Arten der Datenmaskierung

Der Schutz sensibler Daten ist für jede Organisation von größter Bedeutung. Datenmaskierung erweist sich als eine entscheidende Technik, um Datenprivatsphäre und -sicherheit zu gewährleisten. Dieser Artikel befasst sich mit den verschiedenen Arten der Datenmaskierung, erläutert ihre Anwendungen und Unterschiede. Durch das Verständnis dieser Methoden können Unternehmen ihre kritischen Informationen besser vor unbefugtem Zugriff schützen.

Datenmaskierung ist, wenn man eine gefälschte Version der Unternehmensdaten erstellt, um wichtige Informationen zu schützen. Diese Technik ist entscheidend, um Datenschutzgesetze einzuhalten und Daten in Umgebungen zu schützen, die Tests und Analysen erfordern.

Arten der Datenmaskierung

Statische Datenmaskierung (SDM)

Die statische Datenmaskierung umfasst das Erstellen einer Kopie der Daten und die Anwendung von Transformationstechniken, um sensible Informationen zu maskieren. Diese Kopie ersetzt dann die Originaldaten in nicht-produktiven Umgebungen. Die Daten bleiben sicher, selbst wenn die Umgebung kompromittiert wird, da sie vor dem Verlassen der Datenbank transformiert wurden.

Beispiel für statische Datenmaskierung: Stellen Sie sich eine Gesundheitsdatenbank mit Patientendaten vor. Bevor diese Daten für Softwaretests verwendet werden, ersetzt ein statischer Datenmaskierungsprozess alle Patientennamen und -IDs durch fiktive, aber realistische Einträge. Die Datenstruktur und das Format bleiben gleich, damit Anwendungen wie gewohnt funktionieren können, ohne tatsächliche Patientendaten offenzulegen.

Dynamische Datenmaskierung (DDM)

Das System wendet die dynamische Datenmaskierung in Echtzeit an, während es Datenanforderungen verarbeitet. Im Gegensatz zur SDM erstellt es keine physische Kopie der Daten. Bei Abfragen der Daten wendet das System Datenmaskierungsregeln an, um sicherzustellen, dass die Originaldaten in der Datenbank unverändert bleiben.

Beispiel für dynamische Datenmaskierung: Ein Finanzanalyst fragt eine Datenbank mit Kundenfinanzdaten ab. DDM verbirgt automatisch Kontonummern und Salden in den Abfrageergebnissen. Dies stellt sicher, dass Analysten nur die Informationen sehen, die sie für ihre Analyse benötigen, und verhindert, dass sensible Daten offengelegt werden.

In-place Datenmaskierung

Obwohl keine eigenständige Maskierung, ist die In-place-Maskierung als Ausnahmefall der statischen Maskierung erwähnenswert. In-place-Maskierung tritt auf, wenn die Quell-Produktionsdatenbank und die Ziel-Maskierungsdatenbank identisch sind. Dies bedeutet, dass sensible Teile Ihrer vorhandenen Daten absichtlich entfernt oder maskiert werden. Diese Vorgehensweise ist risikobehaftet und sollte nur versucht werden, wenn der Datenbankadministrator zuversichtlich in Bezug auf das Endergebnis ist.

Wann findet die Maskierung statt?

• Statische Datenmaskierung maskiert die Daten, bevor sie in eine nicht-produktive Umgebung verschoben werden.
• Dynamische Datenmaskierung erfolgt unterwegs, während der Datenabfrage.

Art der Datenänderungen bei der Maskierung

Datenmaskierung kann je nach verwendeter Methode reversibel oder irreversibel sein:

• Reversible Maskierung: Dies wird häufig verwendet, wenn die Notwendigkeit besteht, unter sicheren Bedingungen auf die Originaldaten zurückzugreifen.
• Irreversible Maskierung: Diese Methode wird verwendet, wenn keine Notwendigkeit besteht, auf die Originaldaten zurückzugreifen, was die Sicherheit erhöht.

Beachten Sie, dass spezialisierte Software wie DataSunrise die Daten im Ruhezustand für die dynamische Datenmaskierung nicht verändert. Diese Art der Maskierung funktioniert im Reverse-Proxy-Modus. Anstatt die eigentliche Datenbank zu verwenden, werden die Abfragen zur Datenbank von dem DataSunrise-Proxy verarbeitet. Die Benutzer-End-Software arbeitet wie gewohnt mit der Datenbankverbindung.

Bei der statischen Maskierung kopiert DataSunrise standardmäßig Daten in eine andere Datenbank. Dies minimiert das Risiko eines Datenverlustes.

Maskierungsmethoden

Dies sind keine Maskierungstypen, aber Sie sollten auf Maskierungsmethoden in einigen Situationen achten. Gefälschte Daten müssen das Format nachahmen, um nicht nur den Angreifer in die Irre zu führen. Dies ist auch eine Möglichkeit, alte Software zu unterstützen, die empfindlich auf das Datenformat reagiert.

Ersetzung

Ersetzung umfasst das Ersetzen der Originaldaten durch fiktive, aber realistische Werte. Sie müssen fiktive Daten im Voraus generieren. Diese Technik bewahrt das Format und die Struktur der Daten, während sie sicherstellt, dass die maskierten Werte nicht reversibel sind. Beispiel:

Originaldaten: John Doe
Maskierte Daten: James Smith

Shuffling

Shuffling arrangiert die Werte innerhalb einer Spalte neu, wodurch die Beziehung zwischen den maskierten Daten und den Originaldaten aufgebrochen wird. Diese Technik ist nützlich, wenn die Verteilung und Einzigartigkeit der Daten beibehalten werden müssen. Beispiel:

Originaldaten: John Doe, Jane Smith, Alice Johnson
Maskierte Daten: Alice Johnson, John Doe, Jane Smith

Verschlüsselung

Verschlüsselung umfasst die Umwandlung der Originaldaten in ein unlesbares Format mittels eines kryptografischen Algorithmus und eines geheimen Schlüssels. Sie können die maskierten Daten nur mit dem entsprechenden Schlüssel entschlüsseln, was sie reversibel macht. Man verwendet Verschlüsselung häufig, wenn sie die Originaldaten wiederherstellen müssen. Beispiel:

Originaldaten: John Doe
Maskierte Daten: Xk9fTm1pR2w=

Tokenisierung

Tokenisierung ersetzt sensible Daten durch ein einzigartiges, zufällig generiertes Token. Das System speichert die Originaldaten sicher in einem Token-Tresor. Das Token dient als Referenz, um die Daten bei Bedarf abzurufen.

Unternehmen verwenden Tokenisierung häufig, um Kreditkartennummern und andere sensible Finanzdaten zu schützen. Beispiel:

Originaldaten: 1234-5678-9012-3456
Maskierte Daten: TOKEN1234

Im Bild unten sehen Sie die Auswahl der Maskierungsmethoden in DataSunrise. Dies erscheint, wenn Sie eine dynamische Maskierungsregel mit der web-basierten Benutzeroberfläche von DataSunrise erstellen. Die verfügbaren Methoden reichen von der einfachsten “Leeren Zeichenkette” bis hin zu fortschrittlicherer formatbewahrender “FF3-Verschlüsselung”.

Maskierung mit nativen DBMS-Tools: Vor- und Nachteile

Datenbankmanagementsysteme (DBMS) bieten häufig native Werkzeuge wie Sichten und gespeicherte Prozeduren. Sie können diese verwenden, um Datenmaskierung zu implementieren. Obwohl diese Tools einige Vorteile bieten, haben sie im Vergleich zu spezialisierten Datenmaskierungslösungen auch Einschränkungen. Lassen Sie uns die Vor- und Nachteile der Verwendung nativer DBMS-Tools zur Erstellung von Maskierungen untersuchen.

Vorteile

Vertrautheit: Datenbankadministratoren (DBAs) und Entwickler sind oft mit der Verwendung nativer DBMS-Tools vertraut. Diese Vertrautheit kann es ihnen erleichtern, Maskierung unter Verwendung dieser Tools zu implementieren, ohne zusätzliche Schulungen zu benötigen.

Integration: Das Datenbanksystem integriert nativ DBMS-Tools. Dies ermöglicht eine nahtlose Interaktion mit den Daten. Diese Integration kann den Implementierungsprozess vereinfachen und die Kompatibilität mit bestehenden Datenbankoperationen sicherstellen.

Leistung: Sie können Sichten und gespeicherte Prozeduren direkt innerhalb der Datenbank-Engine ausführen. Dies bietet eine bessere Leistung im Vergleich zu externen Maskierungslösungen. Dies ist besonders vorteilhaft, wenn es um große Datensätze oder komplexe Maskierungsregeln geht.

Nachteile

Begrenzte Funktionalität: Native DBMS-Tools bieten möglicherweise nicht denselben Funktionsumfang wie spezialisierte Datenmaskierungslösungen. Sie könnten erweiterte Maskierungstechniken wie formatbewahrende Verschlüsselung oder bedingte Maskierung nicht enthalten. Dies kann die Effektivität des Maskierungsprozesses einschränken.

Wartungsaufwand: Die Implementierung von Maskierungen mit Sichten und gespeicherten Prozeduren erfordert kundenspezifische Entwicklung und laufende Wartung. Da sich das Datenbankschema weiterentwickelt, müssen die Sichten und gespeicherten Prozeduren entsprechend aktualisiert werden. Dies kann zeitaufwendig und fehleranfällig sein, insbesondere in komplexen Datenbankumgebungen.

Skalierbarkeitsprobleme: Bei der Verwendung nativer DBMS-Tools zur Maskierung ist die Maskierungslogik eng mit dem Datenbankschema gekoppelt. Die Skalierung der Maskierungslösung über mehrere Datenbanken oder die Anpassung an Änderungen in der Datenstruktur kann schwierig sein. Spezialisierte Maskierungslösungen bieten oft mehr Flexibilität und Skalierbarkeit bei der Verwaltung vielfältiger Datenquellen und sich entwickelnder Anforderungen.

Sicherheitsbedenken: Sichten und gespeicherte Prozeduren sind Teil des Datenbanksystems. Benutzer mit entsprechenden Berechtigungen können darauf zugreifen. Wenn sie nicht ordnungsgemäß gesichert sind, besteht die Gefahr eines unbefugten Zugriffs auf die Maskierungslogik oder die unmaskierten Daten. Spezialisierte Maskierungslösungen bieten oft zusätzliche Sicherheitsmaßnahmen und Zugangskontrollen zur Minderung dieser Risiken.

Konsistenz und Standardisierung: Bei der Verwendung nativer DBMS-Tools kann die Maskierung von verschiedenen Datenbanken und Teams unterschiedlich implementiert werden. Diese mangelnde Konsistenz kann zu Diskrepanzen bei den maskierten Daten führen und es schwierig machen, einen standardisierten Maskierungsansatz in der gesamten Organisation beizubehalten. Spezialisierte Maskierungslösungen bieten einen zentralisierten und einheitlichen Ansatz zur Maskierung, der Einheitlichkeit und die Einhaltung von Datenschutzrichtlinien sicherstellt.

Erstellen von Maskierungsregeln in DataSunrise

Um Datenmaskierung mit DataSunrise zu implementieren, können Sie entweder die webbasierte Benutzeroberfläche (GUI) oder die Befehlszeilenschnittstelle (CLI) verwenden.

Beispiel für die Verwendung der CLI für eine dynamische Maskierungsregel (einzelne Zeile):

executecommand.bat addMaskRule -name script-rules -instance aurora -login aurorauser -password aurorauser -dbType aurora -maskType fixedStr -fixedVal XXXXXXXX -action mask -maskColumns 'test.table1.column2;test.table1.column1;'

Dieser Befehl erstellt eine Maskierungsregel namens “script-rules”, die Werte in den Spalten “test.table1.column2” und “test.table1.column1” der Tabelle “table1” ersetzt. Sie können die DataSunrise CLI-Anleitung für Details einsehen.

Schlussfolgerung und Zusammenfassung

Datenmaskierung ist eine wichtige Sicherheitsmaßnahme, die Organisationen dabei hilft, sensible Informationen zu schützen. Das Verständnis der verschiedenen Arten der Datenmaskierung und ihrer Anwendungen kann Ihre Datensicherheitsstrategie erheblich verbessern. Statische und dynamische Datenmaskierung haben jeweils ihre Rolle, abhängig von der Sensibilität der Daten.

Während native DBMS-Tools wie Sichten und gespeicherte Prozeduren für die Erstellung von Maskierungen verwendet werden können, haben sie Einschränkungen im Vergleich zu spezialisierten Datenmaskierungslösungen. Organisationen sollten ihre Maskierungsanforderungen sorgfältig bewerten, unter Berücksichtigung von Faktoren wie Funktionalität, Skalierbarkeit, Sicherheit und Wartbarkeit, bevor sie die geeignete Vorgehensweise auswählen.

Spezialisierte Maskierungslösungen wie DataSunrise bieten umfassende Funktionen, Flexibilität und Benutzerfreundlichkeit, was sie zur bevorzugten Wahl für Organisationen macht, die robuste und zuverlässige Datenmaskierungspraktiken implementieren möchten. DataSunrise bietet eine Vielzahl von Maskierungstechniken, unterstützt mehrere Datenbanken und bietet eine zentrale, webbasierte Verwaltungskonsole zur Definition und Anwendung von Maskierungsregeln in der gesamten Organisation.

Kommen Sie zu einem Online-Demonstration unserer Lösungen, um zu sehen, wie wir Ihre Daten effektiv schützen können.

Hinweis zu DataSunrise: Die außergewöhnlichen und flexiblen Tools von DataSunrise bieten nicht nur robusten Schutz, sondern gewährleisten auch Compliance und effizientes Datenmanagement. Nehmen Sie an einer Online-Demo teil, um zu erfahren, wie wir Ihnen bei der Sicherung Ihrer Datenressourcen helfen können.