Accueil
Centre de Connaissances
Masquage Dynamique des Données pour Amazon Redshift

Masquage Dynamique des Données pour Amazon Redshift

Introduction

Les organisations font face à une pression croissante pour protéger les données personnelles tout en maintenant la conformité réglementaire. Voici le masquage dynamique des données pour Amazon Redshift – une solution puissante qui aide les entreprises à sécuriser leurs données sans compromettre la fonctionnalité.

Plongeons dans le monde du masquage dynamique des données et explorons comment il peut révolutionner votre stratégie de sécurité des données.

Selon le tableau de bord de la National Vulnerability Database (NVD) en août 2024, il y a eu 24 457 nouveaux enregistrements de Vulnérabilités et Expositions Communes (CVE) signalés cette année – et nous n’en sommes qu’à la moitié de l’année.

Cette statistique stupéfiante souligne la nécessité critique de mesures robustes de protection des données. Le masquage dynamique des données offre une approche de pointe pour protéger les informations sensibles dans les bases de données Amazon Redshift.

Comprendre les Capacités de Masquage de Données d’AWS Redshift

Amazon Redshift propose plusieurs fonctions intégrées qui peuvent être utilisées pour un masquage des données de base. Bien que ces fonctions ne soient pas aussi complètes que les solutions de masquage dédiées, elles offrent un point de départ pour la protection des données sensibles.

Données de test

create table MOCK_DATA (
id INT,
first_name VARCHAR(50),
last_name VARCHAR(50),
email VARCHAR(50)
);
insert into MOCK_DATA (id, first_name, last_name, email) values (6, 'Bartlet', 'Wank', '[email protected]');
insert into MOCK_DATA (id, first_name, last_name, email) values (7, 'Leupold', 'Gullen', '[email protected]');
insert into MOCK_DATA (id, first_name, last_name, email) values (8, 'Chanda', 'Matiebe', '[email protected]');
…

Utilisation de REGEXP_REPLACE

L’une des façons les plus simples de masquer des données dans Redshift est d’utiliser la fonction REGEXP_REPLACE. Cette fonction vous permet de remplacer des parties d’une chaîne en fonction d’un modèle d’expression régulière.

Voici un exemple de la façon dont vous pouvez utiliser les restrictions et REGEXP_REPLACE pour masquer un numéro de téléphone :

SELECT RIGHT(email, 4) AS masked_email
FROM mock_data;

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

Cette requête remplace les six premiers chiffres d’un numéro de téléphone par des caractères ‘X’, ne laissant visibles que les quatre derniers chiffres.

Ou encore plus simple :

SELECT '[email protected]' AS masked_email
FROM mock_data;

Masquage des Vues

CREATE VIEW masked_users AS
SELECT 
  id,
  LEFT(email, 1) || '****' || SUBSTRING(email FROM POSITION('@' IN email)) AS masked_email,
  LEFT(first_name, 1) || REPEAT('*', LENGTH(first_name) - 1) AS masked_first_name
FROM mock_data;

SELECT * FROM masked_users;

Exploiter les Fonctions Python Intégrées

Redshift prend également en charge les fonctions définies par l’utilisateur (UDF) écrites en Python. Celles-ci peuvent être des outils puissants pour mettre en œuvre une logique de masquage plus complexe.

Voici un exemple simple d’UDF Python qui masque les adresses de courriel et les prénoms :

-- Masquage des emails -- 
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;

-- Masquage des prénoms -- 
CREATE OR REPLACE FUNCTION f_mask_name(name VARCHAR(255)) 
RETURNS VARCHAR(255) 
STABLE 
AS $$ 
    import re 
    if not name: 
        return name 
    # Garder le premier caractère, masquer le reste 
    masked = name[0] + re.sub(r'[a-zA-Z]', '*', name[1:]) 
    return masked 
$$ LANGUAGE plpythonu;

SELECT id, f_mask_name(first_name) AS masked_first_name, last_name
FROM MOCK_DATA;

Créer une Instance DataSunrise pour le Masquage Dynamique des Données

Bien que les capacités intégrées de Redshift offrent un masquage de base, elles manquent de la flexibilité et de la facilité d’utilisation fournies par des solutions spécialisées comme DataSunrise. Explorons comment configurer le masquage dynamique des données en utilisant DataSunrise.

Configurer le Masquage Dynamique des Données

Pour configurer le masquage dynamique des données :

Dans le tableau de bord, accédez à la section “Masquage”.
Sélectionnez “Règles de Masquage Dynamique” dans le menu.
Cliquez sur “Ajouter une Nouvelle Règle” pour créer une règle de masquage.
Choisissez votre instance de base de données Amazon Redshift dans la liste des bases de données connectées.
Sélectionnez la table et la colonne que vous souhaitez masquer.
Choisissez une méthode de masquage (plus de détails dans la section suivante).
Enregistrez votre règle et appliquez les modifications.

L’image affiche deux règles de masquage dynamique des données. La première règle, intitulée ‘RedshiftMaskingRule01’, est configurée pour masquer les adresses e-mail. La seconde règle, ‘RedshiftMaskingRule02’, est configurée pour masquer les prénoms.

Après avoir configuré les règles, vous pouvez exécuter une requête de test pour voir les données masquées dynamiquement en action. L’accès aux données masquées dans DBeaver est illustré ci-dessous.

La création de règles de masquage dynamique avec DataSunrise est remarquablement simple, ne nécessitant que quelques clics. Ce processus simplifié contraste fortement avec les approches natives plus complexes. Mieux encore, cette facilité d’utilisation s’applique à des dizaines de bases de données et systèmes de stockage pris en charge, offrant une polyvalence et une efficacité inégalées dans la protection des données.

Explorer les Méthodes de Masquage

DataSunrise offre plusieurs méthodes de masquage pour s’adapter à différents types de données et exigences de sécurité. Examinons trois approches courantes :

Chiffrement à Format Préservé (FPE)

FPE est une technique de masquage avancée qui chiffre les données tout en conservant leur format original. Cela est particulièrement utile pour des champs comme les numéros de carte de crédit ou les numéros de sécurité sociale, où les données masquées doivent conserver la même structure que l’original.

Exemple : Original : 1234-5678-9012-3456 Masqué : 8736-2940-5281-7493

Valeur de Chaîne Fixe

Cette méthode remplace entièrement le champ par une chaîne prédéfinie. C’est simple mais efficace pour les cas où la structure réelle des données n’est pas importante.

Exemple : Original : John Doe Masqué : [REDACTED]

Valeur Nulle

Parfois, la meilleure façon de protéger les données sensibles est de les masquer complètement. La méthode de la valeur nulle remplace les données originales par une valeur nulle, les supprimant ainsi des résultats des requêtes pour les utilisateurs non autorisés.

Exemple : Original : [email protected] Masqué : NULL

DataSunrise offre une gamme variée de méthodes de masquage, vous fournissant de nombreuses options pour personnaliser votre stratégie de protection des données :

Avantages du Masquage Dynamique des Données

Mettre en œuvre le masquage dynamique des données pour Amazon Redshift offre plusieurs avantages clés :

Sécurité renforcée des données : protéger les informations sensibles contre les accès non autorisés.
Conformité réglementaire : répondre aux exigences des réglementations sur la protection des données telles que GDPR et CCPA.
Flexibilité : appliquer différentes règles de masquage en fonction des rôles des utilisateurs ou des éléments de données spécifiques.
Intégration transparente : masquer les données dynamiquement sans modifier la structure sous-jacente de la base de données.
Amélioration des tests et du développement : fournir des données réalistes mais sûres pour les environnements non de production.

Meilleures Pratiques pour la Mise en Œuvre du Masquage Dynamique des Données

Pour maximiser l’efficacité de votre stratégie de masquage des données :

Identifier les données sensibles : mener un processus de découverte des données pour localiser toutes les informations sensibles.
Définir des politiques claires : établir des règles de masquage cohérentes dans toute l’organisation.
Tester rigoureusement : vérifier que le masquage ne casse pas la fonctionnalité des applications.
Surveiller et auditer : revoir régulièrement les règles de masquage et leur efficacité.
Former votre équipe : s’assurer que toutes les parties prenantes comprennent l’importance du masquage des données et savent comment l’utiliser correctement.

Conclusion

Le masquage dynamique des données pour Amazon Redshift est un outil puissant dans l’arsenal moderne de la sécurité des données. En mettant en œuvre des stratégies de masquage robustes, les organisations peuvent protéger les données sensibles, maintenir la conformité réglementaire et atténuer les risques associés aux violations de données.

Alors que la protection des données devient de plus en plus critique, des solutions comme DataSunrise offrent des outils conviviaux et de pointe pour une sécurité complète des bases de données. En plus du masquage dynamique des données, DataSunrise propose des fonctionnalités telles que l’audit et la découverte des données, renforçant encore votre capacité à protéger les informations précieuses.

Prêt à porter la sécurité des données Amazon Redshift au niveau supérieur ? Visitez le site de DataSunrise pour une démonstration en ligne et découvrez comment nos outils avancés peuvent transformer votre approche de la protection des données.