Azure Confidential Clean Rooms

Azure Confidential Clean Rooms bietet eine geschützte Umgebung, einen sogenannten Reinraum, die Organisationen dabei hilft, die Sicherheits- und Datenschutzherausforderungen bei der Verwendung sensibler Daten zu bewältigen. Organisationen können in einem Clean Room zusammenarbeiten und Daten analysieren – mithilfe erweiterter Datenschutzfunktionen wie geschützter Governance und Auditierung, verifizierbarer Vertrauenswürdigkeit sowie kontrolliertem Zugriff durch Confidential Computing.

Typische Szenarien umfassen Big-Data-Analysen mit mehreren Beteiligten auf kombinierten Datensätzen, das Training und Fine-Tuning von Modellen des maschinellen Lernens (ML), bei denen die Trainingsdaten und das Modell von verschiedenen Beteiligten stammen, sowie Multi-Party-ML-Inferenz auf sensiblen Eingabedaten.

Mehrparteienanalysen mit Azure Confidential Clean Rooms (Vorschau)

Mehrparteienanalysen mit Azure Confidential Clean Rooms sind ein vollständig verwalteter Dienst, der es Kunden und ihren Partnern ermöglicht, datenschutzsensible Datensätze sicher zu analysieren. Es verwendet Apache Spark-basierte Big-Data-Analysen (Spark SQL) mit aktivierter Confidential-Computing-Unterstützung, was dazu beiträgt, ihre Rohdaten vor anderen Beteiligten und vor dem Azure-Betreiber zu schützen, indem Berechnungen in einer Trusted Execution Environment (TEE) ausgeführt werden.

Das folgende Diagramm zeigt, wie Organisationen durch die Verwendung von Mehrparteienanalysen mit Azure Confidential Clean Rooms zusammenarbeiten.

Wichtigste Funktionen

• Vollständig verwaltet: Azure übernimmt die Bereitstellung und Skalierung der Infrastruktur ohne Eingreifen der Benutzer, sodass sich Kunden auf die Abfragen und Erkenntnisse statt auf die Infrastrukturverwaltung konzentrieren können.
• Vertraulicher Spark SQL: Spark SQL ermöglicht es Ihnen, große Datasets abzufragen und komplexe Abfragen in einer verteilten Computerumgebung auszuführen. In der Version mit Confidential Computing werden der Spark-Treiber und die Executors als vollständig attestierte, richtliniengesteuerte Enklaven auf virtuellen Knoten auf Confidential Azure Container Instances (C-ACI) in einem Azure Kubernetes Service (AKS)-Cluster ausgeführt, was dazu beiträgt, die Exfiltration der Daten der Projektbeteiligten während der Abfrageausführung zu verhindern.
• Governance: Unterstützt die Verwaltung von Mitgliedschaften zum Bereinigen von Räumen, ermöglicht und überprüft die Genehmigung für Abfragen relevanter Mitarbeiter, bevor sie ausgeführt werden, und überprüft die Zustimmung für den Zugriff auf vertrauliche Mitarbeiterdaten. Es hilft auch dabei, manipulationssichere Audit-Trails zu erzeugen, die wesentliche Clean-Room-Ereignisse enthalten. Diese Governance wird mit Hilfe einer Implementierung des Confidential Consortium Framework (CCF) ermöglicht.
• Datenschutzkontrollen: Jedes beigetragene Dataset deklariert eine allowedFields Liste, sodass nur diese Spalten für Abfragen verfügbar gemacht werden. Darüber hinaus kann jede veröffentlichte Abfrage eine minimale Zeilenanzahl pro Eingabeansicht deklarieren, unter der die Abfrage abgelehnt wird (Vorbedingungen) und eine Mindestanzahl, unter der aggregierte Gruppen in der Ausgabe verworfen werden (Postfilter). Solche Schutzmaßnahmen tragen dazu bei, die Identifizierung von Personen anhand der Ausgabe zu verhindern.
• Nachprüfbares Vertrauen: Die kryptografische Remote Attestation bei jedem Schritt bildet den Eckpfeiler des Dienstes und ermöglicht es jedem Teilnehmer, unabhängig zu überprüfen, dass der Clean Room bekannten und attestierten Code auf authentischer vertraulicher Hardware ausführt.
• Open-Source-Container: Alle von Microsoft bereitgestellten Clean-Room-Containerimages und Sidecars werden unter mcr.microsoft.com/cleanroom veröffentlicht, und ihr Quellcode ist im Repository Azure/azure-cleanroom verfügbar. Ihre Provenienz und Integrität können mit GitHub Artefaktnachweis überprüft werden.

Anwendungsfälle

Vertrauliche Big-Data-Analysen zwischen mehreren Parteien erschließen Mehrwert in Szenarien, in denen die Sensibilität der Daten, regulatorischer Druck oder Wettbewerbsbedenken eine Zusammenarbeit bislang verhindert haben. Die folgenden Szenarien sind Beispiele dafür, wo vertrauliche Analysen Wert liefern können. Beachten Sie, dass die Vorschau nicht verwendet werden sollte, um personenbezogene Daten oder andere Daten zu verarbeiten, die gesetzlichen oder gesetzlichen Compliance-Anforderungen unterliegen.

Medien und Werbung

• Zusammenarbeit von Werbekunden-CRM-Daten mit Herausgeberdaten für Zielgruppenadressierung und Segmentaktivierung.
• Zusammenarbeit von Zielgruppendaten mit Messpartnern für Messung und Attribution.

Banken und Finanzen

• Zusammenarbeit zwischen Banken und Versicherungsunternehmen, um relevante Produkte an bestehende Kunden weiterzuverkaufen, ohne Rohdaten von beiden Seiten zu teilen.
• Zusammenarbeit mit Einzelhändlern, um angepasste Angebote für Bankkunden zu generieren, ohne die zugrunde liegenden Daten einer Partei offen zu stellen.

Regierung und öffentlicher Sektor

• Sichere Zusammenarbeit in behördenübergreifenden Abteilungen, um bessere Ergebnisse der Bürgerfürsorge zu erzielen.
• Sichere Zusammenarbeit zwischen Behörden und privaten Unternehmen bei gemeinsam genutzten Arbeitslasten wie Verkehrsüberwachung und Wettersystemen.

Gesundheitswesen

• Ermöglichen Sie es Unternehmen im Gesundheitswesen, ihre Daten mit Drittanbietereinrichtungen zu kombinieren, um die klinische Entwicklung zu beschleunigen, ohne zugrunde liegende Patientendaten offen zu legen. Ein Beispiel kann die Identifizierung berechtigter Teilnehmer für eine klinische Studie sein.
• Kombinieren Sie Patientendatensätze in Krankenhäusern, um Krankheitsmuster oder Ergebnisse zu untersuchen, ohne vertrauliche Patienteninformationen von beiden Seiten offen zu setzen.

Retail

• Analysieren Sie das Kundenverhalten zwischen Einzelhändlern und Partnern, um eine umfassendere Personalisierung und Bestandsplanung zu ermöglichen, ohne die zugrunde liegenden Kundendaten jedes Einzelhändlers verfügbar zu machen.

Häufig gestellte Fragen

• Gibt es ein Beispiel, das Sie ausprobieren können?

  Ja. Nachdem Ihre Anforderung zur Teilnahme an der Vorschau angenommen wurde, verwenden Sie eines der veröffentlichten Beispiele:

  • Azure CLI-basiertes Beispiel:analytics-using-managedcleanroom — README-CLI
  • REST API-basiertes Beispiel:analytics-using-managedcleanroom — README-API

• Können mehr als zwei Organisationen an einer Zusammenarbeit teilnehmen?

  Ja. Azure Confidential Clean Rooms ermöglicht es mehreren Datenanbietern, Daten in einem einzigen Clean Room gemeinsam zu teilen.

• Welche Datenformate werden als Eingabe und Ausgabe unterstützt?

  CSV, Parquet und JSON.

• Wie beschränkt der Dienst, welche Spalten für Abfragen verfügbar gemacht werden?

  Jedes eingebrachte Dataset definiert eine allowedFields-Liste, sodass nur diese Spalten für Abfragen verfügbar sind, die im Clean Room ausgeführt werden. Jede andere Spalte im Quellspeicher wird vom Zugriff ausgeschlossen.

• Wie verhindert der Dienst die Re-Identifizierung einzelner Personen anhand der Ausgabe?

  Jede veröffentlichte Abfrage kann eine minimale Zeilenanzahl pro Eingabeansicht deklarieren, unter der die Abfrage abgelehnt wird (Vorbedingungen) und eine Mindestanzahl, unter der aggregierte Gruppen in der Ausgabe verworfen werden (Postfilter). Der Abfragekomponist kann diese festlegen, und andere Mitarbeiter können sie überprüfen und genehmigen.

• Wer muss eine Abfrage genehmigen?

  Alle Mitarbeiter, deren Datasets von einer Abfrage referenziert werden, müssen sie genehmigen.

Beitreten zur Vorschau

Mehrparteienanalysen mit Azure Confidential Clean Rooms sind derzeit nur als eingeschränkte Vorschau verfügbar. Wenn Sie an der Vorschau interessiert sind, füllen Sie dieses Formular aus und schicken Sie es ab.

Nachdem Sie das Formular abgeschickt haben, werden wir Ihre Anfrage prüfen. Wenn wir Ihre Anfrage akzeptieren, werden wir uns mit Ihnen in Verbindung setzen und Ihnen die genauen Schritte für den Beitritt mitteilen. Bitte beachten Sie, dass wir aufgrund der eingeschränkten Vorschau möglicherweise nicht alle Anfragen annehmen können.

Wenn Sie Arbeitsauslastungsanforderungen außerhalb der Spark SQL-Analyse haben – z. B. benutzerdefinierte Analysepipelinen, Schulung zum maschinellen Lernen und Optimieren oder Ableiten – füllen Sie dasselbe Formular aus, und wir kehren zu Ihnen zurück.

Zugehöriger Inhalt

• Tutorial: Eine Bereitstellung für einen vertraulichen Container in Azure Container Instances vorbereiten
• Übersicht über Microsoft Azure Attestation