IRI Voracity-dataadministrationsplatformen (og IRI FieldShield-datamaskeringsproduktet indenfor) giver dig nu mulighed for automatisk at definere dataklasser og grupper baseret på dine virksomhedsordlister eller domæneontologier og anvende transformationsregler på disse klasser på tværs af flere datakilder og felter. I denne artikel vil jeg demonstrere, hvordan man anvender beskyttelsesregler på feltniveau mod et dataklassebibliotek.
Vi vil bruge dataklassebiblioteket oprettet i min første artikel om dataklassificering i IRI Workbench for Voracity og FieldShield. Her er dataklassebiblioteket, der vil blive brugt:
Du kan se, at jeg brugte en CSV-fil og to Oracle-tabeller. I dette regeleksempel vil jeg kun transformere data i de to tabeller.
Ved at bruge FieldShield Multi Table Protection Job Wizard vælger jeg ODBC som udtrækker, intet til indlæseren (så outputtet bliver en flad fil) og de to tabeller, der er refereret til ovenfor. På siden Feltændringsregler klikker jeg på Opret for at tilføje en ny maskefunktionsregel for mit SSN-felt som sådan:
Jeg tilføjer derefter en regelmatcher ved hjælp af PIN_US-dataklassen, som jeg har i mit bibliotek:
Jeg kan tilføje så mange matchere, som jeg vil, ved at bruge OG/ELLER-logik. Bemærk venligst OG har forrang. Operatoren for den sidste regelmatcher bruges ikke i logikken.
Jeg opretter en anden maskeringsregel ved at bruge det foruddefinerede Whole Field og datagruppen NAMES som matcher. Ved at klikke på knappen Test viser den, at den fandt tre feltmatches. Fordi dataklassegruppen NAMES indeholder dataklasserne FIRSTNAME, LAST_NAME og FULL_NAME, er dette det korrekte output baseret på dataklassebiblioteket ovenfor. Der er tre kort med en type NAVN i deres dataklasse. Klasser og grupper adskilles med ikoner i dialogboksen med matcherdetaljer og præferencesider.
Hvis du klikker på Næste, vises oversigtsskærmen, hvor den inkluderer de felter, som vil have en regel anvendt.
Ved at klikke på Udfør oprettes en mappe med jobresultaterne inkluderet.
Her er de to jobscripts (et for hver tabel), der viser de anvendte regler i outputsektionerne. Fire felter blev maskeret på to forskellige måder:Navne er helt maskerede, og SSN'er har kun de første fem cifre maskeret, hvorved bindestregerne springes over.
Når disse job udføres alene eller som en del af et job, giver de disse resultater:
At være i stand til at bruge dataklasser som regelmatchere lader dig vælge et større antal felter med færre trin. I dette eksempel maskerede jeg fire felter i to tabeller med kun to regler.
Hvis du ønsker mere information eller give feedback om brugen af dataklassificering og/eller anvendelse af regler, bedes du kontakte [email protected].