Hantera personliga data i Azure Monitor-loggar

Azure Monitor-loggar är ett datalager där personuppgifter sannolikt kommer att hittas. Den här artikeln beskriver var Azure Monitor-loggar lagrar personliga data och hur du hanterar dessa data.

Kommentar

Information om hur du visar eller tar bort personliga data finns i Allmänna begäranden från datasubjekt för GDPR, Azure-datasubjektbegäranden för GDPR eller Begäranden från Windows-datasubjekt för GDPR, beroende på ditt specifika område och behov. Mer information om GDPR finns i avsnittet GDPR i Microsoft Trust Center och GDPR-avsnittet i Service Trust-portalen.

Strategi för hantering av personuppgifter

Det är upp till dig och ditt företag att definiera en strategi för hantering av personuppgifter, men här är några metoder som listas från de flesta till minst att föredra ur teknisk synvinkel:

  • Filtrera bort, dölja, anonymisera eller justera insamlade data så att de inte betraktas som "personliga" med hjälp av datainsamlingstransformeringar. Den här metoden är det överlägset bästa alternativet och sparar dig behovet av att skapa en kostsam och effektfull strategi för datahantering.
  • Normalisera data för att minska negativa effekter på dataplattformen och prestanda. I stället för att till exempel logga ett explicit användar-ID skapar du ett uppslag för att korrelera användarnamnet och deras information med ett internt ID som du kan logga någon annanstans. Om en användare ber dig att ta bort deras personliga information kan du bara ta bort raden i uppslagstabellen som motsvarar användaren.
  • Om du behöver samla in personuppgifter:

Var du kan söka efter personuppgifter i Azure Monitor-loggar

Azure Monitor-loggar föreskriver ett schema för dina data, men gör att du kan åsidosätta varje fält med anpassade värden. Du kan också mata in anpassade scheman. Därför är det omöjligt att säga exakt var personuppgifter finns på din specifika arbetsyta. Följande platser är dock bra utgångspunkter i ditt lager.

Kommentar

Några av frågorna i den här artikeln använder search * för att köra frågor mot alla tabeller på en arbetsyta. I allmänhet rekommenderar vi starkt att du undviker att använda search *, vilket skapar en mycket ineffektiv fråga när det är möjligt. Fråga i stället en specifik tabell.

  • IP-adresser: Log Analytics samlar in olika IP-information i flera tabeller. Följande fråga visar till exempel alla tabeller som har samlat in IPv4-adresser under de senaste 24 timmarna:

    search *
| where * matches regex @'\b((25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)(\.|$)){4}\b' // Match IPv4 addresses
| summarize count() by $table

  • Användar-ID: Du hittar användarnamn och användar-ID:t i olika lösningar och tabeller. Leta efter ett visst användarnamn eller användar-ID i hela datamängden med hjälp av sökkommandot:

    search "<username or user ID>"

    Kom ihåg att leta inte bara efter användarnamn som kan läsas av människor utan även för GUID:er som kan spåras tillbaka till en viss användare.

  • Enhets-ID:n: Precis som användar-ID:n betraktas enhets-ID:n ibland som personliga data. Använd den metod som beskrivs för användar-ID för att identifiera tabeller som innehåller personliga data.

  • Anpassade data: Med Azure Monitor-loggar kan du samla in anpassade data via anpassade loggar, anpassade fält, API för logginmatning och som en del av systemhändelseloggarna. Kontrollera alla anpassade data för personuppgifter.

  • Lösningssamlade data: Eftersom lösningsmekanismen är öppen rekommenderar vi att du granskar alla tabeller som genereras av lösningar för att säkerställa efterlevnad.

Exportera, ta bort eller rensa personliga data

Innan du samlar in personuppgifter läser du avsnittet Strategi för hantering av personuppgifter . Att filtrera bort, dölja eller anonymisera data med hjälp av datainsamlingstransformeringar är den bästa metoden och undviker de kostnader som beskrivs här. När du hanterar personuppgifter medför du kostnader för att definiera och automatisera en strategi, skapa ett gränssnitt genom vilket dina kunder interagerar med sina data och kontinuerligt underhåll. Det är också beräkningsmässigt kostsamt för Log Analytics och Application Insights, och en stor mängd samtidiga anrop av fråge-, borttagnings- eller rensnings-API:et kan påverka alla andra interaktioner med Log Analytics-funktioner negativt. Men om du måste samla in personuppgifter följer du riktlinjerna i det här avsnittet.

Kommentar

Att ta bort eller rensa data påverkar inte faktureringen. Om du vill kontrollera kostnaderna för datakvarhållning konfigurerar du inställningar för datakvarhållning.

Visa och exportera personliga data

Använd Log Analytics fråge-API:et för att skicka visnings- och exportbegäranden. LOG ANALYTICS-fråge-API:et stöder inte tabeller som har tabellplaner för Basic och Auxiliary. För dessa tabeller använder du sök-API :et i stället.

Du måste implementera logiken för att konvertera data till ett lämpligt format för leverans till dina användare. Azure Functions är ett bra ställe att hantera sådan logik på.

Ta bort personlig information

Med Api:et Ta bort data i Azure Monitor-loggar kan du göra asynkrona begäranden om att ta bort data för en specifik tabell på Log Analytics-arbetsytan. Använd åtgärden Ta bort data sparsamt för att undvika potentiella risker, prestandapåverkan och möjligheten att förvränga aggregeringar, mätningar och andra aspekter av dina Log Analytics-data. Se avsnittet Strategi för hantering av personuppgifter för alternativa metoder för hantering av personuppgifter.

Om du behöver uppfylla gdpr-kraven (General Data Protection Regulation) använder du rensnings-API:et, som är mindre högpresterande och endast stöder åtgärder som krävs för GDPR-efterlevnad.

Varning

Borttagnings- och rensningsåtgärder är destruktiva och inte reversibla! Använd extrem försiktighet vid deras genomförande.

Rensa personliga data

Med Azure Monitors rensnings-API kan du rensa personliga data enligt GDPR. Rensnings-API:et är mindre högpresterande än API:et Ta bort data. Azure Monitor rekommenderar att du använder API:et Ta bort data och endast auktoriserar rensningsbegäranden som krävs för GDPR-efterlevnad.

För att hantera systemresurser begränsar tjänsten rensningsbegäranden till 50 begäranden i timmen. Utför rensningsförfrågningar i batch genom att skicka ett enda kommando vars villkor inkluderar alla användaridentiteter som kräver rensning. Använd in-operatorn för att ange flera identiteter. Kör frågan innan du kör rensningsbegäran för att verifiera förväntade resultat.

Viktigt!

De flesta rensningsåtgärder slutförs mycket snabbare, men det formella serviceavtalet för slutförande av rensningsåtgärder anges till 30 dagar på grund av deras stora inverkan på dataplattformen. Det här serviceavtalet uppfyller GDPR-kraven. Det är en automatiserad process, så det finns inget sätt att påskynda åtgärden.

Behörigheter som krävs

Åtgärd Behörigheter som krävs
Rensa data från en Log Analytics-arbetsyta Microsoft.OperationalInsights/workspaces/purge/actionbehörigheter till Log Analytics-arbetsytan, enligt de inbyggda rollerna Log Analytics-deltagare och Data Rensare

Rensa loggdata

  • POST-API:et för rensning av arbetsyta accepterar ett tabellnamn och filter som identifierar de data som ska rensas. Det returnerar ett 202 Accepted svar. Svarshuvudet x-ms-status-location innehåller URL:en för att kontrollera åtgärdsstatusen.
  • Skicka en GET begäran till URL:en i x-ms-status-location rubriken. API:et Hämta rensningsstatus returnerar status för rensningsåtgärden.

Kommentar

Du kan inte rensa data från tabeller som har tabellplanerna Basic och Auxiliary. När du ansluter en arbetsyta till Microsoft Sentinel-datasjön, rensas inte den data som speglas i datasjön när du rensar data från en Analytics-tabell. Mer information finns i Konfigurera anslutningar för Microsoft Sentinel Data Lake.

Nästa steg

  • Last updated on