Les entités prédéfinies sont des entités gérées par Netskope qui couvrent les types de données réglementaires et sensibles courants, tels que les numéros de carte de paiement, les numéros d'identification nationaux et les formats de compte financier. Netskope propose désormais Predefined AI Entities, qui utilisent la reconnaissance d'entités nommées (NER) pour détecter les données contextuelles non structurées que la correspondance de motifs seule ne peut pas détecter de manière fiable.
Predefined Entities
Les entités prédéfinies sont organisées en catégories avec des noms descriptifs et des balises pour faciliter la recherche. Par exemple, l'identifiant interne address-us est affiché sous la forme Postal Addresses (US) et regroupé sous Postal Addresses.
Caractéristiques clés :
- Plusieurs identificateurs peuvent être combinés en utilisant les opérateurs AND et OR dans une seule règle.
- Vous ne pouvez pas modifier directement un identifiant de données prédéfini, mais vous pouvez y faire référence dans un identifiant de données personnalisé en utilisant la syntaxe {{predefined_data_identifier}}. Pour plus d'informations, voir Select Custom Entities.
- Une liste complète et à jour des noms, catégories et définitions est disponible sur le site d’assistance réservé aux clients, Identifiants prédéfinis DLP (Prévention des pertes de données).
Pour sélectionner des entités prédéfinies dans une règle :
- Dans la page Entities du workflow New règle DLP (Prévention des pertes de données), développez une catégorie pour afficher ses identifiants. Par exemple, la catégorie Financial Data répertorie les règles pour les cartes de paiement, notamment les numéros de carte bancaire de 12 à 19 chiffres avec différents types de délimiteurs.
- Cliquer sur un identifiant pour afficher ses détails de détection.
- Select les identifiants dont vous avez besoin, puis cliquez sur Next.
Predefined AI Entities (Named Entity Recognition)
La recherche de motifs fonctionne bien pour les données structurées ayant une forme fixe, comme un numéro de carte à 16 chiffres. Elle ne fonctionne pas aussi bien avec des données contextuelles non structurées, comme le nom d'une personne dans un paragraphe ou un identifiant génomique dans un rapport de laboratoire. Les entités IA prédéfinies comblent cette lacune en utilisant la reconnaissance d'entités nommées (NER), un modèle de langage qui identifie les entités par le contexte plutôt que par un modèle fixe.
How NER-Based Entities Differ from Pattern-Based Entities
| Entités basées sur des motifs | Entités IA prédéfinies (NER) | |
|---|---|---|
| Detection method | Regex, dictionnaire de mots-clés, validateurs de sommes de contrôle | Classification par modèle linguistique contextuel |
| Best for | Données au format fixe, comme les numéros de carte d'identité ou de carte bancaire | Données textuelles et de format variable, telles que les noms et la terminologie clinique |
| Editable | Les entités personnalisées peuvent être modifiées ; les entités prédéfinies peuvent être référencées mais ne peuvent pas être modifiées | Non modifiable ; les entités IA prédéfinies sont utilisées telles quelles |
| Typical grouping | Catégorie, comme Données financières | Domaine, comme les informations personnellement identifiables ou les données génomiques |
Supported Domains
Les entités IA prédéfinies sont regroupées par domaine de détection plutôt que par format de données.
| domaine | Exemples de détection |
|---|---|
| PII | Noms de personnes, adresses physiques et autres identifiants personnels en texte libre |
| Genomic | Identifiants de séquences et de variantes génomiques et terminologie associée |
| Human-omic | Données omiques humaines plus larges, comme la terminologie protéomique dans les enregistrements non structurés |
Au sein de chaque domaine, les entités ont deux portées :
- Un-bundled entities couvrir une seule classe de termes ou une seule juridiction. Utilisez-les lorsqu’une règle nécessite un détecteur à périmètre restreint afin de limiter les faux positifs.
- Bundled entities couvrir chaque variante au sein d'un domaine, comme tous les identifiants génomiques. Utilisez-les comme filet de sécurité général dans une règle.
Using Predefined AI Entities in a Rule
- Dans la page Entities du workflow de règle New DLP (Prévention des pertes de données), localisez la catégorie AI Entities aux côtés des entités prédéfinies.
- Développez un domaine, comme PII ou Genomic, pour voir les entités disponibles.
- Select les entités qui correspondent à votre cas d'utilisation. Combinez une entité non groupée pour la précision ou une entité groupée pour une couverture étendue.
- Cliquez sur Next.
Vous pouvez combiner une entité AI prédéfinie avec une entité personnalisée basée sur des motifs dans la même règle pour augmenter la confiance avant qu'une règle ne déclenche une violation. Par exemple, associez une entité d'identifiant génomique à un dictionnaire personnalisé de noms de code de laboratoire à l'aide d'une condition NEAR.