İlkeler

Data Privacy alanındaki yönetim ilkelerinin örnek seçimi, ilke alt kategorilerine daha fazla bölünmeye devam eder. Bu alt kategoriler, bu alanda kendi ilkelerinizi nasıl tanımlayabileceğinize ilişkin bireysel ilkeler içerir. Bu kategori yapısını, sürdürülebilirlik ya da çeşitlilik gibi diğer alanlarda ilkeler yaratmak için kullanabilirsiniz. İlkeler, Watson Knowledge Catalogolanağında uygulanamaz bir şekilde açıklayıcı olur.

Bir Veri Ele Geçirme İlkesi örneği: Kişisel Verilerden Maskeleme.

Yönetişim Kuralları

Knowledge Accelerators , Data Privacyalanında örnek bir yönetişim kuralları seçimi sağlar. Bu kurallar, ilkelerinizi nasıl uygulamayı amaçladığınızı ifade eder. Yönetişim kuralları bir ya da daha fazla yönetişim ilkesiyle ilgili olabilir. Bu koşullar, bu tür terimlerin kurala uygun olduğu durumlarda, iş terimleriyle de ilgili olabilir. İlkeler gibi, yönetişim kuralları uygulanamaz. Knowledge Accelerators ile birlikte sağlanan örnek, kendi genişletilmiş kural kümenizi nasıl tanımlayabileceğiniz gösterilir.

Bir Veri Yönetişimi kuralı örneği: Kişisel Verilerin Ilgili Kişisel Veri Yetkilisine İhlali Bildirmesi:

Tanımlama: Veri Denetleyicisine ya da Data Privacy Office 'in, saptanan Data Privacy Bulas ölçünün (ihlal tipi, kişisel verilerin tipi ve hacmi ve etkilenen veri miktarı) değerlendirmesi esas alınarak, xx saat/gün içindeki ihlalin niteliğini ve kapsamını etkilenen yargı yetkisi (ler) için ilgili Kişisel Veri Yetkilileri 'ne bildirecektir.

• Daha fazla bilgi edinin: Watson Knowledge Catalogiçinde yönetişim kuralları .

Veri Koruma Kuralları

Veri koruma kuralları, verilere erişimin nasıl denetleneceğini tanımlayan, eyleme geçirilebilir kurallardır. İşlem aralığı, bir veri varlığına erişimi reddetmekten, belirtilen değer eşleştirmesine dayalı satırları dışarı süzer ya da belirli sütunlardaki verileri maskeleme aralığı.

Veri koruma kuralı ölçütleri ve eylemleri genellikle, iş terimleri, veri sınıfları ve sınıflandırmalar gibi verileri tanımlayan, ancak tek tek kullanıcılara, kullanıcı rollerine ya da gruplara dayalı olarak kullanıcı erişimini de belirtebilen yönetişim yapay nesneleri temel alınarak oluşturulur. Kolon adı, varlık adı ya da şema gibi veri varlıklarının teknik meta verilerine dayalı olarak kurallar da yaratılabilir. Kurallar yönetişim yapıtlarını temel aldıklarında, bu yapay nesnelerin genellikle meta veri zenginleştirme işleminin bir parçası olarak veri varlıklarına önceden atanmış olması gerekir.

For example, as part of the Knowledge Accelerators governance policy Maskeleme Kişisel Veriler, you can create and link a data protection rule to control access to email address data (which is classified as Personal Information), in all columns with Eposta Adresi data class assigned. Bu kural, Data Engineer gibi Kullanıcı Rolleri olan kullanıcılara erişimi kısıtlamak ya da kullanıcı adı ya da ortak eposta hizmeti gibi üretilmiş değerlerle belirli değerleri değiştirmek için gelişmiş maskeleme seçeneklerini kullanmak için daha da daraltılmış olabilir.

Kişisel verilerle ilgili olarak kabul edilenKnowledge Accelerators veri sınıfları ve iş terimleri, tanımladığı verilerin duyarlılığına bağlı olarak, Kişisel Bilgiler (PI) ya da Hassas Kişisel Bilgiler (SPI)sınıflandırmasına sahiptir. Bu önerilen sınıflandırmalar, bölgesel ya da kurumsal veri gizliliği gereksinimleri doğrultusunda gözden geçirilebilir ve ayarlanabilirler. PI ve SPI sınıflandırmaları, veri varlıklarındaki kişisel verilerin tanımlanmasına yardımcı olur. Bu, genellikle veri koruma kurallarının gerekli olduğu alanlar olur.