IRI Voracitys datahanteringsplattform (och IRI FieldShields datamaskeringsprodukt inom) låter dig nu automatiskt definiera dataklasser och grupper baserat på dina affärsordlistor eller domänontologier och tillämpa transformationsregler på dessa klasser över flera datakällor och fält. I den här artikeln kommer jag att visa hur man tillämpar skyddsregler på fältnivå mot ett dataklassbibliotek.
Vi kommer att använda dataklassbiblioteket som skapades i min första artikel om dataklassificering i IRI Workbench for Voracity och FieldShield. Här är dataklassbiblioteket som kommer att användas:
Du kan se att jag använde en CSV-fil och två Oracle-tabeller. I detta regelexempel kommer jag bara att transformera data i de två tabellerna.
Med hjälp av FieldShield Multi Table Protection Job Wizard väljer jag ODBC som extraherare, inget för laddaren (så utdata blir en platt fil) och de två tabellerna som refereras till ovan. På sidan Regler för fältändringar klickar jag på Skapa för att lägga till en ny maskeringsfunktionsregel för mitt SSN-fält som sådan:
Jag lägger sedan till en regelmatchare med PIN_US-dataklassen som jag har i mitt bibliotek:
Jag kan lägga till så många matchare som jag vill med OCH/ELLER-logik. Observera OCH har företräde. Operatören för den senaste regelmatcharen används inte i logiken.
Jag skapar en annan maskeringsregel med hjälp av det fördefinierade hela fältet och datagruppen NAMES som en matchare. Att klicka på knappen Test visar att den hittade tre fältmatchningar. Eftersom dataklassgruppen NAMES innehåller dataklasserna FIRSTNAME, LAST_NAME och FULL_NAME, är detta den korrekta utdata baserat på dataklassbiblioteket ovan. Det finns tre kartor med en typ av NAMN i sin dataklass. Klasser och grupper särskiljs med ikoner i dialogrutan för matchningsdetaljer och inställningar på sidorna.
Om du klickar på Nästa visas sammanfattningsskärmen där den innehåller de fält som kommer att tillämpas på en regel.
Genom att klicka på Slutför skapas en mapp med jobbresultaten inkluderade.
Här är de två jobbskripten (ett för varje tabell) som visar de tillämpade reglerna i utdatasektionerna. Fyra fält maskerades på två olika sätt:namn är helt maskerade och SSN:er har bara de första fem siffrorna maskerade, vilket hoppar över strecken.
När dessa jobb körs ensamma eller som en del av ett jobb ger de följande resultat:
Genom att kunna använda dataklasser som regelmatchare kan du välja ett större antal fält med färre steg. I det här exemplet maskerade jag fyra fält i två tabeller med bara två regler.
Om du vill ha mer information eller ge feedback om användningen av dataklassificering och/eller tillämpningen av regler, vänligen kontakta [email protected].