<Insert Picture Here> Datenanonymisierung Oracle Enterprise Manager

Transkript

1

2 <Insert Picture Here> Datenanonymisierung Oracle Enterprise Manager Ralf Durben Oracle Deutschland GmbH

3 Es war einmal auf Heise.de... Deutsche Unternehmen missbrauchen Kundendaten für Testzwecke Laut einer Untersuchung des Ponemon-Instituts gefährden mehr als drei Viertel der deutschen Unternehmen vertrauliche Kundendaten, indem sie diese in Anwendungsstests oder bei der Softwareentwicklung benutzen. Sie sehen in den Daten eine kostengünstige Grundlage für Softwaretests. Im internationalen Vergleich bildet Deutschland damit das unrühmliche Schlusslicht. In anderen Länder kommen echte Daten erheblich seltener zum Einsatz: USA (69 Prozent), Großbritannien (58 Prozent) und Frankreich (43 Prozent). Viele Unternehmen gehen offenbar davon aus, dass sich in Testdaten keine Sicherheitslücken verbergen, da sie nicht in produktiven Umgebungen eingesetzt werden. Allerdings besteht auch bei Tests die Gefahr, dass unberechtigte Personen auf die Daten zugreifen. Für bedenklich hält die Studie vor allem, dass 60 Prozent der Unternehmen, die ihre Tests auslagern, vertrauliche Daten an Outsourcing-Partner weitergeben. Darunter befinden sich Informationen wie Kunden- und Kreditkartennummern, Angaben zur Sozialversicherung, Zahlungsinformationen sowie Daten von Mitarbeitern und Lieferanten. Wer die Verantwortung für den Schutz vertraulicher Testdaten trägt, ist in vielen Unternehmen nicht geklärt. 20 Prozent der Unternehmen wissen angeblich nicht, wer dafür zuständig ist. An der Untersuchung mit dem Titel "Test Data Insecurity: The Unseen Crisis" nahmen 2368 IT-Verantwortliche aus Deutschland (502 Personen), den USA, Großbritannien und Frankreich teil. Auftraggeber für die Studie ist Compuware. Ab dem 31. Januar will der Softwareanbieter die Untersuchung frei zur Verfügung stellen. (jd/ix)

4 Gesetzliche Vorgaben EU Data Protection Directive PCI-DSS (Data Security Standard)

5 Problem: Datendiebstahl Produktion Produktivsysteme sind gut geschützt

6 Problem: Datendiebstahl Produktion Test- / Entwicklungssysteme Produktivsysteme sind gut geschützt ABER: Was ist mit den Testsystemen? Sensible Daten zugänglich für Entwickler Qualitätssicherer Angreifer, da weniger gesichert

7 Zielfelder Testsysteme Externe Anwendungsentwicklung Interne Anwendungsentwicklung Anwendungstests (Qualitätssicherung) Datenaustausch Marketinganalysen ohne Bezug zu Personendaten

8 Data Masking - Vorgehensweise Produktion Produktivsystem ist gegeben

9 Data Masking - Vorgehensweise Produktion Stage Zu maskierende Daten werden auf eine Staging Datenbank übertragen Enterprise Edition >= 9i Release 2

10 Data Masking - Vorgehensweise Produktion Stage Maskieren Daten werden auf Staging Datenbank maskiert (anonymisiert)

11 Data Masking - Vorgehensweise Produktion Stage Test- / Entwicklungssysteme Maskieren Anonymisierte Daten werden vom Staging Server auf Zieldatenbanken (z.b. Test Systeme) übertragen

12 Data Masking - Vorgehensweise Produktion Stage Test- / Entwicklungssysteme Maskieren Maskieren abhängiger Spalten in anderen Tabellen Implizit Referenzielle Constraints Explizit Festlegen in EM Vorlagen für Maskierungsformate Anzeige von Beispieldaten vor der Maskierung Staging Datenbank muss mindestens 9i Release2 sein Verfügbar ab Grid Control

13 Was ist Datenmaskierung? Ziel Anonymisierung von Daten unter Beibehaltung realistischer Eigenschaften Grund Schutz der realen Daten vor Zugriff durch nicht autorisierte Personen Szenario Gut abgesichertes Produktivsystem und offen zugängliche Testsysteme LAST_NAME SSN SALARY AGUILAR ,000 BENSON ,000 D SOUZA ,000 FIORANO ,000 Einfach: Wahlloses Maskieren LAST_NAME SSN SALARY ANSKEKSL ,000 BKJHHEIEDK ,000 KDDEHLHESA ,000 FPENZXIEK ,000

14 Was ist Datenmaskierung? Ziel Anonymisierung von Daten unter Beibehaltung realistischer Eigenschaften Grund Schutz der realen Daten vor Zugriff durch nicht autorisierte Personen Szenario Gut abgesichertes Produktivsystem und offen zugängliche Testsysteme LAST_NAME SSN SALARY AGUILAR ,000 BENSON ,000 D SOUZA ,000 FIORANO ,000 Komplex: Reales Maskieren LAST_NAME SSN SALARY SMITH ,000 HENSON ,000 BUSH ,000 RICE ,000

15 Data Masking Pack Details Data Masking Methoden Random numbers Random digits Random strings Random date User Defined Function (PL/SQL) Maskierungsalgorithmen Unique value generation Shuffle Constant Maskierungsdefinition Maskierungsformate sind mit Anwendungsschema verbunden Abhängigkeiten auch ohne Fremdschlüssel Exportierbar und Importierbar Validierungen Datentypprüfung Overflow Prüfung Gegenseitige Abhängigkeiten Ausschluss von CLOB, BLOB, NCLOB, LONG, LONG RAW, XML Spalten Speicherverfügbarkeit Effizienz Eine Maskierungsoperation pro Tabelle für alle angegebenen Spalten CTAS - Nutzung Unterstützung von paralleler Ausführung und no logging

16 <Insert Picture Here> Demonstration Einfache Anonymisierung bei Verwendung mehrerer Methoden

17 Tabelle im Originalzustand

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32 Beispieldaten

33

34 Speicherplatzinformationen

35

36 Skript

37

38

39 Tabelle nach dem Maskieren Namensmaskierung über eine Tabelle mit Namen als Wörterbuch Die Namensverteilung wird berücksichtigt Original: 2* Schumacher, 2* Meiser, 3*Meier Maskiert: 2*Acker, 2*Ackermann, 3*Ableitner Änderung bei empno schlägt sich auch bei mgr nieder Namensquelle sollte nicht (so wie hier) alphabetisch sortiert sein um realistischere Ergebnisse zu erzeugen

40 Datenmaskierung 2 Grundmethoden Ersetzen durch neue Daten Daten aus einem Katalog Daten aus einer Berechnung Daten durch Zufall Vorteil Daten sind völlig willkürlich Nachteil Eigenschaften entsprechen nicht dem Original Mischen der Daten Originaldaten werden neu angeordnet Z.B. 5 Spalten werden einzeln durchgemischt Die Kombination der Einzeldaten geht verloren, dadurch Anonymisierung Vorteil Eienschaften entsprechen dem Original Nachteil Anonymisierung nur durch Wegfall der Kombination Kann eventuell zurückgerechnet werden (z.b. bei )

41 Mischen der Daten (Shuffle) Grundidee Die Kombination von Daten macht sie schützenswert Gültige Kreditkartennummern können generiert werden Kreditkartennummer ohne Name ist wertlos Bei großer Anzahl der Tabellenzeilen und wachsender Anzahl der zu mischenden Spalten reduziert sich die Wahrscheinlichkeit, dass eine Originalzeile entsteht Prüfen mit Select * from original_tabelle intersect select * from masked_tabelle

42 Mischen der Daten (Shuffle) Zu Beachten Aber Vorsicht Mischen von Vorname, Name, Firma, Ergebnis Bernd, Maier, Oracle, Ralf, Müller, ABC, Hier kann ein Rückschluß erfolgen Auswahl der Methode hängt immer von den Daten und Anforderungen ab!

43 <Insert Picture Here> Demonstration Shuffle von mehreren Spalten

44 Data Masking mit verschlüsselten Daten Produktion Stage Test- / Entwicklungssysteme Maskieren Produktion: Verschlüsselte Speicherung in der Datenbank mit TDE Produktion: Export mit Data Pump und Verschlüsselung (inkl. Passwort) expdp encryption_password=xxxx. Stage: Erstellen der Tabelle mit verschlüsselter Spalte Stage: Import mit Data Pump unter Nutzung des Passworts impdp encryption_password=xxxx. Stage: Verschlüsselte Speicherung in der Datenbank mit TDE

45 Zusammenfassung Anonymisierung von Daten mit dem Data Masking Pack Baustein zum sicheren Betreiben von IT Sensible Daten sollten nicht in Testsystemen genutzt werden, da diese weniger geschützt sind Sensible Daten sollten nicht in Auswertungssystemen genutzt werden, wenn diese nicht analysiert werden, sondern nur Beiwerk sind

46

47