Hvordan virker det?

Import Database Model

 
 

g9 Anonymizer: Endrer data ved hjelp av maskering og anonymisering

  • Gjør data ugjenkjennelig: du kan maskere, permutere og randomisere data med input fra mange kilder
  • Gjør det mulig å anonymisere personidentifiserbare data som navn og fødselsnummer
  • Definer maskerings- og anonymiseringsregler med sekvens, tilfeldig valg, data fra filer eller databasekolonner
  • Bestem hvilke data som skal maskeres ved hjelp av logiske uttrykk og parametre
  • Masker data for utviklere i test/utvikling uten at de kan identifisere sensitiv informasjon
  • Utvid med algoritmer for typekonvertering og verditransformasjon, som sikrer riktig verdi og syntaks
  • Definer dine egne regler i jobber, som kjøres separat eller samlet

Import Database Model

 
 

g9 Anonymizer: Lager et “subset” av databasen for test og utvikling

  • Reduser databasestørrelsen for testformål. En produksjonsdatabase er ofte stor, og det tar tid å kopiere. En database med redusert størrelse gjør hverdagen enklere for utviklere
  • Fjerning av dataforekomster bruker referanseintegritet i full dybde. En liten regel kan fjerne data fra mange tabeller som avhenger av hverandre
  • Du kan legge til avhengigheter hvis fremmednøkler mangler
  • Skaler ned, men behold representative data for test

Sample subsetting rules

 
 

g9 Anonymizer: Oppretter syntetiske data for å håndtere testene dine

  • Kom fort i gang fra en tom database ved å legge til innhold definert av regler
  • Lag data som støtter dine definerte tester
  • Innlegging av nye data støtter referanseintegritet i full dybde
  • Legg til data i medlemstabeller med fleksibel distribusjon av fremmednøkler på tvers av alle tabeller
  • Utvid med egendefinerte algoritmer for distribusjon av medlemsdata og fremmednøkler

Sample create rules

 
 

g9 Anonymizer: Samme maskering på tvers av mange tabeller og databaser sikrer konsistens

  • Støtter referanseintegritet over mange tabeller i full dybde
  • Manuelt definerte avhengigheter vil oppføre seg på samme måte som fremmednøkler
  • Legg til integritet for logiske pekere mellom databaser ved bruk av mapping og kryptering
  • Det genererte programmet kan kjøres mot ulike RDBMSer

Sample value mapping

 
 

g9 Anonymizer: Beskytter utviklere mot personidentifiserbare data

  • Utviklere/testere blir ofte eksponert for data de ikke skulle se
  • Bruk g9 Anonymizer for å anonymisere, maskere, subsette og lage data for test- og utviklingsdatabaser
  • g9 Anonymizer forbedrer og akselererer utvikling av maskerte og anonymiserte data
  • GDPR endrer utviklingsprosessene

Protect developers

 
 

g9 Anonymizer: Importerer “schema” rett fra din database

  • En wizard guider deg gjennom oppsettet av et g9 Anonymizer prosjekt
  • Legg til en databasedriver og definer parametre for databasekobling
  • Importer databaseschema og du kan sette i gang med å definere regler

Sample program code generation

 
 

g9 Anonymizer: Definerer regler på en intuitiv og brukervennlig måte i en editor

  • “Database pane” viser nødvendig schema informasjon
  • “Task pane” for definisjon av maskerings- og anonymiseringsregler
  • “Property View” for å definere og se alle regeldetaljer
  • “Problems View” som viser feil og advarsler for definerte regler
  • “Project Explorer” som viser generert javakode

Sample program code generation

 
 

g9 Anonymizer: Genererer programmet som maskerer og anonymiserer data

  • Genererer et program fra dine definerte maskering- og anonymiseringsregler
  • Programet gjør alt, du må bare kjøre det
  • Ingen “lock-in”, du kan vedlikeholde den genererte koden uavhengig av verktøyet
  • Supporterer JDBC baserte RDBMS some Oracle, SQL Server, Sybase, MySQL, PostgreSQL
  • Kan kjøres som CLI program eller bakes inn i en applikasjon
  • Enkelt, repeterbart, og lett å bruke. Du kan kjøre det generererte programmet mange ganger

Sample program code generation