Son muchas las tecnologías que han cobrado relevancia en 2023 y que merecen estar en la lista de seguimiento de cualquier profesional del sector tecnológico. Entre ellas se encuentra el enmascaramiento de datos. Pese a que su implementación es similar a la de la prevención de fugas de datos, ambas tecnologías tienen casos de uso muy diferentes.
Esta última lleva años siendo una funcionalidad de todas las soluciones líderes de seguridad para aplicaciones web y API. Sin embargo, el enmascaramiento de datos apenas empieza a hacerse necesario gracias al auge de tecnologías como la IA generativa.
¿Qué es el enmascaramiento de datos?
El enmascaramiento de datos es una técnica utilizada para proteger información sensible mediante la sustitución u ocultación de los datos originales con datos ficticios o alterados que conservan una estructura y un formato similares. Este método se utiliza habitualmente cuando es necesario compartir datos o emplearlos con fines de prueba, formación o análisis, pero la información sensible real debe permanecer confidencial. El enmascaramiento de datos ayuda a las organizaciones a cumplir la normativa sobre privacidad de datos, reducir el riesgo de filtraciones de datos y proteger la privacidad de las personas cuya información figura en los conjuntos de datos.
¿Qué es la prevención de fugas de datos?
La prevención de fugas de datos (DLP) es un conjunto de estrategias, políticas y herramientas diseñadas para proteger la información sensible frente al acceso, la divulgación o el uso indebido no autorizados. El principal objetivo de la DLP es evitar la filtración accidental o intencionada de datos confidenciales, como información personal, propiedad intelectual o secretos comerciales, fuera de la red o los sistemas de una organización.
¿Comparamos cosas equivalentes?
Puede parecer que el mercado está cayendo en el exceso de precisión al afirmar que las manzanas verdes son distintas de las rojas. Al fin y al cabo, tanto el enmascaramiento de datos como la DLP suelen recurrir a las mismas tecnologías para «enmascarar» u «ofuscar» los campos de datos confidenciales utilizados por aplicaciones y API.
La diferencia es doble.
En primer lugar, los principales usuarios del enmascaramiento de datos son los desarrolladores, los científicos de datos y los equipos de MLOps. Son empleados o socios que necesitan realizar pruebas y entrenar modelos con datos reales de clientes, o bien analizarlos. Esto pone en riesgo a los clientes que prefieren mantener el anonimato y a quienes la política de privacidad de la empresa puede haber garantizado que así será. En última instancia, los usuarios de DLP son las empresas. Es responsabilidad de estas cumplir las normativas que exigen enmascarar información confidencial, como números de cuenta y de tarjetas de crédito, y las empresas sufren las consecuencias cuando se produce una filtración de datos. Se puede argumentar que las organizaciones utilizan DLP para proteger a los consumidores —y así es—, pero el principal motivo suele ser el cumplimiento normativo.
En segundo lugar, la DLP identifica y enmascara únicamente un subconjunto específico de información personal. Cuando recibo una factura, mi número de cuenta aparece enmascarado, pero no mi nombre ni mi dirección. Con el enmascaramiento de datos, es habitual ocultar los nombres, las direcciones y otros datos identificativos para garantizar el anonimato de los clientes. Esto es especialmente cierto cuando el caso de uso se centra en el análisis, en el que se buscan patrones y relaciones entre los clientes con fines de marketing o previsión, pero existen motivos para no identificar a clientes concretos.
El enmascaramiento de datos debería estar en su lista de prioridades
Si estás elaborando una «lista de tecnologías a seguir» en 2024, el enmascaramiento de datos merece sin duda un puesto entre las diez primeras.
Esto se debe a su amplia aplicabilidad en numerosas iniciativas, especialmente en aquellas orientadas al análisis y al entrenamiento de modelos de aprendizaje automático para obtener información sobre el comportamiento de los clientes o descubrir patrones que sirvan de base para la estrategia empresarial.
A medida que la IA generativa —y la tradicional— ha empezado a introducirse en todos los productos y servicios del planeta, los consumidores son cada vez más conscientes de la necesidad de proteger su privacidad. La capacidad de enmascarar datos sensibles permitirá a las empresas impulsar sus iniciativas de IA y, al mismo tiempo, satisfacer la necesidad de privacidad de sus clientes.
Sobre el autor
Lori MacVittie es ingeniera distinguida y evangelista jefe en la Oficina del CTO de F5, y cuenta con una amplia experiencia en entrega de aplicaciones, estrategia de automatización e infraestructura. Es conocida por convertir la complejidad en claridad, ya sea definiendo mecanismos de protección para agentes de IA, analizando arquitecturas multinube frágiles o explorando los límites de los sistemas escalables. Aporta más de treinta años de experiencia en el sector en desarrollo de aplicaciones, arquitectura de TI y operaciones de redes y sistemas. Antes de incorporarse a F5, fue una galardonada editora de tecnología. MacVittie posee un máster en Informática y es una autora prolífica cuyas publicaciones abarcan la seguridad, la nube y la arquitectura empresarial. También es una apasionada de los juegos de mesa y los videojuegos, y expresa sin complejos sus firmes opiniones sobre el queso.
Más artículos de Lori Mac VittieArtículos relacionados del blog
Proteger los endpoints de las API dificulta la seguridad de las API
Descubre las complejidades de la seguridad de las API, los retos a los que se enfrentan las organizaciones, la evolución de los ataques contra endpoints de API y la necesidad de políticas de seguridad adaptadas.
¿Qué es el sesgo de la IA y por qué es importante para TI?
Descubre los fundamentos del aprendizaje de la IA. Aprende cómo pueden surgir sesgos en la IA y qué riesgos plantean para las TI y la transformación digital.
Redefiniendo la ciberseguridad en el extremo de la nube distribuida con IA y telemetría en tiempo real
La transformación digital y la adopción de tecnologías en la nube están provocando cambios en las arquitecturas de las aplicaciones. Estos cambios introducen nuevas superficies de ataque, que son el objetivo de métodos de ataque avanzados, altamente organizados y con motivaciones económicas. Mediante el uso del framework Morpheus de NVIDIA, F5 está investigando técnicas para detectar estas amenazas avanzadas con telemetría en tiempo real y análisis basados en IA.
El papel de la nube en las aplicaciones nativas del edge
No debería sorprender que, al igual que la aparición de la nube dio lugar a las aplicaciones nativas de la nube, el edge esté impulsando un conjunto de aplicaciones nativas del edge. Sin embargo, estas aplicaciones no residirán únicamente en el edge. Al mismo tiempo, están surgiendo nuevos patrones arquitectónicos que aprovechan las aplicaciones alojadas en la nube y en el centro de datos.
La creciente diversidad de ubicaciones y usuarios está impulsando a las empresas hacia el edge
En el contexto del ámbito de las aplicaciones, el término «usuario» siempre se ha referido a la entidad que interactúa con una aplicación. Del mismo modo que los cambios en las arquitecturas de las aplicaciones impulsan cambios en las tecnologías que permiten ofrecerlas y protegerlas, los cambios en la definición de usuario han provocado cambios en los lugares donde se despliegan las aplicaciones.
El edge está impulsando un renacimiento de las infraestructuras
A medida que las organizaciones aumentan la generación de datos y tratan de extraer valor empresarial de ellos, sin duda recurrirán a la analítica y la automatización basadas en la IA y el aprendizaje automático. Precisamente este tipo de cargas de trabajo son las que más se beneficiarían de una infraestructura optimizada y, sin embargo, hoy en día son las que menos probabilidades tienen de poder aprovecharla.