Los 10 errores más comunes en un proyecto de enmascaramiento de datos

Share on facebook
Share on twitter
Share on linkedin
Share on telegram
Share on whatsapp

Contenidos

enmascaramiento de datos

Falta de seguridad de los datos Es un obstáculo importante en cualquier compañía y las soluciones de enmascaramiento de datos sensibles y confidenciales pueden ser de gran ayuda para resolverlo. Obtendremos datos con un aspecto realista, totalmente funcionales pero disociados, con los que evitaremos fugas y cumpliremos con la normativa de seguridad.

A pesar de esto, lograr los resultados esperados necesita una implementación profesional que sepa prevenir errores para garantizar el enmascaramiento en un marco de máxima seguridad y eficiencia.

Errores frecuentes en proyectos de enmascaramiento de datos

Seleccionar herramientas de calidad para el enmascaramiento de datos no nos asegura una buena implementación. Por más que nos faciliten las cosas es fácil cometer errores al momento de aplicarlos, principalmente por la falta de un buen conocimiento del entorno de la base de datos.

A continuación enumeramos los diez errores más comunes en proyectos de enmascaramiento de datos, así como algunas indicaciones para no caer en ellos. Conocerlos nos puede ayudar tanto a no ser cautelosos como a identificarlos lo antes factible, una vez cometidos. Y aún cuando evitarlos no garantiza el éxito, ayudará a mantener encaminado nuestro proyecto de enmascaramiento de datos.

  1. Confundir enmascaramiento con cifrar: Las tecnologías de enmascaramiento y encriptación son diferentes. Se pueden complementar, pero hay que prestar atención que aunque la información encriptada es reversible, por lo que se exponen los datos originales, el enmascaramiento garantiza que la información original nunca estará disponible para el usuario final. Al abordar un proyecto, es necesario diferenciarlos y determinar cuáles son las necesidades del cliente para seleccionar la tecnología ideal. Se trata, en resumen, de conocer las ventajas y desventajas de ambos para evitar el error de cifrar cuando la respuesta más adecuada era enmascarar, o viceversa. En ningún caso debería ser factible revertir el procedimiento de enmascaramiento para recuperar los datos confidenciales originales.

  2. No establecer un objetivo inicial: Antes de decantarse por un proyecto de enmascaramiento de datos es fundamental establecer el problema en el momento. Determinar la necesidad concreta que tiene el cliente y cómo la contratación de un servicio de enmascaramiento de datos puede ayudarte a arreglar el problema o problemas te permitirá fijar objetivos. A partir de ese primer paso desarrollaremos el proyecto para cumplir con esos requerimientos.

  3. Indeterminación de los titulares de los datos: Los proyectos de enmascaramiento de datos se enfocan en las definiciones hechas por los propietarios de la información. Determinarlos es clave para desarrollar el proyecto, estableciendo restricciones y asignando los permisos relevantes a los usuarios finales enmascaradores.

  4. Sin saber qué enmascarar: En la primera parte del proyecto, respectivo al análisis y descubrimiento, el cliente debe escanear sus datos. Identificar datos sensibles, a modo de ejemplo datos relacionados con la identidad del cliente, georreferenciación y datos financieros, a modo de ejemplo. Es esencial concentrarse en la información que desea enmascarar, sin ir más allá de lo primordial.

  5. Inconsistencia en los datos: La identificación de sistemas y aplicaciones es necesaria para realizar un seguimiento de los datos que queremos enmascarar y así evitar la pérdida de integridad de los datos. Para comprender la vinculación entre los sistemas y, en resumen, lograr más fácilmente una integración que nos aporte integridad referencial, es fundamental contar con modelos definidos, idealmente basados ​​en documentación que ayude a determinarla.

  6. No defina los escenarios de aceptación: La definición de los escenarios de aceptación debe realizarse de forma anticipada. En un primer momento realizaremos una prueba unitaria que nos indica si el enmascaramiento de datos funciona en cada uno de los sistemas. Posteriormente se realizará una prueba transversal que nos ofrecerá una perspectiva completa del mismo por medio de varios sistemas. Su implementación será un buen indicador del éxito del proyecto.

  7. Enmascarar más de lo primordial: Aunque la mala práctica puede conducir a un enmascaramiento deficiente, dejando los datos sin enmascarar debido a una identificación incorrecta y, en resumen, debido a la falta de integridad, excederse además es un error común. Simplemente, tengamos en cuenta que no es necesario enmascarar todos los datos confidenciales. Centrémonos en lo que queremos proteger para ganar eficiencia (a modo de ejemplo, identidad, georreferenciación y datos financieros) y dejemos posibles extensiones para fases posteriores, dentro de un proyecto escalable.

  8. No priorice un resultado transparente: Una vez detectados los datos sensibles con los que vamos a trabajar, tenemos que establecer las reglas de enmascaramiento buscando un resultado lo más transparente factible. Siempre que sea factible, optamos por definiciones consistentes que apunten al mismo formato para ayudar el trabajo de quienes van a usar estos datos. La funcionalidad no debería verse afectada. Por tanto, los datos deben ser válidos, significativos y mantener su integridad referencial.

  9. Uso de algoritmos manuales: Si queremos mejorar el nivel de seguridad del sistema, intentemos minimizar el uso de algoritmos manuales o, mejor aún, prescindir de ellos. El uso de los algoritmos que te brinda la herramienta es más recomendable para evitar riesgos de detección del procedimiento utilizado para el enmascaramiento. A pesar de esto, en ocasiones es necesario establecer algunos algoritmos para adaptarse a las necesidades del cliente, en cuyo caso deberíamos hacerlo con acceso restringido a la fuente.

  10. Un enmascaramiento no relanzable: Solo si el diseño del proyecto de enmascaramiento se lleva a cabo desde un enfoque repetible será factible enmascarar los nuevos datos, inclusive en tiempo real. Caso contrario, el resultado será pobre, dicho de otra forma, no se enmascararán muchos datos. Cada proyecto planteará desafíos en este aspecto y una buena implementación necesita responder a ellos a través de la automatización y la repetibilidad.

Fuente de la imagen: sscreations / FreeDigitalPhotos.net

Publicación relacionada:


Suscribite a nuestro Newsletter

No te enviaremos correo SPAM. Lo odiamos tanto como tú.