Pojedynczy klaster Amazon Redshift jest jedynym źródłem danych firmy i zawiera pewne poufne pola. Analityk danych potrzebuje dostępu do niektórych poufnych kolumn bez zmieniania danych źródłowych ani przechowywania anonimowych kopii w bazie danych. Które rozwiązanie wymaga najmniejszego wysiłku wdrożeniowego?

Dynamiczne maskowanie danych (Dynamic Data Masking) w Amazon Redshift to najbardziej efektywne rozwiązanie, ponieważ pozwala na maskowanie poufnych danych w czasie rzeczywistym, bez konieczności tworzenia kopii danych czy modyfikowania schematu. Zasady maskowania są stosowane na poziomie zapytań, co oznacza, że analityk danych widzi zamaskowane wartości, podczas gdy oryginalne dane pozostają nienaruszone. Wymaga to najmniejszego wysiłku wdrożeniowego, ponieważ nie ma potrzeby tworzenia nowych tabel, widoków zmaterializowanych ani uruchamiania zadań ETL. Tworzenie zmaterializowanego widoku z logiką maskowania wymagałoby utrzymania dodatkowego obiektu bazy danych i zapewnienia jego aktualności. Odciążanie danych do Amazon S3 i użycie Athena lub AWS Glue wiązałoby się z większym nakładem pracy na konfigurację potoków danych, zarządzanie przechowywaniem w S3 oraz utrzymanie zadań ETL/transformacji, co jest bardziej złożone niż dynamiczne maskowanie w Redshift.