El descubrimiento de datos es un elemento fundamental de cualquier tipo de gestión de datos: desde la ciberseguridad hasta la privacidad de los datos y la gobernanza de los datos. Descubrimiento está en el núcleo de los datos inteligencia, conocimiento y análisis, y debe ser escalable y automatizado para abordar con éxito el volumen (y tipo) de datos que recopilan las organizaciones.
Los programas de privacidad, seguridad y gobernanza eficaces (y sostenibles) requieren un análisis exhaustivo: esto permite a las organizaciones analizar más allá de la superficie de sus datos. Esto implica no solo encontrar e identificar más tipos de datos sensibles y personales con mayor precisión, sino también aplicar contexto, conocimiento y perspectiva a esos datos, lo que a su vez contribuye a fundamentar las políticas y los controles.
Ya no basta con poder identificar expresiones regulares y tipos comunes de datos sensibles (como números de tarjetas de crédito o identificadores de la seguridad social). Las regulaciones de privacidad como la CCPA y el RGPD tienen transformó la definición misma de datos personales – ampliándolo a un conjunto mucho más amplio de datos, teniendo en cuenta aspectos como la geolocalización, nombres descriptivos, actividad en línea y más.
A diferencia de las regulaciones anteriores, las iniciativas de privacidad de datos actuales se centran en los datos que pueden ser relacionado a un individuo, lo que significa que las soluciones de descubrimiento de datos deben ser capaces de identificar datos personales no solo por tipo, sino también a partir de pistas contextuales y relaciones con otros puntos de datos. Además, las organizaciones ahora son responsables no solo de... protegiendo esos datos, pero el seguimiento y la presentación de informes sobre cuyo Son datos, de donde vienen de, y donde esta yendo.
El descubrimiento de datos centrado en la privacidad (una necesidad para la privacidad de los datos y la ciberseguridad en el entorno actual) requiere una estrategia de múltiples frentes para identificar todos los tipos de datos confidenciales y personales en una organización, y esa estrategia comienza con un descubrimiento en profundidad.
Descubrimiento en profundidad: cómo funciona
BigID aprovecha el descubrimiento profundo para proporcionar inteligencia de datos profunda, combinando múltiples modos de descubrimiento y contexto en torno a datos confidenciales. Al aplicar aprendizaje automático y correlación, las organizaciones pueden identificar con mayor precisión datos personales y confidenciales, y pueden comprender el contexto y las relaciones de los datos (en lugar de mirar un punto de datos de forma aislada).
La primera capa de un enfoque de descubrimiento exhaustivo consiste en encontrar e identificar datos sensibles mediante expresiones regulares (RegEx): estas suelen ser secuencias de caracteres que definen un patrón específico. Esta técnica se basa en la coincidencia de patrones y en conocer el formato exacto de los datos sensibles que se buscan: identificadores tradicionales, desde números de cuenta bancaria hasta formatos de direcciones de correo electrónico y números de identificación. BigID va un paso más allá con este enfoque al incluir atributos de seguridad comunes como contraseñas explícitas, claves privadas cifradas, tokens de seguridad y más.
La siguiente capa es más amplia: Descubrimiento de información personal (IP) Tradicionalmente, es más difícil de definir: información como fecha de nacimiento, tendencias de votación, nombres, apellidos, residencia, etc. Las técnicas de aprendizaje automático y los clasificadores contextuales permiten descubrir este tipo de datos, lo que permite descubrir e inventariar un conjunto más amplio de datos personales y sensibles.
Además, el descubrimiento profundo de datos requiere un enfoque basado en identidades y entidades: revelar relaciones entre datos, identidades, datos inferidos y datos asociados. Al añadir correlación, las organizaciones pueden no solo... descubrir datos oscuros, pero pueden descubrir relaciones entre datos confidenciales, infiriendo nuevos atributos de datos y ampliando la visibilidad a todos los datos confidenciales y personales que recopilan.
Cómo abordar el descubrimiento en profundidad
BigID aborda el descubrimiento en profundidad con 4 C: catálogo, clasificación, análisis de clústeres y correlación, todos trabajando juntos en un enfoque centrado en la privacidad para un descubrimiento de datos inigualable y un contexto en torno a datos personales y confidenciales.
- CatálogoCatalogue y mapee automáticamente datos confidenciales y personales con un profundo conocimiento de los datos, incorporando metadatos activos y clasificación. Obtenga mayor privacidad, seguridad y conocimiento empresarial, todo desde un único panel.
- ClasificaciónClasifique datos por tipo, identidad, atributos, patrones, categoría y política. BigID va más allá de RegEx y aplica diferentes capas de clasificación para identificar y analizar un conjunto más amplio de atributos.
- Análisis de conglomeradosUtilice el análisis de clústeres para identificar con rapidez y precisión el contenido y el tipo de archivo, y etiquetar clústeres de datos para la aplicación de políticas y su cumplimiento. El análisis de clústeres es una técnica de aprendizaje automático que permite estructurar datos no estructurados a gran escala.
- Correlación: Añadir contexto a la clasificación y relaciones superficiales entre puntos de datos. Cree perfiles de identidad y entidad, asocie a quién pertenecen los datos y visualice cómo se interconectan los datos entre las distintas fuentes.
BigID permite a las organizaciones conocer sus datos y aplicarles privacidad, protección y perspectiva. Un enfoque de descubrimiento exhaustivo proporciona una visibilidad completa de los datos sensibles, junto con inteligencia de datos profunda. en todos los tipos de datos, en todos los almacenes de datos – Haga clic aquí para una demostración para ver cómo el enfoque de descubrimiento en profundidad de BigID transforma la privacidad y la protección de los datos.
Autor
