Kundendaten aus einem eingeschränkten GCS-Bucket für unternehmensweite Analysen vorverarbeiten, dabei sensible Felder schützen, aber vollständige Daten für die zukünftige Verwendung beibehalten; Datenschutzanforderungen einhalten.

Die Verwendung von Dataflow mit der DLP API zum Maskieren sensibler Daten ist die beste Lösung, da sie die Datenschutzanforderungen erfüllt und die vollständigen Daten für die zukünftige Verwendung beibehält. Maskierung ersetzt sensible Informationen durch Platzhalter, wodurch die Daten für Analysen nutzbar bleiben, ohne die Originaldaten zu verlieren. Die DLP API ist speziell für die Erkennung und Maskierung sensibler Daten konzipiert. Die Option, sensible Felder zu erkennen und zu entfernen, würde die vollständigen Daten nicht für die zukünftige Verwendung beibehalten. Die Verschlüsselung von Cloud Storage mit CMEK und föderierte Abfragen schützen die Daten im Ruhezustand, aber nicht bei der Verarbeitung für Analysen, und erfüllen nicht die Anforderung, sensible Felder zu schützen, während die vollständigen Daten erhalten bleiben. Die Verschlüsselung sensibler Felder mit Cloud KMS und das Speichern verschlüsselter Daten in BigQuery würde die Analyse der sensiblen Felder erschweren, ohne sie zuerst zu entschlüsseln, was die Datenschutzanforderungen für unternehmensweite Analysen nicht optimal erfüllt.