Propriétés du tDataMasking pour Apache Spark Batch - 7.3

Confidentialité des données

EnrichVersion
Cloud
7.3
EnrichProdName
Talend Big Data Platform
Talend Data Fabric
Talend Data Management Platform
Talend Data Services Platform
Talend MDM Platform
Talend Real-Time Big Data Platform
EnrichPlatform
Studio Talend
task
Création et développement > Systèmes tiers > Composants Data Quality > Composants de protection des données sensibles
Gouvernance de données > Systèmes tiers > Composants Data Quality > Composants de protection des données sensibles
Qualité et préparation de données > Systèmes tiers > Composants Data Quality > Composants de protection des données sensibles

Ces propriétés sont utilisées pour configurer le tDataMasking s'exécutant dans le framework de Jobs Spark Batch.

Le composant tDataMasking Spark Batch appartient à la famille Qualité de données.

Le composant de ce framework est disponible dans tous les produits Talend Platform avec Big Data et dans Talend Data Fabric.

Paramètres simples

Schema et Edit Schema

Un schéma est une description de lignes, il définit le nombre de champs qui sont traités et passés au composant suivant. Il définit le nombre de champs (colonnes) à traiter et à passer au composant suivant. Lorsque vous créez un Job Spark, évitez le mot réservé line lors du nommage des champs.

Cliquez sur Sync columns pour récupérer le schéma du composant précédent dans le Job.

Modifiez le schéma en cliquant sur Edit Schema. Si le schéma est en mode Repository, trois options sont disponibles :

  • View schema : sélectionnez cette option afin de voir uniquement le schéma.

  • Change to built-in property : sélectionnez cette option pour passer le schéma en mode Built-In et effectuer des modifications locales.

  • Update repository connection : sélectionnez cette option afin de modifier le schéma stocké dans le référentiel et décider de propager ou non les modifications à tous les Jobs. Si vous souhaitez propager les modifications uniquement au Job courant, cliquez sur No et sélectionnez à nouveau la métadonnée du schéma dans la fenêtre Repository Content.

Le schéma de sortie de ce composant comporte des colonnes en lecture seule :
  • TWEAK : un tweak est généré lorsque la case Use tweaks with FF1 Encryption est cochée. Cette colonne contient le tweak nécessaire au déchiffrement des données.
  • ORIGINAL_MARK : indique par true ou false si l'enregistrement est un enregistrement original ou un enregistrement de substitution, respectivement.

 

Built-in : le schéma est créé et conservé localement pour ce composant seulement.

 

Repository : le schéma existe déjà et est stocké dans le Repository. Ainsi, il peut être réutilisé dans divers projets et Jobs.

Modifications

Définissez dans la table les champs à modifier et comment les modifier

Input Column : sélectionnez la colonne à partir du flux entrant contenant les données à masquer.

Les types de données supportés sont : Date, Double, Float, Integer, Long et String.

Ces modifications sont basées sur la fonction sélectionnée dans la colonne Function.

Category : sélectionnez une catégorie de fonctions de masquage à partir de la liste.
  • Character Handling
  • Data Handling
  • Number Handling
  • Bank Account Generation
  • Data Generation
  • Phone Number generation
  • SSN Generation
  • Bank Account Masking
  • Address Masking
  • Email Masking
  • Credit Card Masking
  • Phone Masking
  • SSN Masking
  • Set to null

Function : sélectionnez la fonction qui masquera ou obscurcira les données originales avec des substituts. Par exemple, vous pouvez remplacer des chiffres ou des lettres par des substituts de votre choix, remplacer des valeurs par des synonymes d'un fichier index ou des valeurs nulles.

Les fonctions que vous pouvez sélectionner dans la liste Function dépendent du type de données de la colonne d'entrée.

Par exemple, si le type de colonne est Long, vous pouvez utiliser la fonction Numeric variance. Si le type de colonne est String, la fonction Numeric variance sera indisponible. La liste Function pour une colonne de type Date est spécifique aux dates, elle vous permet de décider du type de modification que vous souhaitez effectuer sur les valeurs de date.

Method : Sélectionnez la méthode Basic ou un algorithme de chiffrement FF1 conservant le format (Format-Preserving Encryption, FPE) dans la liste, FF1 with AES ou FF1 with SHA-2 :

La méthode Basic est l'algorithme par défaut.

Remarque : Comme les méthodes de masquages sont fortes, il est recommandé d'utiliser les algorithmes FF1 plutôt que la méthode Basic.

La méthode FF1 with AES se base sur le standard de chiffrement avancé (Advanced Encryption Standard) en mode CBC. La méthode FF1 with SHA-2 dépend de la fonction de hachage sécurisée HMAC-256.

Remarque : La version minimale requise pour utiliser la méthode FF1 with AES est Java 8u161. Pour pouvoir utiliser la méthode FPE avec les versions Java antérieures à 8u161, téléchargez les fichiers de règles Java Cryptography Extension (JCE) de juridiction illimitée du site d'Oracle.

Les méthodes FF1 with AES et FF1 with SHA-2 nécessitent un mot de passe à spécifier dans le champ Password for FF1 methods de l'onglet Advanced settings afin de générer des valeurs masquées uniques.

La liste Method est disponible uniquement pour les fonctions utilisant les algorithmes Format-Preserving Encryption.

Lors de l'utilisation de la fonction Replace all, Replace characters between two positions, Replace n first digits et Replace n last digits avec les méthodes FPE, vous pouvez sélectionner un alphabet.

Les caractères appartenant aux alphabets sélectionnés sont masqués par les caractères du même type de caractères dans l'alphabet sélectionné.

Lorsque vous sélectionnez l'alphabet Best guess, les valeurs masquées contiennent des caractères d'autres alphabets affichés dans les valeurs d'entrée. Best guess est l'alphabet par défaut.

Tout caractère non reconnu est copié à l'identique dans la sortie.

Extra Parameter : ce champ est utilisé par certaines fonctions et est désactivé lorsqu'il n'est pas applicable. Lorsqu'il est applicable, saisissez un nombre ou une lettre pour décider du comportement de la fonction sélectionnée.

Keep format : cette fonction s'applique uniquement aux chaînes de caractères (Strings). Cochez cette case pour conserver le format d'entrée lors de l'utilisation des fonctions ou catégories Generate account number and keep original country, Generate credit card number and keep original bank, Bank Account Masking, Credit Card Masking, Phone Masking et SSN Masking. Cela signifie que, si les données d'entrée contiennent des espaces, points ('.'), tirets ('-') ou barre obliques ('/'), ces caractères sont laissés dans la sortie. Si vous cochez cette case lorsque vous utilisez les fonctions de Phone Masking, les caractères de l'entrée qui ne sont pas des nombres restent inchangés dans la sortie.

Advanced settings

Password for FF1 methods

Configurez le mot de passe requis pour les méthodes FF1 with AES et FF1 with SHA-2 afin de générer des valeurs masquées uniques. Si aucun mot de passe n'est défini, un mot de passe aléatoire est créé à chaque exécution de Job. Lorsque vous utilisez les méthodes FF1 with AES et FF1 with SHA-2 et un mot de passe, la graine du champ Seed for random generator n'est pas utilisée.

Use tweaks with FF1 Encryption

Cochez cette case pour utiliser des tweaks. Un tweak unique est généré pour chaque enregistrement et s'applique à toutes les données d'un enregistrement.

Si un masquage bijectif est nécessaire, n'utilisez pas cette fonctionnalité. Pour plus d'informations concernant les tweaks, consultez fonctions de masquage de données.

Seed for random generator

Configurez un nombre aléatoire si vous souhaitez générer les mêmes échantillons de données de substitution pour chaque exécution du Job. La graine n'est pas configurée par défaut.

Ce champ est de type Long. L'intervalle de valeurs est [-263, 263-1].

Si vous ne configurez pas la graine, le composant crée une nouvelle graine aléatoire pour chaque exécution du Job. Répéter l'exécution avec une graine différente pour ce champ génère un échantillon différent.

Encodage

Sélectionnez l'encodage à partir de la liste ou sélectionnez Custom et définissez-le manuellement. Si vous sélectionnez Custom et que vous laissez le champ vide, les encodages supportés dépendent de la JVM que vous utilisez. Ce champ est obligatoire pour l'encodage de fichiers.

Lorsque vous configurez Function à Generate from file/list, définissez le chemin d'accès au fichier dans Extra Parameter.

Output the original row

Cochez cette case pour écrire en sortie les données originales en plus des données de substitution. Il peut être utile d'écrire en sortie les données substituts et originales lors de débogages ou de tests.

Should null input return null

Cette case est cochée par défaut. Lorsqu'elle est cochée, le composant écrit en sortie null lorsque les valeurs d'entrée sont null. Sinon, il retourne la valeur par défaut lorsque l'entrée est null, c'est-à-dire une chaîne de caractères vide pour les chaînes de caractères, 0 pour des valeurs numériques et la date actuelle pour les valeurs de date.

Should empty input return empty

Lorsque cette case est cochée, les valeurs vides sont laissées inchangées dans les données en sortie. Sinon, les fonctions sélectionnées sont appliquées aux données d'entrée.

Send invalid data to "Invalid" output flow
Cette case est cochée par défaut.
  • Cochée : Lorsque les données peuvent être masquées, elles sont envoyées dans le flux principal. Sinon, les données sont envoyées dans le flux de sortie "Invalid".
  • Décochée : Les données sont envoyées dans le flux principal.
Les données sont considérées comme invalides lorsque :
  • le format du numéro de Sécurité Sociale, du numéro de téléphone ou de l'adresse e-mail est incorrect, quelle que soit la méthode Method utilisée ;
  • Elles ne sont pas conformes aux méthodes FF1 with AES et FF1 with SHA-2.

tStat Catcher Statistics

Cochez cette case pour collecter les métadonnées de traitement du Job, aussi bien au niveau du Job qu'au niveau de chaque composant.

Utilisation

Règle d'utilisation

Ce composant est utilisé comme étape intermédiaire.

Ce composant, ainsi que la Palette Spark Batch à laquelle il appartient, ne s'affiche que lorsque vous créez un Job Spark Batch.

Notez que, dans cette documentation, sauf mention contraire, un scénario présente uniquement des Jobs Standard, c'est-à-dire des Jobs Talend traditionnels d'intégration de données.

Connexion à Spark

Dans l'onglet Spark Configuration de la vue Run, définissez la connexion à un cluster Spark donné pour le Job complet. De plus, puisque le Job attend ses fichiers Jar dépendants pour l'exécution, vous devez spécifier le répertoire du système de fichiers dans lequel ces fichiers Jar sont transférés afin que Spark puisse accéder à ces fichiers :
  • Yarn mode (Yarn Client ou Yarn Cluster) :
    • Lorsque vous utilisez Google Dataproc, spécifiez un bucket dans le champ Google Storage staging bucket de l'onglet Spark configuration.

    • Lorsque vous utilisez HDInsight, spécifiez le blob à utiliser pour le déploiement du Job, dans la zone Windows Azure Storage configuration de l'onglet Spark configuration.

    • Lorsque vous utilisez Altus, spécifiez le bucket S3 ou le stockage Azure Data Lake Storage (apercu technique) pour le déploiement du Job, dans l'onglet Spark configuration.
    • Lorsque vous utilisez Qubole, ajoutez tS3Configuration à votre Job pour écrire vos données métier dans le système S3 avec Qubole. Sans tS3Configuration, ces données métier sont écrites dans le système Qubole HDFS et détruites une fois que vous arrêtez votre cluster.
    • Lorsque vous utilisez des distributions sur site (on-premises), utilisez le composant de configuration correspondant au système de fichiers utilisé par votre cluster. Généralement, ce système est HDFS et vous devez utiliser bix1550477842760.html.

  • Standalone mode : vous devez choisir le composant de configuration selon le système de fichiers que vous utilisez, comme bix1550477842760.html ou aii1550477851510.html.

    Si vous utilisez Databricks sans composant de configuration dans votre Job, vos données métier sont écrites directement dans DBFS (Databricks Filesystem).

Cette connexion fonctionne uniquement pour le Job dans lequel vous l'avez définie.