP
Der Dienst zur Erkennung sensibler Daten scannt kontinuierlich Daten in Ihrer gesamten Organisation, um Ihnen einen allgemeinen Überblick über Ihre Daten zu geben und Ihnen genau zu zeigen, wo sensible Daten gespeichert und verarbeitet werden. Dieses Bewusstsein ist ein wichtiger erster Schritt zum Schutz und zur Verwaltung Ihrer Daten und dient als wichtige Kontrollmaßnahme zur Verbesserung Ihrer Sicherheits-, Datenschutz- und Compliance-Situation.
Blogpost lesen: „Automatisches Datenrisikomanagement für BigQuery mit DLP“
Compliance genügt nicht: Neue DLP-Ansätze für die Cloud-orientierte Welt von heute
Ein Blick zurück auf die Entwicklung von DLP ist sinnvoll, bevor eine Diskussion über den Einsatz von DLP in der heutigen Umgebung, einschließlich Compliance, Sicherheits- und Datenschutzanwendungsfällen, geführt werden kann.
Blogpost lesen: "Compliance genügt nicht: Neue DLP-Ansätze für die Cloud-orientierte Welt von heute"
Sensible Daten mit nur wenigen Mausklicks erfassen
Hier wird die Benutzeroberfläche der Google Cloud Console für Sensitive Data Protection eingehender erläutert. Sie erfahren, wie Sie Ihre Unternehmensdaten mit nur wenigen Mausklicks untersuchen können.
Blogpost lesen: "Take charge of your data: Scan for sensitive data in just a few clicks"
Daten durch Tokenisierung nutzbar machen, ohne den Datenschutz zu beeinträchtigen
Die Tokenisierung, manchmal auch als Pseudonymisierung oder Wertersetzung bezeichnet, wird in Branchen wie der Finanzbranche und dem Gesundheitswesen häufig verwendet, um die Nutzung von aktiven Daten zu verringern, den Compliance-Bereich zu verkleinern und vertrauliche Daten so selten wie möglich für System sichtbar zu machen, die sie nicht benötigen. Mit Sensitive Data Protection können Kunden die Tokenisierung mit minimalem Aufwand in großem Maßstab durchführen.
Sensitive Data Protection zum De-Identifizieren und Verschleiern vertraulicher Informationen verwenden
Das Team erläutert, wie Sie Sensitive Data Protection zum Schutz von Daten nutzen können, indem Sie Datenverschleierungs- und -minimierungstechniken automatisch in Ihre Workflows einbinden.
Schutz sensibler Daten zum Suchen und Schützen von personenbezogenen Daten verwenden
Scott Ellis, Sensitive Data Protection Product Manager, erläutert, wie Sie Sensitive Data Protection zur Verbesserung des Datenschutzes einsetzen können.
Blogpost lesen: "Take charge of your data: Using Cloud DLP to find and protect PII"
BigQuery mit dem Schutz sensibler Daten scannen
Das Team stellt vor, wie man BigQuery einfach über dieGoogle Cloud -Konsole scannen kann.
Blogpost lesen: „Scan BigQuery for sensitive data using Sensitive Data Protection“
Lösungen
Hybridprüfung des Schutzes sensibler Daten für SQL-Datenbanken mit JDBC
In dieser Anleitung wird gezeigt, wie Sie mit der Hybridprüfmethode von Sensitive Data Protection mit einem JDBC-Treiber Tabellenbeispiele in einer SQL-Datenbank wie MySQL, SQL Server oder PostgreSQL praktisch überall ausführen können.
Anleitung lesen: „Hybridprüfung zum Schutz sensibler Daten für SQL-Datenbanken mit JDBC“
Speech Redaction Framework mit Sensitive Data Protection
Diese Anleitung enthält eine Sammlung von Komponenten und Code, mit denen Sie vertrauliche Informationen aus Audiodateien entfernen können. Mithilfe von in Cloud Storage hochgeladenen Dateien können vertrauliche Ergebnisse erkannt und geschrieben oder vertrauliche Informationen aus der Audiodatei entfernt werden.
Außerdem enthält das zweite Tutorial, das Speech Analysis Framework, eine Sammlung von Komponenten und Code, mit denen Sie Audioinhalte transkribieren, eine Datenpipeline für die Analyse von transkribierten Audiodateien erstellen und vertrauliche Informationen aus Audiotranskripten mit Sensitive Data Protection entfernen können.
GitHub: „Speech Redaction Framework”
GitHub: „Speech Analysis Framework”
Ereignisgesteuerte serverlose Planungsarchitektur mit Schutz sensibler Daten
In dieser Anleitung wird eine einfache, aber effektive und skalierbare ereignisgesteuerte serverlose Planungsarchitektur mit Google Cloud -Diensten gezeigt. Das Beispiel zeigt, wie Sie mit der DLP API BigQuery-Daten untersuchen.
Anleitung lesen: „Ereignisbasierte serverlose Planungsarchitektur mit Sensitive Data Protection“
Sensitive Data Protection-Filter für Envoy
Der Filter für den Schutz sensibler Daten für Envoy ist ein WebAssembly ("Wasm")-HTTP-Filter für Envoy-Sidecar-Proxys innerhalb eines Istio-Service-Meshs. Der Filter für den Schutz sensibler Daten für Envoy erfasst den Traffic auf Proxy-Ebene und sendet ihn zur Prüfung an Sensitive Data Protection, wo die Nutzlast auf sensible Daten, einschließlich personenbezogener Daten, gescannt wird.
GitHub: Sensitive Data Protection Filter for Envoy
Anomalieerkennung mit Streaminganalysen und KI
In diesem Beitrag wird ein Echtzeit-KI-Muster zum Erkennen von Anomalien in Logdateien beschrieben. Durch die Analyse und Extraktion von Features aus Netzwerklogs haben wir einem Telekommunikationskunden dabei geholfen, eine Streaminganalyse-Pipeline zur Erkennung von Anomalien zu erstellen. Außerdem wird erläutert, wie Sie dieses Muster an die Echtzeitanforderungen Ihrer Organisation anpassen können. In dieser Proof of Concept-Lösung werden Pub/Sub, Dataflow, BigQuery ML und Schutz sensibler Daten verwendet.
Blogpost lesen: "Anomaly detection using streaming analytics & AI"
Anleitung "Echtzeit-Anomalieerkennung mit Google Cloud Streamanalyse- und KI-Diensten"
Personenidentifizierbare Informationen in umfangreichen Datasets mit Schutz sensibler Daten de-identifizieren und re-identifizieren
In dieser Lösung wird beschrieben, wie Sie mit Sensitive Data Protection eine automatisierte Pipeline zur Datentransformation erstellen, um sensible Daten, beispielsweise personenidentifizierbare Informationen, zu de-identifizieren. Diese Inspektions- und Migrationslösung liest strukturierte und unstrukturierte Daten aus Speichersystemen wie Amazon S3 und Cloud Storage. Daten können mit der DLP API automatisch de-identifiziert und an BigQuery und Cloud Storage gesendet werden.
GitHub: "Data Tokenization PoC Using Dataflow/Beam and DLP API"
Klassifizierung der in Cloud Storage hochgeladenen Daten automatisieren
In dieser Anleitung wird gezeigt, wie Sie mithilfe von Cloud Storage und anderen Google Cloud-Produkten ein automatisiertes System zur Datenquarantäne und -klassifizierung implementieren.
Anleitung lesen: „Klassifizierung der in Cloud Storage hochgeladenen Daten automatisieren“
Relationaler Datenbankimport in BigQuery mit Dataflow
Bei diesem Proof of Concept werden Dataflow und Sensitive Data Protection verwendet, um Daten sicher zu tokenisieren und aus einer relationalen Datenbank in BigQuery zu importieren. Im Beispiel wird beschrieben, wie Sie diese Pipeline mit einer in Google Kubernetes Engine erstellten SQL Server-Beispieldatenbank verwenden und eine Sensitive Data Protection-Vorlage verwenden, um personenidentifizierbare Informationen zu tokenisieren, bevor sie gespeichert werden.
GitHub: Relational Database Import to BigQuery with Dataflow and Sensitive Data Protection
Videos
Cloud Next '20: OnAir: Sensible Daten in Hybridumgebungen verwalten
Vertrauliche Daten sind in Unternehmensumgebungen sowohl in und außerhalb der Cloud vorhanden. Die korrekte Verwaltung dieser Daten ist unabhängig vom Speicherort wichtig. In dieser Sitzung erfahren Sie, wie Sie mit Sensitive Data Protection Daten verwalten. Dabei liegt der Fokus auf der Unterstützung von Inhalten in hybriden Umgebungen, darunter lokale Umgebungen, auf virtuellen Maschinen ausgeführte Datenbanken, von anderen Cloud-Anbietern gehostete Dateien, in Kubernetes vorhandene Daten und mehr.
YouTube: SEC206: Managing Sensitive Data in Hybrid Environments
Anleitung lesen: „Sensitive Data Protection-Filter für Envoy“
Anleitung lesen: „Hybridprüfung zum Schutz sensibler Daten für SQL-Datenbanken mit JDBC“
Cloud OnAir: Sensible Datasets in Google Cloudschützen
Daten gehören zu den wertvollsten Ressourcen Ihres Unternehmens. Mit Analytics und maschinellem Lernen können Sie hilfreiche Dienste für Ihre Kunden und Ihr Unternehmen bereitstellen. Diese Datasets können auch sensible Daten enthalten, die geschützt werden müssen. In diesem Webinar erfahren Sie, wie Sie mit Sensitive Data Protection im Rahmen einer übergeordneten Governance-Strategie vertrauliche Daten ermitteln, klassifizieren und de-identifizieren.
YouTube: Cloud OnAir: Protecting sensitive datasets in Google Cloud
Cloud Next 2019: Scotiabank stellt ihren cloudnativen Ansatz für das Aufnehmen personenidentifizierbarer Informationen in Google Cloudvor
Die große internationale Bank Scotiabank erläutert ihren Weg in Sachen Sicherheit und ihren cloudnativen Ansatz hinsichtlich der Aufnahme personenidentifizierbarer Informationen in Google Cloud, der Beschränken des Zugriffs und der Frage, wie sie kontrolliert gezielten Bankanwendungen die Re-Identifikation gestattet hat.
YouTube: Comprehensive Protection of PII in Google Cloud (Cloud Next '19)
Cloud Next 2019: Sensible Daten in der Cloud identifizieren und schützen
Das Team stellt die neuesten Verbesserungen bei Sensitive Data Protection vor und zeigt verschiedene Techniken zum Schutz vertraulicher Daten.