U moet klantgegevens in een beperkte GCS-bucket voor consumentenanalyses voorbewerken, terwijl u voldoet aan privacyvereisten. Welke aanpak moet u gebruiken?

De correcte aanpak is om Dataflow en de Cloud Data Loss Prevention (DLP) API te gebruiken om gevoelige gegevens te maskeren en de verwerkte gegevens naar BigQuery te schrijven. Dit voldoet aan de privacyvereisten door gevoelige informatie te anonimiseren voordat deze voor analyse wordt gebruikt. CMEK versleutelt de gegevens, maar maskeert of anonimiseert ze niet, waardoor de privacyvereisten voor consumentenanalyse niet worden opgelost. Het detecteren en verwijderen van gevoelige velden kan leiden tot gegevensverlies en is mogelijk niet de meest geschikte methode als de gegevens nog steeds bruikbaar moeten zijn na privacybescherming. Maskeren behoudt de datastructuur. Het versleutelen van gevoelige velden met Cloud KMS en het delen van de sleutel introduceert complexiteit en risico's bij sleutelbeheer, en de gegevens zijn nog steeds versleuteld in BigQuery, wat directe analyse bemoeilijkt zonder ontsleuteling. Maskeren is een betere oplossing voor analyse.