Big Data Schutz
Maskieren & Testen in VLDBs, HDFS, Dark Data
Schutz großer Datenbestände
Mit der erschwinglichen IRI-Software (Frontended in Eclipse) können Sie jetzt personenbezogene Daten (PII) und andere sensible Daten in großen Datenumgebungen entdecken, klassifizieren und schützen.
Die bewährten datenzentrierten Sicherheitslösungen von IRI unterstützen mehrere ältere und moderne Datenquellen mit mehreren Maskierungs- und Verschlüsselungsfunktionen, die identisch in Ihrem lokalen Dateisystem (mit der Leistung von CoSort) und Hadoop-Clustern für unbegrenzte Skalierbarkeit laufen.
Maskieren Sie bestehende Produktionsdaten oder generieren Sie sichere Testdaten von Grund auf mit einer leistungsstarken Eclipse™ IDE, die Folgendes beinhaltet oder unterstützt:
IRI DarkShield - zum Erkennen, Bereitstellen und Löschen von PII in unstrukturierten Textdateien, PDFs und anderen Formaten von Dark Data Repositories.
IRI FieldShield - zum Auffinden und Maskieren von PII in großen Flat- oder JSON-Dateien oder sehr großen Datenbanken, vor, während und nach ETL, Analysen usw.
IRI Voracity - die Gesamtdatenmanagement-Plattform, die beides unterstützt, zusammen mit Big Data Verarbeitung und Bereitstellung.
IRI RowGen - für intelligente, große Testdatengenerierung und Virtualisierung
Was ist hier "Big Data"?
Die Fähigkeit PII sowohl in neueren Hadoop Hive-, S3-, NoSQL- und Cloud/SaaS-Plattform-Quellen als auch in massiv strukturierten, semistrukturierten und unstrukturierten Datenmengen direkt zu profilieren (entdecken) und zu schützen (maskieren). Mehrere Assistenten für die Datenentdeckung und Profilerstellung in der IRI Workbench IDE für Voracity, die auf Eclipse™ basiert, ermöglichen das Suchen, Klassifizieren, Extrahieren und Bearbeiten von PII in strukturierten und unstrukturierten Quellen. IRI-Datenmaskierungsaufträge nutzen bewährte Redaktions- und große Datenverarbeitungsmaschinen in Multi-Core-Servern oder Multi-Node Hadoop-Umgebungen.
Big Data Maskierung
Mit einer Datenschutzfunktion aus 12 Kategorien nach Geschäfts- und Datenschutzbestimmungen können Sie jedes Element gezielt ansprechen.
Wählen Sie beispielsweise formaterhaltende Verschlüsselung oder Tokenisierung für Kreditkartenwerte, Pseudonymisierung für Namen, Randomisierung für Alter, Redaktion für Formeln und Zeichenmaskierung für nationale ID-Werte.
Weitere Informationen finden Sie unter:
Big Test Data
Generieren und füllen Sie riesige Mengen an sicheren, realistischen Testdaten in Datei-, Tabellen- und Berichtszielen.
Verwenden Sie Produktionsmetadaten -aber keine Produktionsdaten-, um strukturell und referenziell korrekte Volumes zu erstellen, die den Erscheinungsbildern, Wertebereichen, Häufigkeitsverteilungen und Layouts der realen DB-, DWH- und Hadoop-Umgebungen entsprechen.
Weitere Informationen finden Sie unter:
