Im Jahr 2023 sind viele Technologien aufgekommen, die auf die Beobachtungsliste jedes Technologieexperten gehören. Eine davon ist die Datenmaskierung. Trotz der Ähnlichkeiten bei der Implementierung erfüllen Datenmaskierung und Data Loss Prevention zwei völlig unterschiedliche Anwendungszwecke.
Ersteres gehört seit Jahren zum Funktionsumfang aller führenden Sicherheitslösungen für Webanwendungen und APIs. Doch erst mit dem Aufkommen von Technologien wie generativer KI wird deutlich, wie wichtig Datenmaskierung ist.
Was ist Datenmaskierung?
Datenmaskierung ist eine Technik zum Schutz sensibler Informationen, bei der die Originaldaten durch fiktive oder unkenntlich gemachte Daten mit ähnlicher Struktur und gleichem Format ersetzt beziehungsweise verschleiert werden. Diese Methode kommt häufig zum Einsatz, wenn Daten weitergegeben oder zu Test-, Schulungs- oder Analysezwecken verwendet werden müssen, die eigentlichen sensiblen Informationen jedoch vertraulich bleiben sollen. Datenmaskierung hilft Unternehmen dabei, Datenschutzvorschriften einzuhalten, das Risiko von Datenschutzverletzungen zu verringern und die Privatsphäre der Personen zu schützen, deren Informationen in den Datensätzen enthalten sind.
Was ist Data Leak Prevention?
Data Leak Prevention (DLP) umfasst Strategien, Richtlinien und Tools, die sensible Informationen vor unbefugtem Zugriff, Offenlegung oder Missbrauch schützen sollen. Das Hauptziel von DLP besteht darin, zu verhindern, dass vertrauliche Daten wie personenbezogene Informationen, geistiges Eigentum oder Geschäftsgeheimnisse versehentlich oder absichtlich aus dem Netzwerk oder den Systemen eines Unternehmens nach außen gelangen.
Äpfel mit Äpfeln vergleichen?
Es mag den Anschein haben, als würde sich der Markt in Spitzfindigkeiten ergehen und behaupten, grüne Äpfel seien etwas anderes als rote Äpfel. Schließlich greifen sowohl die Datenmaskierung als auch DLP in der Regel auf dieselben Technologien zurück, um sensible Datenfelder, die von Anwendungen und APIs verwendet werden, zu „maskieren“ oder „unkenntlich zu machen“.
Der Unterschied besteht in zwei Punkten.
Erstens sind die Hauptnutzer der Datenmaskierung Entwickler, Data Scientists und MLOps-Teams. Dabei handelt es sich um Mitarbeiter oder Partner, die Tests und Trainings mit echten Kundendaten durchführen oder diese analysieren müssen. Dadurch werden Kunden einem Risiko ausgesetzt, obwohl sie lieber anonym bleiben möchten und ihnen dies möglicherweise durch die Datenschutzrichtlinie eines Unternehmens zugesichert wurde. Letztlich wird DLP von Unternehmen genutzt. Es liegt in der Verantwortung eines Unternehmens, Vorschriften einzuhalten, die die Maskierung sensibler Informationen wie Konto- und Kreditkartennummern verlangen, und bei Datenlecks trägt das Unternehmen den Schaden. Man kann argumentieren, dass Unternehmen DLP zum Schutz der Verbraucher einsetzen – und das tun sie auch –, doch der Hauptgrund sind in der Regel regulatorische Vorgaben.
Zweitens identifiziert und maskiert DLP nur eine bestimmte Teilmenge personenbezogener Daten. Wenn ich eine Rechnung erhalte, wird meine Kontonummer maskiert, mein Name und meine Adresse jedoch nicht. Bei der Datenmaskierung werden Namen, Adressen und andere identifizierende Informationen häufig unkenntlich gemacht, damit Kunden anonym bleiben. Dies gilt insbesondere für Anwendungsfälle, die auf Analysen ausgerichtet sind und bei denen zu Marketing- oder Prognosezwecken nach kundenübergreifenden Mustern und Zusammenhängen gesucht wird, ohne dabei einzelne Kunden identifizieren zu wollen.
Datenmaskierung sollte auf Ihrer Beobachtungsliste stehen
Wenn Sie eine „Beobachtungsliste“ mit Technologien für 2024 erstellen, gehört Data Masking definitiv in die Top Ten.
Das liegt an der breiten Anwendbarkeit auf zahlreiche Vorhaben – insbesondere auf solche, bei denen Analysen durchgeführt und ML-Modelle trainiert werden, um Erkenntnisse über das Kundenverhalten zu gewinnen oder Muster aufzudecken, die als Grundlage für die Geschäftsstrategie dienen.
Da generative – und traditionelle – KI zunehmend in jedes Produkt und jede Dienstleistung weltweit Einzug hält, wächst bei Verbrauchern das Bewusstsein für die Notwendigkeit des Datenschutzes. Die Möglichkeit, sensible Daten zu maskieren, versetzt Unternehmen in die Lage, sowohl ihre KI-Initiativen voranzutreiben als auch dem Datenschutzbedürfnis ihrer Kunden gerecht zu werden.
Über den Autor
Lori MacVittie ist Distinguished Engineer und Chief Evangelist im Office of the CTO von F5 und verfügt über umfassende Expertise in den Bereichen Anwendungsbereitstellung, Automatisierungsstrategie und Infrastruktur. Sie ist dafür bekannt, Komplexität verständlich zu machen – ob sie Leitplanken für KI-Agenten definiert, fragile Multicloud-Architekturen analysiert oder die Grenzen skalierbarer Systeme auslotet. Sie verfügt über mehr als dreißig Jahre Branchenerfahrung in der Anwendungsentwicklung, IT-Architektur sowie im Netzwerk- und Systembetrieb. Bevor sie zu F5 kam, war sie als mehrfach ausgezeichnete Technologie-Redakteurin tätig. MacVittie hat einen Masterabschluss in Informatik und ist eine produktive Autorin, deren Veröffentlichungen die Bereiche Sicherheit, Cloud und Unternehmensarchitektur abdecken. Außerdem spielt sie leidenschaftlich gern Brett- und Videospiele und vertritt mit voller Überzeugung klare Ansichten zum Thema Käse.
Weitere Blogbeiträge von Lori Mac VittieÄhnliche Blogbeiträge
Ein umfassender Leitfaden zur Bereitstellung und Sicherheit von KI-Anwendungen
Entdecken Sie optimale Strategien für die Absicherung und Bereitstellung von KI-Anwendungen.
KI zulassen und einführen? Lehren aus der Public Cloud
Die Einführung von KI steht unmittelbar bevor und könnte entscheidend sein, um wettbewerbsfähig zu bleiben. Daher muss die IT-Sicherheit proaktiv handeln und der KI-Einführung schon jetzt einen Schritt voraus sein, um sie auf einen risikogerechten Weg zu lenken.
Stand der Anwendungsstrategie 2022: Zeit für die Modernisierung des Betriebs
Es ist deutlich geworden, dass Unternehmen ihren Fokus erneut auf die Geschäftsfunktionen richten müssen, um die Dynamik ihrer digitalen Transformation aufrechtzuerhalten. Kundenerlebnisse haben zwar weiterhin Priorität, doch auch Geschäftsfunktionen wie Recht, Personalwesen und Finanzen müssen digitalisiert werden. Das bedeutet, dass CIOs das Steuer übernehmen, während sich die digitale Transformation von der Modernisierung von Anwendungen hin zur Modernisierung von Betriebsabläufen verlagert.
F5s Weg zu einer vielseitigen Plattform für Anwendungsanalysen
F5 bietet heute die umfassendsten Anwendungsdienste entlang des gesamten Weges vom Code bis zum Kunden. Künftig werden wir verstärkt auf Anwendungstelemetrie und -analysen setzen, damit unsere Kunden wertvolle Erkenntnisse über ihre Anwendungen, Geschäftsabläufe und Benutzererlebnisse gewinnen können. Beim Ausbau unserer Cloud-Analysefunktionen werden wir ML und KI noch stärker nutzen, um unsere Kunden bei der Verbesserung ihrer Geschäftsdienste zu unterstützen.
Telemetrie: Eine andere Art von Daten
Verwenden wir den Begriff „Telemetrie“ nur, weil er attraktiver klingt als „Daten“? Letztlich sind sowohl Daten als auch Telemetrie strukturierte Informationseinheiten. Es ist kein Verbrechen, die Begriffe synonym zu verwenden. Doch wenn man es genau nimmt, gibt es einen Unterschied. Und dieser Unterschied wird immer wichtiger werden, je weiter Unternehmen in die Datenökonomie vordringen.
MTTR bedeutet nicht „Mean Time to Reboot“
„Schnell scheitern“ lautet heute das Mantra für mehr Geschwindigkeit. Ob in DevOps oder im Geschäftsleben: Wer in einer digitalen Wirtschaft agiert, muss eine möglichst perfekte Verfügbarkeit gewährleisten.