Wstępnie przetwórz dane klientów z zastrzeżonego zasobnika GCS do analizy w całej organizacji, jednocześnie chroniąc poufne pola, ale zachowując pełne dane do wykorzystania w przyszłości; przestrzegaj wymagań dotyczących prywatności danych.

Poprawna odpowiedź to użycie Dataflow z DLP API do maskowania poufnych danych, a następnie zapisanie przetworzonych danych do BigQuery. To rozwiązanie pozwala na wykrywanie i maskowanie wrażliwych informacji (np. danych osobowych) za pomocą DLP API, co chroni prywatność. Dataflow umożliwia skalowalne przetwarzanie danych, a BigQuery jest odpowiednim miejscem do przechowywania danych analitycznych. Maskowanie zachowuje pełne dane do przyszłego wykorzystania, jednocześnie chroniąc poufne pola. Inne opcje są mniej odpowiednie: Wykrywanie i usuwanie poufnych pól (pierwsza opcja) nie zachowuje pełnych danych do przyszłego wykorzystania. Szyfrowanie Cloud Storage za pomocą CMEK (druga opcja) chroni dane w spoczynku, ale nie rozwiązuje problemu ochrony poufnych pól podczas analizy i udostępniania. Zapytania federacyjne mogą być mniej wydajne i nie maskują danych. Szyfrowanie poufnych pól za pomocą Cloud KMS (czwarta opcja) wymagałoby deszyfrowania przed analizą, co może być skomplikowane i mniej efektywne niż maskowanie, które pozwala na analizę bez ujawniania oryginalnych danych.