Sie müssen Kundendaten in einem eingeschränkten GCS-Bucket für Verbraucheranalysen vorverarbeiten und dabei die Datenschutzanforderungen erfüllen. Welchen Ansatz sollten Sie verwenden?

Dieser Ansatz ist korrekt, da er die Anforderungen an Datenschutz und Analyse erfüllt. Dataflow ist ideal für die Vorverarbeitung großer Datensätze, und die Cloud Data Loss Prevention (DLP) API ist das spezialisierte Tool von Google Cloud für die Erkennung und Maskierung sensibler Daten. Das Maskieren von Daten (z. B. Tokenisierung oder Pseudonymisierung) ist eine gängige Methode, um Daten für Analysen nutzbar zu machen, während die Vertraulichkeit gewahrt bleibt. Das Schreiben der verarbeiteten Daten in BigQuery ermöglicht effiziente Analysen. Die Option mit CMEK verschlüsselt die Daten nur, macht sie aber nicht für Analysen nutzbar, ohne sie zu entschlüsseln, was die Datenschutzanforderungen untergraben könnte. Das Entfernen sensibler Felder könnte zu einem Verlust wertvoller Informationen für die Analyse führen. Die Verschlüsselung mit Cloud KMS und das Schreiben in BigQuery würde bedeuten, dass BigQuery verschlüsselte Daten speichern würde, die für Abfragen nicht direkt nutzbar wären, ohne vorher entschlüsselt zu werden.