데이터 마스킹이란 무엇인가요?
데이터 마스킹은 원래의 문자와 숫자를 수정하여 데이터를 숨기는 프로세스입니다. 규제 및 프라이버시 요건으로 인해 조직은 고객 및 운영과 관련해 수집하는 민감한 데이터를 보호해야 합니다. 데이터 마스킹은 기밀 정보를 변경하여 조직 데이터의 허위 버전을 만듭니다. 현실적이고 구조적으로 유사한 변경 사항을 만들어내기 위해 다양한 기법이 사용됩니다. 데이터가 마스킹된 후에는 원본 데이터 세트에 액세스하지 않고는 원래 데이터 값을 리버스 엔지니어링하거나 역추적할 수 없습니다.
데이터 마스킹의 사용 사례로는 어떤 것들이 있나요?
데이터 마스킹 기법은 조직에서 일반 데이터 보호 규정(GDPR)과 같은 데이터 프라이버시 규정을 준수할 수 있도록 지원합니다. 개인 식별 정보(PII), 금융 데이터, 개인 건강 정보(PHI), 지적 재산권 등 다양한 데이터 유형을 보호할 수 있습니다.
다음으로 몇 가지 데이터 마스킹 사용 사례를 살펴보겠습니다.
보안 개발
소프트웨어 개발 및 테스트 환경에는 테스트를 위한 실제 데이터 세트가 필요합니다. 하지만 실제 데이터를 사용하면 보안 문제가 발생합니다. 개발자와 테스터는 데이터 마스킹을 통해 민감한 정보를 노출하지 않고도 원본과 유사한 사실적인 테스트 데이터로 작업할 수 있습니다. 따라서 개발 및 테스트 주기에서 보안 위험을 감소합니다.
분석 및 연구
데이터 사이언티스트와 분석가는 데이터 마스킹을 통해 개인의 프라이버시를 침해하지 않고도 대규모 데이터 세트를 작업에 사용할 수 있습니다. 연구원은 데이터에서 중요한 인사이트와 추세를 도출하면서 프라이버시를 보장합니다. 예를 들어 과학자들은 익명화된 데이터 세트를 사용하여 신약의 효과를 연구하거나, 치료 결과를 분석하거나, 잠재적인 부작용을 조사할 수 있습니다.
외부 협업
조직이 외부 파트너, 공급업체 또는 컨설턴트와 데이터를 공유해야 하는 경우가 있습니다. 이런 경우 조직은 특정 필드 또는 속성을 마스킹하여 외부 당사자와 협업하면서도 민감한 데이터를 보호할 수 있습니다.
직원 교육
직원 교육 세션이나 소프트웨어 데모에 데이터 마스킹을 사용할 수 있습니다. 민감한 데이터를 마스킹함으로써 조직은 실제 고객 또는 비즈니스 데이터를 노출하지 않고도 실제 사례를 제시할 수 있습니다. 직원들은 권한이 없는 데이터에 액세스할 필요 없이 스킬을 배우고 익힐 수 있습니다.
데이터 마스킹의 유형으로는 어떤 것들이 있나요?
다음으로 몇 가지 일반적인 데이터 마스킹 유형을 살펴보겠습니다.
정적 데이터 마스킹
정적 데이터 마스킹은 민감한 데이터를 저장하거나 공유하기 전에 고정된 마스킹 규칙 세트를 적용하는 프로세스입니다. 자주 변경되지 않거나 시간이 지나도 정적으로 유지되는 데이터에 주로 사용됩니다. 규칙을 미리 정의하고 데이터에 일관되게 적용하므로 여러 환경에서 일관된 마스킹이 보장됩니다.
세부 사항은 복잡하지만 정적 데이터 마스킹 프로세스의 개요는 다음과 같습니다.
- 민감한 데이터 식별 및 파악
- 마스킹 규칙 설계 및 개발
- 적절한 데이터 마스킹 알고리즘 선택
- 실제 데이터에 마스킹 규칙 적용
그런 다음 필요에 따라 마스킹된 데이터를 공유할 수 있습니다.
동적 데이터 마스킹
동적 데이터 마스킹에서는 마스킹 기술을 실시간으로 적용합니다. 사용자가 액세스하거나 쿼리할 때 기존의 민감한 데이터를 동적으로 변경합니다. 주로 고객 지원 또는 의료 기록 처리와 같은 애플리케이션에서 역할 기반 데이터 보안을 구현하는 데 사용됩니다.
동적 데이터 마스킹은 다음과 같이 작동합니다.
- 모든 사용자는 프록시 서버를 통해 데이터베이스와 통신합니다.
- 사용자가 데이터 읽기를 요청하면 데이터베이스 프록시에서 사용자 역할, 권한 또는 액세스 권한에 따라 마스킹 규칙을 적용합니다.
- 인증된 사용자는 원본 데이터를 수신하고, 인증되지 않은 사용자는 마스킹된 데이터를 수신하게 됩니다.
이 프로세스는 사전 준비가 필요하지 않지만 성능에 영향을 미칠 수 있습니다.
결정론적 데이터 마스킹
결정론적 데이터 마스킹은 동일한 입력 값이 동일한 출력 값으로 일관되게 마스킹되도록 보장합니다. 예를 들어 특정 이름이 한 인스턴스에서 ‘John’으로 마스킹되는 경우, 시스템 전체에서 항상 ‘John’으로 마스킹됩니다.
결정론적 마스킹 기법에는 원래 데이터 열과 마스킹된 값 간에 일관된 매핑이 유지되는 데이터 대체 또는 토큰화 방식이 사용되는 경우가 많습니다.
실시간 데이터 마스킹
실시간 데이터 마스킹은 메모리의 민감한 데이터를 마스킹하므로, 변경된 데이터를 데이터베이스에 저장할 필요가 없습니다. 데이터가 프로덕션 환경과 비프로덕션 환경 간에 자주 이동하는 복잡한 통합 시나리오나 지속적 배포 파이프라인에서 유용합니다. 애플리케이션은 파이프라인의 필요한 단계에서 데이터를 마스킹한 다음 파이프라인의 다음 단계로 데이터를 전달합니다.
통계적 난독화
통계 데이터 난독화에서는 데이터 내의 통계적 속성과 관계를 유지하는 방식으로, 민감한 데이터의 값을 변경합니다. 마스킹된 데이터에서 원본 데이터의 전체 분포, 패턴 및 상관관계를 유지되도록 함으로써 정확한 통계 분석을 보장합니다. 통계 데이터 난독화 기법에는 데이터에 수학 함수 또는 섭동 알고리즘을 적용하는 것이 포함됩니다.
일반적인 데이터 마스킹 기법에는 어떤 것이 있나요?
데이터 보호에 사용할 수 있는 알고리즘은 여러 가지가 있습니다. 다음은 몇 가지 일반적인 데이터 마스킹 방법입니다.
무작위화
무작위화를 사용할 경우 민감한 데이터가 원본 데이터와 상관관계가 없는 무작위로 생성된 값으로 대체됩니다. 예를 들어 이름, 주소 또는 기타 개인 식별 정보를 허구의 값이나 임의로 선택한 값으로 바꿀 수 있습니다.
대체
대체 마스킹은 민감한 데이터를 유사한 가상의 데이터로 대체하는 방식입니다. 예를 들어 실제 이름을 미리 정의된 목록의 이름으로 바꿀 수 있습니다. 알고리즘을 사용하여 유사한 허구의 신용카드 번호를 생성할 수도 있습니다.
셔플링
셔플링을 사용하면 데이터 세트 내의 값을 재정렬하여 통계적 속성을 유지하면서 개별 레코드를 식별하지 못하게 만들 수 있습니다. 이 기법은 일반적으로 데이터 내의 관계를 유지하는 데 사용됩니다.
예를 들어 데이터 테이블에서 행 값이 변경되도록 열 데이터를 임의로 셔플링할 수 있습니다. 사실상 이름과 연락처 세부 정보를 바꾸면서도 고객과 거래 간의 연관성을 유지할 수 있습니다.
암호화
암호화 마스킹에서는 암호화 알고리즘을 사용하여 민감한 데이터를 암호화할 수 있습니다. 데이터를 읽을 수 없는 형식으로 변환하면 복호화 키를 가진 인증된 사용자만 원본 데이터에 액세스할 수 있습니다. 이 기술은 더 높은 수준의 데이터 보안을 제공하지만 데이터 분석 시에 데이터를 복호화해야 하므로 쿼리 성능에 영향을 미칩니다.
해싱
해싱은 데이터를 고정 길이 문자열로 변환하는 변환 기법입니다. 일반적으로 원래 값이 필요하지 않고 데이터를 확인하기만 하면 되는 암호 또는 기타 민감한 정보를 마스킹하는 데 사용됩니다.
토큰화
토큰화에서는 프로덕션 데이터를 임의로 생성된 토큰 또는 참조 값으로 대체합니다. 원본 데이터를 별도의 안전한 위치에 저장하고 처리 또는 분석 중에 토큰을 대신 사용합니다. 토큰화는 민감한 정보가 노출될 위험을 최소화하면서 데이터 무결성을 유지하는 데 도움이 됩니다.
널링
널링(또는 블랭킹)은 민감한 데이터를 null 값이나 공백으로 바꾸는 데이터 마스킹 솔루션입니다. 이렇게 하면 데이터 세트에서 데이터가 효과적으로 제거됩니다. 이 방법은 데이터의 형식이나 구조를 유지하고 싶지만 특정 정보를 숨겨야 하는 경우에 적합합니다.
데이터 마스킹의 문제점은 무엇인가요?
다음으로 데이터 마스킹의 몇 가지 일반적인 문제에 대해 살펴보겠습니다.
속성 보존
연구 및 분석에서는 데이터 마스킹 시에 특정 데이터 유형의 원래 데이터 속성을 보존하는 것이 중요합니다. 데이터 마스킹 도구가 원래 데이터 유형을 보존하거나 관련 데이터 범주의 빈도를 유지해야 합니다.
예를 들어 신용카드 세부 정보를 모호하게 만드는 도구로 인해 고객 데이터 또는 카드 범주 통계의 인구통계학적 표현이 변경되면 분석에 영향을 미칠 수 있습니다. 무작위화나 토큰화와 같은 특정 데이터 마스킹 프로세스에서는 속성 보존이 어려울 수 있습니다.
의미론적 무결성
생성된 허구의 값은 다양한 데이터 유형과 관련된 비즈니스 규칙 및 제약 조건을 준수해야 합니다. 예를 들어 급여는 특정 범위 내에 있어야 하고 주민등록번호는 미리 정해진 형식을 따라야 합니다. 의미론적 무결성을 유지하기는 어렵지만 마스킹된 데이터가 의미 있게 사실적으로 유지되도록 보장합니다.
데이터 고유성
직원 ID 번호와 같이 원본 데이터에 고유성이 필요한 경우, 데이터 마스킹 기술은 원본 데이터를 대체할 고유한 값을 제공해야 합니다. 주요 필드에 고유성이 없으면 충돌이나 불일치 문제가 발생할 수 있습니다.
기존 워크플로와의 통합
특히 구현 초기 단계에서는 데이터 마스킹을 기존 워크플로에 통합하기가 어려울 수 있습니다. 직원들은 새로운 프로세스와 기술에 적응하는 과정에서 불편을 겪을 수 있습니다. 원활한 통합을 보장하고 혼란을 최소화하려면 조직은 신중한 계획, 이해관계자 협업, 사용자 문제 해결에 집중해야 합니다.
AWS는 데이터 마스킹 요구 사항을 어떻게 지원하나요?
Amazon Web Services(AWS) 오퍼링에는 데이터 마스킹 기능이 내장된 경우가 많습니다. 다음은 몇 가지 예입니다.
- Amazon Transcribe는 음성을 텍스트로 자동 변환하며, 요청에 따라 민감한 데이터를 마스킹할 수 있습니다.
- Amazon Redshift는 SQL을 사용하여 데이터 웨어하우스, 운영 데이터베이스 및 데이터 레이크 전반에서 정형 및 반정형 데이터를 분석합니다. 역할 기반 액세스 제어, 행 수준 보안, 열 수준 보안 및 동적 데이터 마스킹 기법을 지원합니다.
- Amazon Simple Notification Service(SNS)는 알림 서비스입니다. 이 서비스를 사용하여 전송 시 민감한 데이터를 검색, 마스킹 및 보호하는 데이터 보호 정책을 정의할 수 있습니다.
또한 복잡한 데이터 마스킹 요구 사항에 대한 기존 구현 가이드도 준비되어 있습니다. 예를 들어 AI-Powered Health Data Masking 지침은 의료 서비스 조직에서 이미지 또는 텍스트의 의료 데이터를 손쉽게 식별하여 마스킹하는 데 도움이 됩니다. 이 지침에서는 다음 서비스를 사용합니다.
- Amazon Comprehend Medical은 텍스트 본문에서 의료 데이터를 감지합니다
- Amazon Rekognition은 이미지에서 텍스트를 식별합니다.
- Amazon API Gateway와 AWS Lambda는 이 기능을 위한 API 인터페이스를 제공합니다.
- AWS Identity and Access Management(IAM)는 API 요청을 승인합니다.
AWS Marketplace에서 미리 만들어진 여러 데이터 마스킹 솔루션 중 하나를 선택하는 것도 고려해 볼 수 있습니다.
지금 계정을 만들어 AWS에서 데이터 마스킹을 시작하세요.
