Anonymizace osobních údajů pro databáze MySQL a Teradata

Abstract

Práce pojednává o rozšíření již existujícího nástroje GEM Winch na provádění datových řezů, vyhledávání a anonymizování osobních údajů v databázích. Ke čtyřem momentálně podporovaným databázovým systémům jsou přidány další dva - MySQL a Teradata. Aktuální podoba implementace způsobuje, že v implementacích pro jednotlivé databázové systémy, ale i v rámci modulů, vzniká mnoho duplicit v kódu či logice, které z vytváření nových implementací nástroje Winch dělá zdlouhavý a náročný proces, při kterém je třeba opakovaně programovat stejné, ve starších modulech již existující, anonymizační funkce. Na základě analýzy stávající implementace nástoje Winch předkládám návrh postupu, jak tento proces zjednodušit a množství duplicit snížit. Protože velkou část opakované logiky představují zdrojové SQL kódy jednotlivých anonymizačních funkcí pro různé databáze, zvolil jsem jako řešení pokusit se tyto zdrojové SQL kódy generovat dynamicky, za pomoci generátorů a šablon. Efektivita a použití navrženého postupu je ukázáno právě na nově přidaných implementacích pro databáze MySQL a Teradata. Detailnější popis navrhovaného postupu je obsahem dalšího textu, stejně tak počáteční analýza, implementace, testování a zhodnocení.

The work deals with extending an existing tool GEM Winch, which allows to perform data cuts and to find and anonymize personal data in databases. Winch is extended by adding support for MySQL and Teradata database systems on top of the four systems currently supported by the tool. Because of Winch's design, a lot of contained code or logic is duplicated within individual modules as well as across implementations for different database systems and so adding support for new database systems is a challenging and very time-consuming process requiring a lot of anonymization functions, already implemented in older modules, to be repeatedly written again with minimal changes. Therefore, based on the analysis of current implementations of Winch and their differences, I am proposing a new approach, which would lead to simplification of this process and reduce the amount of duplicated logic. Because a big part of the duplicated code is contained within SQL source codes of individual anonymization functions for different databases, the solution I have chosen is based on using generators and templates as an attempt to generate these SQL source codes dynamically. The effectiveness and usage of this approach is shown on newely added Winch implementations for MySQL and Teradata. More detailed look on the proposed process of generating SQL source codes is covered by the following text, as well as its implementation, testing and evaluation.