Engine-übergreifende attributbasierte Zugriffskontrolle (ABAC)

Externe Engines können Unity-Katalogtabellen lesen, wobei differenzierte Zugriffssteuerungen erzwungen werden. Dies umfasst sowohl attributbasierte Zugriffssteuerungsrichtlinien (ABAC) als auch eigenständige Zeilenfilter und Spaltenmasken, die alle auch bei Abfragen von außerhalb von Azure Databricks dynamisch durchgesetzt werden.

Wenn ein externes Modul eine Tabelle mit ABAC-Richtlinien, Zeilenfiltern oder Spaltenmasken abfragt, verwendet Azure Databricks eine spezielle serverlose Computeebene, um sanitisierte Daten an das externe Modul zu filtern und zurückzugeben.

Requirements

Um differenzierte Zugriffssteuerungen für Tabellen zu erzwingen, die von externen Engines abgefragt werden, müssen Sie Folgendes ausführen:

Erstellen einer verwalteten Delta-Tabelle mit Katalogcommits

So erstellen Sie eine neue verwaltete Delta-Tabelle mit Katalog-Commits (erfordert Databricks Runtime 16.4 oder höher):

CREATE TABLE <catalog>.<schema>.<table> (id INT, name STRING)
USING delta
TBLPROPERTIES ('delta.feature.catalogManaged' = 'supported');

Zum Aktualisieren einer vorhandenen verwalteten Tabelle (erfordert Databricks Runtime 18.0 und höher):

ALTER TABLE <catalog>.<schema>.<table>
SET TBLPROPERTIES ('delta.feature.catalogManaged' = 'supported');

Nachdem Sie die Tabelle erstellt haben, können Sie ABAC-Richtlinien, Zeilenfilter oder Spaltenmasken anwenden.

Siehe Eine Richtlinie erstellen oder Zeilenfilter und Spaltenmasken manuell anwenden.

Lesen von Tabellen mit Apache Spark (Delta)

Konfigurieren Sie Apache Spark mit Delta-Spark 4.1 oder höher und Unity Catalog Spark Connector 0.4 oder höher.

"spark.sql.extensions": "io.delta.sql.DeltaSparkSessionExtension",
"spark.sql.catalog.spark_catalog": "org.apache.spark.sql.delta.catalog.DeltaCatalog",
"spark.sql.catalog.<uc-catalog-name>": "io.unitycatalog.spark.UCSingleCatalog",
"spark.sql.catalog.<uc-catalog-name>.uri": "<workspace-url>",
"spark.sql.catalog.<uc-catalog-name>.auth.type": "oauth",
"spark.sql.catalog.<uc-catalog-name>.auth.oauth.uri": "<oauth-token-endpoint>",
"spark.sql.catalog.<uc-catalog-name>.auth.oauth.clientId": "<oauth-client-id>",
"spark.sql.catalog.<uc-catalog-name>.auth.oauth.clientSecret": "<oauth-client-secret>",
"spark.sql.catalog.<uc-catalog-name>.serverSidePlanning.enabled": "true",
"spark.sql.defaultCatalog": "<uc-catalog-name>",
"spark.jars.packages": "io.delta:delta-spark_4.0_2.13:4.1.0,io.delta:delta-iceberg_2.13:4.1.0,io.unitycatalog:unitycatalog-spark_2.13:0.4.0,org.apache.hadoop:hadoop-azure:3.4.2"

Note

Setzen Sie serverSidePlanning.enabled auf true, um die Durchsetzung einer granularen Zugriffskontrolle durch externe Engines zu aktivieren.

Ersetzen Sie die folgenden Variablen:

  • <uc-catalog-name>: Der Name des Katalogs im Unity-Katalog, der Ihre Tabellen enthält.
  • <workspace-url>: Die URL des Azure Databricks Arbeitsbereichs, einschließlich der Arbeitsbereich-ID.
  • <oauth-token-endpoint>: OAuth-Token-Endpunkt-URL. Siehe Autorisieren des Dienstprinzipalzugriffs auf Azure Databricks mit OAuth.
  • <oauth-client-id>: OAuth-Client-ID für den authentifizierenden Principal.
  • <oauth-client-secret>: OAuth-Clientgeheimnis für den authentifizierenden Principal.

Lesen von Tabellen mit Apache Spark (Iceberg)

Konfigurieren Sie Apache Spark mit Iceberg-Spark 1.11 oder höher und Apache Spark 4.0 oder höher.

"spark.sql.extensions": "org.apache.iceberg.spark.extensions.IcebergSparkSessionExtensions",
"spark.sql.catalog.<uc-catalog-name>": "org.apache.iceberg.spark.SparkCatalog",
"spark.sql.catalog.<uc-catalog-name>.type": "rest",
"spark.sql.catalog.<uc-catalog-name>.uri": "<workspace-url>/api/2.1/unity-catalog/iceberg-rest/",
"spark.sql.catalog.<uc-catalog-name>.credential": "<oauth-client-id>:<oauth-client-secret>",
"spark.sql.catalog.<uc-catalog-name>.oauth2-server-uri": "<oauth-token-endpoint>",
"spark.sql.catalog.<uc-catalog-name>.warehouse": "<uc-catalog-name>",
"spark.sql.catalog.<uc-catalog-name>.cache-enabled": "false",
"spark.sql.defaultCatalog": "<uc-catalog-name>"

Ersetzen Sie die folgenden Variablen:

  • <uc-catalog-name>: Der Name des Katalogs im Unity-Katalog, der Ihre Tabellen enthält.
  • <workspace-url>: Die URL des Azure Databricks Arbeitsbereichs, einschließlich der Arbeitsbereich-ID.
  • <oauth-token-endpoint>: OAuth-Token-Endpunkt-URL. Siehe Autorisieren des Dienstprinzipalzugriffs auf Azure Databricks mit OAuth.
  • <oauth-client-id>: OAuth-Client-ID für den authentifizierenden Principal.
  • <oauth-client-secret>: OAuth-Clientgeheimnis für den authentifizierenden Principal.

Abfragedaten

Sie können die Tabelle mit Apache Spark SQL- oder DataFrame-APIs abfragen. Azure Databricks erzwingt präzise Zugriffsrichtlinien hinter den Kulissen.

SELECT * FROM <uc-catalog-name>.<schema>.<table>;

Warning

Gleichzeitige Schreibvorgänge während der Abfrageplanung können dazu führen, dass die gleiche Tabelle aus verschiedenen Tabellenmomentaufnahmen in Self-Join- und Multi-Scan-Abfragen gelesen wird, was zu falschen Ergebnissen führen kann.

In Tabellen mit ABAC-Richtlinien schreiben

Externe Engines können mit ABAC-Richtlinien in verwaltete Tabellen schreiben, wenn der authentifizierte Principal von den Richtlinien ausgenommen ist.

  1. Fügen Sie den Prinzipal oder eine Kontogruppe, die ihn enthält, der Klausel (EXCEPT im Katalog-Explorer) jeder anwendbaren ABAC-Zeilenfilter- und Spaltenmaskenrichtlinie hinzu. Schließen Sie Richtlinien ein, die aus dem Metastore, Katalog oder Schema geerbt wurden. Siehe Richtlinie bearbeiten und CREATE POLICY.
  2. Gewähren Sie dem Hauptbetrag USE CATALOG, USE SCHEMA, EXTERNAL USE SCHEMA, und der Tabelle die Berechtigungen, die zum Lesen und Schreiben (SELECT und MODIFY) benötigt werden.
  3. Konfigurieren Sie eine unterstützte Tabelle für externe Schreibvorgänge von einem Delta-Client oder einem Iceberg-Client.
  4. Authentifizieren Sie den externen Client als ausgenommenen Principal.

Zum Beispiel führen Sie die folgenden Anweisungen eines externen Iceberg- oder Delta-Clients aus, um in eine verwaltete Tabelle zu schreiben und sie zu lesen, in der der Principal von allen ABAC-Richtlinien ausgenommen ist:

INSERT INTO <uc-catalog-name>.<schema>.<table> (id, name)
VALUES (1, 'Example customer');

SELECT * FROM <uc-catalog-name>.<schema>.<table>;

Siehe Zugriff auf Databricks-Daten mit externen Systemen und attributbasierte Zugriffskontrolle im Unity Catalog.

Serverlose Computekosten

Das modulübergreifende ABAC verwendet serverlose Computeressourcen, um differenzierte Zugriffsrichtlinien serverseitig zu erzwingen. Kunden werden diesen Ressourcen in Rechnung gestellt. Preisinformationen finden Sie unter Cross-engine ABAC-Preisgestaltung.

Benutzer mit Zugriff auf die Tabelle des Abrechnungssystems können system.billing.usage abfragen, um zu sehen, wie viel ihnen berechnet wurde. Zum Beispiel zeigt die folgende Abfrage die Aufschlüsselung der Compute-Kosten nach Benutzer.

SELECT usage_date,
sku_name,
 identity_metadata.run_as,
SUM(usage_quantity) AS `DBUs consumed by cross-engine ABAC`
FROM system.billing.usage
WHERE usage_date BETWEEN '2026-06-01' AND '2026-07-01'
 AND billing_origin_product = 'EXTERNAL_COMPATIBILITY'
GROUP BY 1, 2, 3 ORDER BY 1;

Einschränkungen

  • Dynamische Ansichten werden nicht unterstützt.
  • Projizieren von VARIANT Spalten wird nicht unterstützt.
  • Das Filtern nach BINARY Spalten wird nicht unterstützt.
  • Spaltenmaskierungsfunktionen, deren Rückgabetyp sich vom ursprünglichen Typ der Spalte unterscheidet, werden nicht unterstützt.
  • Bei großen Aggregationen kann es zu Leistungsbeeinträchtigungen kommen.