Apache Spark BatchのtPatternMaskingプロパティ - 7.3

Data privacy

Version
7.3
Language
日本語
Product
Talend Big Data Platform
Talend Data Fabric
Talend Data Management Platform
Talend Data Services Platform
Talend MDM Platform
Talend Real-Time Big Data Platform
Module
Talend Studio
Content
ジョブデザインと開発 > サードパーティーシステム > データクオリティコンポーネント > データプライバシーコンポーネント
データガバナンス > サードパーティーシステム > データクオリティコンポーネント > データプライバシーコンポーネント
データクオリティとプレパレーション > サードパーティーシステム > データクオリティコンポーネント > データプライバシーコンポーネント
Last publication date
2024-03-28

これらのプロパティは、Spark Batchジョブのフレームワークで実行されているtPatternMaskingを設定するために使われます。

Spark BatchtPatternMaskingコンポーネントは、データクオリティファミリーに属しています。

このフレームワーク内のコンポーネントは、ビッグデータ対応のTalend Platform製品すべて、およびTalend Data Fabricで利用できます。

基本設定

[Schema] (スキーマ)[Edit schema] (スキーマを編集)

スキーマとは行の説明のことです。処理して次のコンポーネントに渡すフィールド(カラム)数を定義します。Sparkジョブを作成する場合、フィールドの命名時は予約語のlineを避けます。

ジョブで接続している先行コンポーネントからスキーマを取得するためには、[Sync columns] (カラムを同期)をクリックします。

スキーマを変更するには[Edit schema] (スキーマを編集)をクリックします。現在のスキーマがリポジトリータイプの場合は、3つのオプションを利用できます。

  • [View schema] (スキーマを表示): スキーマのみを表示する場合は、このオプションを選択します。

  • [Change to built-in property] (組み込みのプロパティに変更): ローカルで変更を行うためにスキーマを組み込みに変更する場合は、このオプションを選択します。

  • [Update repository connection] (リポジトリー接続をアップデート): リポジトリーに保存されているスキーマに変更を加え、変更後にそのコンテンツをすべてのジョブにプロパゲートするかどうかを決める場合は、このオプションを選択します。変更を現在のジョブにのみ反映する場合は、変更後、[No] (いいえ)を選択し、[Repository Content] (リポジトリーコンテンツ)ウィンドウで再びこのスキーマのメタデータを選択します。

このコンポーネントの出力スキーマには、読み取り専用カラムが含まれています。
  • TWEAK: [Use tweaks with FF1 Encryption] (FF1暗号化で微調整を使用)チェックボックスがオンになっている場合に生成されます。このカラムにはデータの解読に必要な微調整が含まれています。
  • ORIGINAL_MARK: レコードが元のレコードであればtrueで、代替レコードであればfalseで識別します。

 

[Built-in] (組み込み): そのコンポーネントに対してのみスキーマを作成し、ローカルに保管します。

 

[Repository] (リポジトリー): スキーマは作成済みで、リポジトリーに保管されています。さまざまなプロジェクトやジョブデザインで再利用できます。

[Modifications] (変更)

テーブルで変更するフィールドと変更方法を定義します:

[Column to mask] (マスクするカラム): 入力フローからカラムを選択し、値を変更して同種のデータを生成します。

異なる複数のカラムからのデータをマスクできますが、マスクするフィールドの順序に従う必要があります。

各カラムは順次処理されます。すなわち、最初のカラムからのデータに対してデータマスキングオペレーションが実行され、2番目以降のカラムも同様に実行されます。

カラム内では、最後のデータフィールドを除いて、各データフィールドが固定長フィールドになっています。

固定長フィールドの場合は、たとえば、"30001,30002,30003"または"FR,EN"のように、各値に含まれる文字数が同じである必要があります。

カラム内の最後の[Enumeration] (列挙)または[Enumeration from file] (ファイルからの列挙)データフィールドは、可変長フィールドです。

可変長フィールドの場合は、たとえば、"30001,300023,30003"または"FR,ENG"のように、各値に含まれる文字数は常に同じとは限りません。

[Field type] (フィールドタイプ): データが属しているフィールドタイプを選択します。
  • [Interval] (間隔): 選択時に次の構文を使用して、マスクに使用する数値の範囲を[Range] (範囲)フィールドで設定します: "<min>,<max>"

    入力データからマスクされる文字の数は、最大値の文字数に対応します。

    たとえば、"1,999""001,999"として解釈されます。すなわち、入力データからの3文字が、定義済みの値の範囲からランダムに選択された値によってマスクされます。

  • [Enumeration] (列挙): 選択時に次の構文を使用して、[Values] (値)フィールド内のデータをマスクするために使用する値のコンマ区切りリストを入力します: "value1,value2,value3"

    各値の文字数は同じである必要があります。たとえば、"30001,30002,30003"または"FR,EN"です。

  • [Enumeration from file] (ファイルからの列挙): 選択時に、[Path] (パス)フィールド内のデータをマスクするために使用する値のリストを含むCSVファイルへのパスを設定するために使われます。ファイルには行ごとに1つの値が含まれていて、各値は一意で、値の文字数は同じである必要があります。
    次の場所でファイルを選択できます。
    • ローカルシステム
    • Amazon S3 (ローカルSparkモード、またはtS3Configurationを使ってEMRに接続)。S3NおよびS3Aファイルシステムがサポートされています。
    • Azure Blob Storage (ローカルSparkモード、またはtAzureFSConfigurationを使ってAzure HDInsightかDatabricksに接続)
    • Azure Datalake Storage (ローカルSparkモード、またはtAzureFSConfigurationを使ってAzure HDInsightに接続)
    • Google Cloud Storage (ローカルSparkモード、またはtGSConfigurationを使ってDataprocに接続)
    • HDFS (ローカルSparkモード、またはtHDFSConfigurationを使ってAzure HDInsightに接続)
    ファイルパスの前にプレフィックスを入力します。
    • prefix://file path: ジョブをローカルモードで実行する場合も使用します。または、
    • hdfs://hdpnameservice1/file path: インデックスがクラスター上にある場合。

    フォルダーへのパスはサポートされていません。

  • [Date pattern (YYYYMMDD)] (日付パターン(YYYYMMDD)): 選択時に次の構文を使用して、[Date Range] (日付範囲)フィールドに年の範囲を設定するために使われます: "<min_year>,<max_year>"

    年はたとえば"1900,2100"のように、必ず4桁にしてください。

    マスクする入力日付には、たとえば 20180101のように、YYYYMMDDのパターンを使用してください。

    たとえば、入力日付が20180101[Date Range] (日付範囲)内の値が"1900,2100"である場合、出力日付はたとえば19221221のようになります。

[Values] (値)[Path] (パス)[Range] (範囲)および[Date Range] (日付範囲)に入力する値は、二重引用符で囲む必要があります。

入力データが無効な場合、すなわち、値がコンポーネントで定義したパターンに一致しない場合、生成される値はnullとなります。

詳細設定

メソッド

コンポーネントは、フォーマット保持暗号化(FPE)方式を使用して、マスクされた出力値を入力値と同じフォーマットで生成します。

FPE方式は微調整を使用する場合を除き、全単射方式です。

[Basic] (基本)方式がデフォルトのアルゴリズムです。

注: マスキング方法は強力なので、[Basic] (基本)方式よりもFF1アルゴリズムを使うことをお勧めします。

[FF1 with AES] (FF1およびAES)方式は、CBCモードではAdvanced Encryption 標準をベースとしています。[FF1 with SHA-2] (FF1およびSHA-2)メソッドは、セキュアハッシュファンクションHMAC-256に依存します。

これらのメソッドは、コンポーネントが入力パターンから生成できる可能な値の数が1,000,000以上である場合に限り使用できます。

注: Java 8u161は、[FF1 with AES] (FF1およびAES)方式を使用するために最低限必要なバージョンです。8u161よりも前のJavaバージョンを使ってこのFPE方式を使えるようにするには、Java Cryptography Extension (JCE)無制限強度管轄ポリシーファイルをOracle Webサイトからダウンロードします。

[FF1 with AES] (FF1およびAES)[FF1 with SHA-2] (FF1およびSHA-2)のメソッドでは、一意のマスク値を生成するために、[Advanced settings] (詳細設定)[Password for FF1 methods] (FF1メソッドのパスワード)フィールドにパスワードを設定する必要があります。

[Password for FF1 methods] (FF1メソッドのパスワード)

[FF1 with AES] (FF1およびAES)[FF1 with SHA-2] (FF1およびSHA-2)のメソッドで一意のマスク値を生成するために必要なパスワードを設定します。パスワードを設定しないと、ジョブの実行時に毎回ランダムパスワードが作成されます。[FF1 with AES] (FF1およびAES)[FF1 with SHA-2] (FF1およびSHA-2)のメソッドとパスワードを使っている時、[Seed for random generator] (ランダムジェネレーターをシード)フィールドからのシードは使われません。

[Use tweaks with FF1 Encryption] (FF1暗号化で微調整を使用)

微調整を使用するには、このチェックボックスをオンにします。各レコードに対して一意の調整が生成され、レコードのすべてのデータに適用されます。

全単射マスキングが必要な場合は、この機能を使わないでください。微調整の詳細は、データマスキングファンクションをご覧ください。

[Seed for random generator] (ランダムジェネレーターをシード)

ジョブの実行ごとに同じサンプルの代替データを生成する場合は、乱数を設定します。シードはデフォルトでは設定されません。

シードを設定しないと、コンポーネントが各ジョブの実行に対して新しいランダムシードを作成します。シードを変更して実行を繰り返すと、異なるサンプルが生成されます。

[Encoding] (エンコーディング)

リストからエンコーディングを選択するか、[CUSTOM] (カスタム)を選択して、手動で定義します。[Custom] (カスタム)を選択し、フィールドを空のままにすると、サポートされているエンコーディングは使用しているJVMに依存します。このフィールドはファイルエンコーディングには必須です。

[Field type] (フィールドタイプ)[Enumeration from file] (ファイルからの列挙)に設定する場合は、[Path (CSV File)] (パス(CSVファイル))でファイルパスを定義します。

[Output the original row?] (元の行を出力しますか?)

このチェックボックスをオンにすると、代替データに加えて元のデータ行が出力されます。元のデータと代替データの両方を出力すると、デバッグやテストのプロセスで役に立つ場合があります。

[Should Null input return NULL?] (Nullの入力でNullが返されるようにしますか?)

このチェックボックスはデフォルトで選択されています。選択すると、入力値がnullの場合、コンポーネントによりnullが出力されます。それ以外の場合は、入力がnullの場合はデフォルト値、文字列値には空の文字列、数値の場合は0、日付値には現在の日付が返されます。

入力がnullの場合、チェックボックスがオンでも[Generate Sequence] (シーケンスの生成)ファンクションによりnullは返されません。

[Should EMPTY input return EMPTY?] (空の入力で空が返されるようにしますか?)

このチェックボックスをオンにすると、出力データ内で空の値は変わらずそのままになります。それ以外の場合は、選択した関数が入力データに適用されます。

[Send invalid data to "Invalid" output flow] (無効なデータを"無効な"出力フローに送信)
このチェックボックスはデフォルトで選択されています。
  • オン: マスク可能な場合は、メインフローに送信されます。それ以外の場合、データは「無効な」出力フローに送信されます。
  • オフ: データはメインフローに送信されます。
無効なデータとは、パターンに一致しない値のことです。

使用方法

使用ルール

このコンポーネントは、中間ステップとして使用されます。

このコンポーネントは、所属するSpark Batchのコンポーネントのパレットと共に、Spark Batchジョブを作成している場合にだけ表示されます。

[Spark Connection] (Spark接続)

[Run] (実行)ビューの[Spark configuration] (Spark設定)タブで、ジョブ全体でのSparkクラスターへの接続を定義します。また、ジョブでは、依存jarファイルを実行することを想定しているため、Sparkがこれらのjarファイルにアクセスできるように、これらのファイルの転送先にするファイルシステム内のディレクトリーを指定する必要があります。
  • Yarnモード(YarnクライアントまたはYarnクラスター):
    • Google Dataprocを使用している場合、[Spark configuration] (Spark設定)タブの[Google Storage staging bucket] (Google Storageステージングバケット)フィールドにバケットを指定します。

    • HDInsightを使用している場合、[Spark configuration] (Spark設定)タブの[Windows Azure Storage configuration] (Windows Azure Storage設定)エリアでジョブのデプロイメントに使用するブロブを指定します。

    • Altusを使用する場合は、[Spark configuration] (Spark設定)タブでジョブのデプロイにS3バケットまたはAzure Data Lake Storageを指定します。
    • Quboleを使用する場合は、ジョブにtS3Configurationを追加し、QuboleでS3システム内に実際のビジネスデータを書き込みます。tS3Configurationを使用しないと、このビジネスデータはQubole HDFSシステムに書き込まれ、クラスターをシャットダウンすると破棄されます。
    • オンプレミスのディストリビューションを使用する場合は、クラスターで使われているファイルシステムに対応する設定コンポーネントを使用します。一般的に、このシステムはHDFSになるため、tHDFSConfigurationを使用します。

  • [Standalone mode] (スタンドアロンモード): クラスターで使われているファイルシステム(tHDFSConfiguration Apache Spark BatchtS3Configuration Apache Spark Batchなど)に対応する設定コンポーネントを使用します。

    ジョブ内に設定コンポーネントがない状態でDatabricksを使用している場合、ビジネスデータはDBFS (Databricks Filesystem)に直接書き込まれます。

この接続は、ジョブごとに有効になります。