Musisz wstępnie przetworzyć dane klientów z zastrzeżonego zasobnika GCS do analiz konsumenckich, spełniając jednocześnie wymagania dotyczące prywatności. Które podejście należy zastosować?

Prawidłowa odpowiedź wykorzystuje Dataflow do przetwarzania danych i Cloud Data Loss Prevention (DLP) API do maskowania wrażliwych informacji, co jest standardową praktyką zapewniającą prywatność danych przed zapisaniem ich w BigQuery do analizy. Maskowanie (np. tokenizacja, haszowanie) pozwala na zachowanie użyteczności danych do analizy, jednocześnie chroniąc oryginalne, wrażliwe wartości. Inne opcje są mniej odpowiednie: Użycie CMEK do szyfrowania danych w Cloud Storage chroni dane w spoczynku, ale nie anonimizuje ich do analizy, a zapytania federacyjne BigQuery nadal miałyby dostęp do oryginalnych danych. Usuwanie wrażliwych pól może prowadzić do utraty cennych informacji analitycznych. Maskowanie jest lepszym podejściem. Szyfrowanie wrażliwych pól za pomocą Cloud KMS i zapisywanie ich w BigQuery nadal wymagałoby zarządzania kluczami i deszyfrowania do analizy, co jest bardziej złożone niż maskowanie i nie zapewnia anonimizacji w sensie prywatności danych do analizy.