Homepage
Centro di Conoscenza
Potenziare la Sicurezza con il Mascheramento Statico dei Dati per Amazon Redshift

Potenziare la Sicurezza con il Mascheramento Statico dei Dati per Amazon Redshift

Introduzione

L’era digitale è in pieno sviluppo, con 67% della popolazione globale che ora utilizza internet. Questa adozione diffusa ha catalizzato un cambiamento significativo, portando numerosi processi e servizi online e trasformando il nostro modo di vivere, lavorare e interagire. Le organizzazioni devono bilanciare l’utilità dei dati con la conformità regolamentare e le preoccupazioni sulla privacy. Una soluzione efficace è il mascheramento statico dei dati per Amazon Redshift. Questa tecnica aiuta a proteggere i dati riservati mantenendone l’utilità per lo sviluppo e il testing.

Esploriamo come il mascheramento statico dei dati possa aiutare a proteggere il tuo ambiente Amazon Redshift.

Comprendere il Mascheramento Statico dei Dati

Che Cos’è il Mascheramento Statico dei Dati?

Il mascheramento statico dei dati è un processo che crea una copia separata e mascherata dei dati sensibili. Questo approccio assicura che i dati originali rimangano inalterati mentre si fornisce una versione sicura per ambienti non di produzione.

Perché Utilizzare il Mascheramento Statico dei Dati?

Conformità regolamentare
Rischio ridotto di violazioni dei dati
Ambienti di sviluppo e test più sicuri
Mantenimento dell’integrità dei dati

Capacità di Amazon Redshift per il Mascheramento Statico dei Dati

Amazon Redshift offre funzioni integrate e funzioni definite dall’utente (UDF) per implementare il mascheramento dei dati. Esaminiamo alcune capacità chiave.

Gli esempi forniti sopra dimostrano tecniche di mascheramento dei dati ma non creano tabelle separate con dati mascherati. Questi metodi sono simili a quelli utilizzati nel mascheramento dinamico nativo. Per creare tabelle permanenti oscurate, fare riferimento alla sezione ‘Implementare il Mascheramento Statico dei Dati’ qui sotto.

Funzioni Integrate

Redshift fornisce diverse funzioni integrate per operazioni di mascheramento di base. Una funzione comunemente utilizzata è REGEXP_REPLACE.

Esempio:

SELECT REGEXP_REPLACE(email, '(.*)@', '****@') AS masked_email
FROM users;

Questa query maschera la parte locale degli indirizzi email, sostituendola con asterischi.

Funzioni Definite dall’Utente (UDF)

Per requisiti di mascheramento più complessi, Redshift consente di creare UDF utilizzando Python. Ecco un esempio di una UDF che maschera indirizzi email:

CREATE OR REPLACE FUNCTION f_mask_email(email VARCHAR(255))
RETURNS VARCHAR(255)
STABLE
AS $$
import re
def mask_part(part):
return re.sub(r'[a-zA-Z0-9]', '*', part)
if '@' not in email:
return email
local, domain = email.split('@', 1)
masked_local = mask_part(local)
domain_parts = domain.split('.')
masked_domain_parts = [mask_part(part) for part in domain_parts[:-1]] + [domain_parts[-1]]
masked_domain = '.'.join(masked_domain_parts)
return "{0}@{1}".format(masked_local, masked_domain)
$$ LANGUAGE plpythonu;

Per utilizzare questa funzione:

SELECT email, f_mask_email(email) AS masked_email
FROM MOCK_DATA;

Le funzioni Python migliorano notevolmente le capacità di mascheramento e di elaborazione dei dati di Redshift. Consentono di implementare la crittografia mantenendo il formato e procedure di mascheramento complesse. Con Python, è possibile creare algoritmi di mascheramento personalizzati su misura per specifiche esigenze.

Implementare il Mascheramento Statico dei Dati in Redshift

Ora che comprendiamo le basi, esaminiamo come implementare il mascheramento statico dei dati in Redshift.

Passo 1: Identificare i Dati Sensibili

Per prima cosa, identificare quali colonne contengono informazioni sensibili che necessitano di mascheramento. Ciò può includere:

Informazioni Personali Identificabili (PII)
Dati finanziari
Cartelle cliniche

Passo 2: Creare Funzioni di Mascheramento

Sviluppare funzioni di mascheramento per ciascun tipo di dato che è necessario proteggere. Abbiamo già visto un esempio per indirizzi email.

Passo 3: Creare una Tabella Mascherata

Creare una nuova tabella con dati mascherati:

CREATE TABLE masked_mock_data AS
SELECT
id,
f_mask_email(email) AS email,
first_name,
last_name
FROM
Mock_data;

Passo 4: Verificare i Dati Mascherati

Controllare i risultati per garantire un corretto mascheramento:

SELECT * FROM masked_mock_data;

Mascheramento Statico dei Dati con DataSunrise

Per utilizzare DataSunrise per il mascheramento statico:

Configurare la connessione al cluster Redshift
Creare un Task di mascheramento nell’interfaccia web
Selezionare database di origine e di destinazione.

Selezionare gli oggetti del database di destinazione da mascherare

Salvare e avviare il Task

Il risultato nella tabella di destinazione può apparire come segue (interrogati in DBeaver):

Metodi di Mascheramento DataSunrise

DataSunrise fornisce una suite completa di tecniche di mascheramento dei dati. Esploriamo alcuni dei metodi più potenti e comunemente utilizzati:

Crittografia Mantenendo il Formato mantiene il formato originale dei dati durante la crittografia, garantendo che i dati rimangano utilizzabili dopo la crittografia. Ciò significa che i valori crittografati sembreranno ancora simili ai dati originali, rendendoli più facili da lavorare e analizzare. Questo è particolarmente utile in situazioni in cui il formato dei dati è importante per le finalità di elaborazione o visualizzazione.
Valore di Stringa Fisso è una tecnica utilizzata per sostituire i dati sensibili con una stringa predefinita. Questo può essere utile per mascherare informazioni sensibili come numeri di carte di credito o numeri di previdenza sociale. Sostituire i dati effettivi con una stringa fissa protegge le informazioni sensibili da accessi non autorizzati o visualizzazione.
Valore Null è un altro metodo per proteggere i dati sensibili sostituendoli con un valore NULL. Questo rimuove le informazioni sensibili dal dataset, quindi nessuno può accedere o recuperare i dati originali. Questo metodo potrebbe non mantenere il formato dei dati come la Crittografia Mantenendo il Formato, ma mantiene comunque le informazioni sensibili sicure.

DataSunrise offre una vasta gamma di metodi di mascheramento, fornendo opzioni flessibili per proteggere i tuoi dati senza sacrificare l’usabilità. Con oltre 20 tecniche distinte disponibili, puoi perfezionare la tua strategia di protezione dei dati per soddisfare specifiche esigenze.

Vantaggi del Mascheramento Statico dei Dati per Amazon Redshift

Implementare il mascheramento statico dei dati in Redshift offre diversi vantaggi:

Maggiore sicurezza dei dati
Conformità regolamentare semplificata
Rischio ridotto di esposizione accidentale dei dati
Migliore processo di sviluppo e testing
Mantenimento dell’utilità dei dati

Mascherando i dati sensibili, puoi condividere informazioni con fiducia all’interno della tua organizzazione senza compromettere la sicurezza.

Sfide e Considerazioni

Sebbene il mascheramento statico dei dati sia benefico, ci sono alcune sfide da considerare:

Impatto sulle prestazioni durante il processo di mascheramento
Mantenimento dell’integrità referenziale nei dati mascherati
Assicurare un mascheramento consistente tra tabelle correlate
Bilanciare l’usabilità dei dati con i requisiti di sicurezza

Affrontare queste sfide richiede una pianificazione e un’implementazione accurata.

Conclusione

Il mascheramento statico dei dati per Amazon Redshift è uno strumento potente per proteggere i dati sensibili. Le organizzazioni possono utilizzare funzioni integrate e personalizzate. Queste funzioni aiutano a creare copie sicure e nascoste dei loro dati. Questo è utile per testing e sviluppo.

Ricorda, la protezione dei dati è un processo continuo. Rivedi e aggiorna regolarmente le tue strategie di mascheramento per rimanere al passo con le minacce e i requisiti di conformità in evoluzione.

Per coloro che cercano una protezione più avanzata e in tempo reale, soluzioni come DataSunrise offrono capacità di mascheramento dei dati. DataSunrise fornisce strumenti user-friendly e all’avanguardia per la sicurezza del database, incluse funzionalità di audit e data discovery. Per saperne di più su come DataSunrise può migliorare la tua strategia di protezione dei dati, visita il nostro sito web per una demo online.