Salas limpias confidenciales de Azure

Azure Confidential Clean Rooms ofrece un entorno protegido, denominado clean room, que ayuda a las organizaciones a superar los desafíos de seguridad y privacidad del uso de datos confidenciales. Las organizaciones pueden colaborar y analizar datos en la sala limpia mediante características avanzadas de mejora de la privacidad, como la gobernanza protegida y la auditoría, la confianza verificable y el acceso controlado habilitado por la computación confidencial.

Entre los escenarios típicos se incluyen el análisis de macrodatos de varias partes en conjuntos de datos combinados, el entrenamiento de aprendizaje automático (ML) y el ajuste preciso en los que los datos de entrenamiento y el modelo proceden de diferentes partes y la inferencia de ML de varias partes en entradas confidenciales.

Análisis multipartito con Azure Confidential Clean Rooms (versión preliminar)

El análisis multipartito con Azure Confidential Clean Rooms es un servicio totalmente administrado que permite a los clientes y a sus socios analizar de forma segura conjuntos de datos sensibles para la privacidad. Usa análisis de macrodatos basado en Apache Spark (Spark SQL) con informática confidencial habilitada, lo que ayuda a proteger sus datos sin procesar de otros colaboradores y del operador de Azure al realizar los cálculos en un entorno de ejecución de confianza (TEE).

En el siguiente diagrama se muestra cómo las organizaciones colaboran mediante el análisis multipartito con Azure Confidential Clean Rooms.

Características clave

• Totalmente administrado: Azure se encarga del aprovisionamiento y el escalado de la infraestructura sin intervención del usuario, lo que permite a los clientes centrarse en las consultas y las conclusiones en lugar de en la gestión de la infraestructura.
• Spark SQL confidencial: Spark SQL permite consultar grandes conjuntos de datos y ejecutar consultas complejas en un entorno de computación distribuida. En la versión con computación confidencial habilitada, el controlador y los ejecutores de Spark son enclaves totalmente atestados y gobernados por directivas que se ejecutan como nodos virtuales en Confidential Azure Container Instances (C-ACI) dentro de un clúster de Azure Kubernetes Service (AKS), lo que ayuda a evitar la exfiltración de los datos de los colaboradores durante la ejecución de consultas.
• Gobernanza: Ayuda a administrar la pertenencia a salas limpias, permite y comprueba la aprobación de consultas de colaboradores pertinentes antes de ejecutarlas y comprueba el consentimiento para acceder a los datos confidenciales del colaborador. También ayuda a generar registros de auditoría resistentes a manipulaciones que contienen eventos relevantes del entorno clean room. Esta gobernanza es posible con la ayuda de una implementación del Marco de consorcio confidencial (CCF).
• Controles de privacidad: Cada conjunto de datos contribuido declara una allowedFields lista para que solo esas columnas se expongan a las consultas. Además, cada consulta publicada puede declarar un recuento mínimo de filas por vista de entrada, en el que se rechaza la consulta (condiciones previas) y un recuento mínimo en el que se quitan los grupos agregados de la salida (filtros posteriores). Estas medidas de protección ayudan a evitar la reidentificación de personas a través de los resultados.
• Confianza verificable: La atestación remota criptográfica en cada paso forma la piedra angular del servicio, lo que permite a cada participante comprobar de forma independiente que la sala limpia se está ejecutando código conocido y atestiguado en hardware confidencial genuino.
• Contenedores de código abierto: todas las imágenes de contenedor y sidecar de sala limpia proporcionadas Microsoft se publican en mcr.microsoft.com/cleanroom y su código fuente está disponible en el repositorio Azure/azure-cleanroom. Su procedencia e integridad se pueden verificar mediante la atestación de artefactos de GitHub.

Casos de uso

El análisis de macrodatos confidencial de varias partes desbloquea el valor en escenarios en los que la confidencialidad de los datos, la presión normativa o las preocupaciones competitivas anteriormente bloquean la colaboración. Los escenarios siguientes son ejemplos de dónde el análisis confidencial puede proporcionar valor. Tenga en cuenta que la versión preliminar no debe usarse para procesar datos personales u otros datos que estén sujetos a requisitos legales o normativos de cumplimiento.

Medios y publicidad

• Colaboración de datos crm de anunciantes con datos del publicador para la segmentación de audiencias y la activación de segmentos.
• Colaboración de datos de audiencia con asociados de medición para la medición y atribución.

Banca y finanzas

• Colaboración entre bancos y compañías de seguros para ofrecer productos complementarios a los clientes actuales sin compartir datos sin procesar de ninguna de las partes.
• Colaboración con los minoristas para generar ofertas personalizadas para los clientes bancarios, sin exponer los datos subyacentes de ninguna de las partes.

Gobierno y sector público

• Colaboración segura entre departamentos gubernamentales para ofrecer mejores resultados de bienestar ciudadano.
• Colaboración segura entre empresas gubernamentales y privadas en cargas de trabajo de interés compartido, como la supervisión del tráfico y los sistemas meteorológicos.

Atención sanitaria

• Permitir que las empresas sanitarias combinen sus datos con instituciones de terceros para acelerar el desarrollo clínico sin exponer los datos de pacientes subyacentes. Un ejemplo puede identificar a los participantes elegibles para un ensayo clínico.
• Combine conjuntos de datos de pacientes entre hospitales para estudiar patrones o resultados de enfermedades sin exponer información confidencial de los pacientes de cualquier lado.

Retail

• Analice el comportamiento de los clientes en los minoristas y asociados para permitir una personalización y planificación de inventario más completa, sin exponer los datos subyacentes de los clientes de cada minorista.

Preguntas más frecuentes

• ¿Hay un ejemplo para probarlo?

  Sí. Una vez aceptada la solicitud para unirse a la versión preliminar, use uno de los ejemplos publicados:

  • ejemplo basado en CLI de Azure:analytics-using-managedcleanroom: README-CLI
  • Ejemplo basado en la API de REST:analytics-using-managedcleanroom — README-API

• ¿Pueden participar más de dos organizaciones en una colaboración?

  Sí. Azure Confidential Clean Rooms permite que varios proveedores de datos compartan datos en una única sala limpia.

• ¿Qué formatos de datos se admiten como entrada y salida?

  CSV, Parquet y JSON.

• ¿Cómo limita el servicio qué columnas se exponen a las consultas?

  Cada conjunto de datos contribuido declara una allowedFields lista, por lo que solo esas columnas se exponen a las consultas que se ejecutan en la sala limpia. Todas las demás columnas del almacenamiento de origen se excluyen del acceso.

• ¿Cómo evita el servicio la reidentificación a nivel individual en la salida?

  Cada consulta publicada puede declarar un recuento mínimo de filas por vista de entrada, en el que se rechaza la consulta (condiciones previas) y un recuento mínimo en el que se quitan los grupos agregados de la salida (filtros posteriores). El compositor de consultas puede configurarlos, y otros colaboradores pueden revisarlos y aprobarlos.

• ¿Quién tiene que aprobar una consulta?

  Todos los colaboradores cuyos conjuntos de datos estén referenciados por una consulta deben aprobarla.

Unirse a la versión preliminar

El análisis de varias partes con Azure Confidential Clean Rooms está actualmente en versión preliminar limitada. Si está interesado en unirse a la versión preliminar, rellene y envíe este formulario.

Después de enviar el formulario, revisaremos su solicitud. Si aceptamos su solicitud, nos pondremos en contacto con usted con los pasos detallados para unirse. Tenga en cuenta que, dado que la versión preliminar está limitada, es posible que no podamos aceptar todas las solicitudes.

Si tiene requisitos de carga de trabajo fuera de la analítica con Spark SQL —como canalizaciones de analítica personalizadas, entrenamiento y ajuste fino de modelos de aprendizaje automático, o inferencia—, rellene y envíe el mismo formulario, y nos pondremos en contacto con usted.

Contenido relacionado

• Tutorial: Preparación de una implementación para un contenedor confidencial en Azure Container Instances
• Información general sobre Microsoft Azure Attestation