Běh s modulárním šifrováním Parquet

Modulární šifrování parketu je k dispozici pouze v zápisnících Spark, které jsou spuštěny v instanci služby IBM Analytics Engine . Modulární šifrování parket není podporováno v noteboocích, které běží v prostředí Spark.

Chcete-li povolit modulární šifrování Parquet, nastavte následující vlastnosti cesty ke třídě Spark tak, aby ukazovaly na soubory JAR Parquet, které implementují modulární šifrování Parquet, a na soubor JAR správy klíčů:

1. Přejděte na volbu Ambari > Spark > Konfigurace-> Vlastní spark2-default.

2. Přidejte následující dva parametry, aby explicitně ukazovaly na umístění souborů JAR. Ujistěte se, že jste upravili cesty tak, aby používaly skutečnou verzi souborů JAR v klastru.

   spark.driver.extraClassPath=/home/common/lib/parquetEncryption/ibm-parquet-kms-<latestversion>-jar-with-dependencies.jar:/home/common/lib/parquetEncryption/parquet-format-<latestversion>.jar:/home/common/lib/parquetEncryption/parquet-hadoop-<latestversion>.jar
   
   spark.executor.extraClassPath=/home/common/lib/parquetEncryption/ibm-parquet-<latestversion>-jar-with-dependencies.jar:/home/common/lib/parquetEncryption/parquet-format-<latestversion>.jar:/home/common/lib/parquetEncryption/parquet-hadoop-<latestversion>.jar
   

Povinné parametry

Pro zápis šifrovaných dat jsou vyžadovány následující parametry:

• Seznam sloupců, které se mají šifrovat, s hlavními šifrovacími klíči:

  parameter name: "encryption.column.keys"
  parameter value: "<master key ID>:<column>,<column>;<master key ID>:<column>,.."
  

• Klíč zápatí:

  parameter name: "encryption.footer.key"
  parameter value: "<master key ID>"
  

  Například:

  dataFrame.write
  .option("encryption.footer.key" , "k1")
  .option("encryption.column.keys" , "k2:SSN,Address;k3:CreditCard")
  .parquet("<path to encrypted files>")
  

  Důležité:

  Pokud není nastaven ani parametr encryption.column.keys , ani parametr encryption.footer.key , soubor nebude šifrován. Pokud je nastaven pouze jeden z těchto parametrů, dojde k výjimce, protože tyto parametry jsou povinné pro šifrované soubory.

Nepovinné parametry

Při zápisu šifrovaných dat lze použít následující volitelné parametry:

• Šifrovací algoritmus AES-GCM-CTR

  Modulární šifrování Parquet standardně používá algoritmus AES-GCM , který poskytuje úplnou ochranu proti manipulaci s daty a metadaty v souborech Parquet. Avšak vzhledem k tomu, že produkt Spark 2.3.0 je spuštěn v prostředí Java 8, které nepodporuje akceleraci AES v hardwaru CPU (toto bylo přidáno pouze v prostředí Java 9), může režie ověření integrity dat v určitých situacích ovlivnit propustnost pracovní zátěže.

  Chcete-li to kompenzovat, můžete vypnout podporu ověření integrity dat a zapsat šifrované soubory s alternativním algoritmem AES-GCM-CTR, který ověřuje integritu pouze částí metadat, a ne částí dat, a má nižší režii propustnosti ve srovnání s algoritmem AES-GCM .

  parameter name: "encryption.algorithm"
  parameter value: "AES_GCM_CTR_V1"
  

• Režim zápatí prostého textu pro starší čtečky

  Ve výchozím nastavení je hlavní modul metadat Parquet (zápatí souboru) šifrován, aby skryl schéma souboru a seznam citlivých sloupců. Můžete se však rozhodnout, že nebudete šifrovat zápatí souborů, abyste umožnili ostatním čtečkám Spark a Parquet (které dosud nepodporují modulární šifrování Parquet) číst nešifrované sloupce v šifrovaných souborech. Chcete-li vypnout šifrování zápatí, nastavte následující parametr:

  parameter name: "encryption.plaintext.footer"
  parameter value: "true"
  

  Důležité:

  Parametr encryption.footer.key musí být uveden také v režimu zápatí prostého textu. Přestože zápatí není šifrováno, klíč se používá k podepsání obsahu zápatí, což znamená, že noví čtenáři mohou ověřit jeho integritu. Starší čtenáři nejsou přidáním podpisu zápatí ovlivněni.

Příklady použití

Následující ukázkové úseky kódu pro Python ukazují, jak vytvářet datové rámce, zapisovat do šifrovaných souborů parket a číst ze šifrovaných souborů parket.

• Python: Zápis šifrovaných dat:

  from pyspark.sql import Row
  
  squaresDF = spark.createDataFrame(
      sc.parallelize(range(1, 6))
      .map(lambda i: Row(int_column=i, square_int_column=i ** 2)))
  
  sc._jsc.hadoopConfiguration().set("encryption.key.list",
      "key1: AAECAwQFBgcICQoLDA0ODw==, key2: AAECAAECAAECAAECAAECAA==")
  sc._jsc.hadoopConfiguration().set("encryption.column.keys",
      "key1:square_int_column")
  sc._jsc.hadoopConfiguration().set("encryption.footer.key", "key2")
  
  encryptedParquetPath = "squares.parquet.encrypted"
  squaresDF.write.parquet(encryptedParquetPath)
  

• Python: Čtení šifrovaných dat:

  sc._jsc.hadoopConfiguration().set("encryption.key.list",
      "key1: AAECAwQFBgcICQoLDA0ODw==, key2: AAECAAECAAECAAECAAECAA==")
  
  encryptedParquetPath = "squares.parquet.encrypted"
  parquetFile = spark.read.parquet(encryptedParquetPath)
  parquetFile.show()
  

Obsah Python souboru úlohy InMemoryKMS.py je následující:

from pyspark.sql import SparkSession
from pyspark import SparkContext
from pyspark.sql import Row

if __name__ == "__main__":
    spark = SparkSession \
        .builder \
        .appName("InMemoryKMS") \
        .getOrCreate()
    sc = spark.sparkContext
    ##KMS operation
    print("Setup InMemoryKMS")
    hconf = sc._jsc.hadoopConfiguration()
    encryptedParquetFullName = "testparquet.encrypted"
    print("Write Encrypted Parquet file")
    hconf.set("encryption.key.list", "key1: AAECAwQFBgcICQoLDA0ODw==, key2: AAECAAECAAECAAECAAECAA==")
    btDF = spark.createDataFrame(sc.parallelize(range(1, 6)).map(lambda i: Row(ssn=i,  value=i ** 2)))
    btDF.write.mode("overwrite").option("encryption.column.keys", "key1:ssn").option("encryption.footer.key", "key2").parquet(encryptedParquetFullName)
    print("Read Encrypted Parquet file")
    encrDataDF = spark.read.parquet(encryptedParquetFullName)
    encrDataDF.createOrReplaceTempView("bloodtests")
    queryResult = spark.sql("SELECT ssn, value FROM bloodtests")
    queryResult.show(10)
    sc.stop()
    spark.stop()

Zpracování vnitřních částí šifrovacího klíče

Při zápisu souboru Parquet se pro každý zašifrovaný sloupec a zápatí vygeneruje náhodný klíč šifrování dat (DEK). Tyto klíče se používají k šifrování dat a modulů metadat v souboru Parquet.

Klíč šifrování dat je pak zašifrován pomocí klíče šifrování klíče (KEK), který je také generován uvnitř Spark/Parquet pro každý hlavní klíč. Šifrovací klíč klíče je šifrován pomocí hlavního šifrovacího klíče (MEK) lokálně.

Šifrované klíče pro šifrování dat a klíče pro šifrování klíčů jsou uloženy v metadatech souboru Parquet spolu s identitou hlavního klíče. Každý šifrovací klíč klíče má jedinečnou identitu (generovanou lokálně jako zabezpečená náhodná 16bajtová hodnota), která je také uložena v metadatech souboru.

Při čtení souboru Parquet se z metadat souboru extrahuje identifikátor hlavního šifrovacího klíče (MEK) a šifrovacího klíče šifrovaného klíče (KEK) s jeho identifikátorem a zašifrovaný klíč šifrování dat (DEK).

Šifrovací klíč klíče je dešifrován pomocí hlavního šifrovacího klíče lokálně. Pak je klíč šifrování dat (DEK) dešifrován lokálně pomocí klíče šifrování klíčů (KEK).

Další informace

• Modulární šifrování parket