查看原文
其他

Flink SQL 的数据脱敏解决方案

HamaWhiteGG Apache Flink 2023-06-03
Flink SQL 的数据脱敏解决方案,支持面向用户级别的数据脱敏访问控制,即特定用户只能访问到脱敏后的数据。此方案是实时领域Flink的解决思路,类似于离线数仓 Hive 中 Ranger Column Masking 方案。

01

基础知识


1.1 数据脱敏


数据脱敏(Data Masking)是一种数据安全技术,用于保护敏感数据,以防止未经授权的访问。该技术通过将敏感数据替换为虚假数据或不可识别的数据来实现。例如可以使用数据脱敏技术将信用卡号码、社会安全号码等敏感信息替换为随机生成的数字或字母,以保护这些信息的隐私和安全。

1.2 业务流程


下面用订单表 orders 的两行数据来举例,示例数据如下:

■ 1.2.1 设置脱敏策略


管理员配置用户、表、字段、脱敏条件,例如下面的配置。

■ 1.2.2 用户访问数据


当用户在Flink上查询 orders 表的数据时,会在底层结合该用户的脱敏条件重新生成 SQL,即让数据脱敏生效。当用户 A 和用户 B 在执行下面相同的 SQL 时,会看到不同的结果数据。

SELECT * FROM orders

用户 A 查看到的结果数据如下,customer_name 字段的数据被全部掩盖掉。

用户 B 查看到的结果数据如下,customer_name 字段的数据只会显示前 4 位,剩下的用 x 代替。

02

Hive 数据脱敏解决方案


在离线数仓工具 Hive 领域,由于发展多年已有 Ranger 来支持字段数据的脱敏控制,详见参考文献 [1]。下图是在 Ranger 里配置 Hive 表数据脱敏条件的页面,供参考。

但由于 Flink 实时数仓领域发展相对较短,Ranger 还不支持 Flink SQL,以及依赖 Ranger 的话会导致系统部署和运维过重,因此开始自研实时数仓的数据脱敏解决工具。当然本文中的核心思想也适用于 Ranger 中,可以基于此较快开发出 ranger-flink 插件。

03

Flink SQL 数据脱敏解决方案


3.1 解决方案


■ 3.1.1 Flink SQL 执行流程


可以参考作者文章 Flink SQL 字段血缘解决方案及源码 [2] ,本文根据 Flink 1.16 修正和简化后的执行流程如下图所示。

在 CalciteParser.parse() 处理后会得到一个 SqlNode 类型的抽象语法树,本文会针对此抽象语法树来组装脱敏条件后来生成新的 AST,以实现数据脱敏控制。

■ 3.1.2 Calcite 对象继承关系


下面章节要用到 Calcite 中的 SqlNode、SqlCall、SqlIdentifier、SqlJoin、SqlBasicCall 和 SqlSelect 等类,此处进行简单介绍以及展示它们间继承关系,以便读者阅读本文源码。

序号介绍
1SqlNodeA SqlNode is a SQL parse tree.
2SqlCallA SqlCall is a call to an SqlOperator operator.
3SqlIdentifierA SqlIdentifier is an identifier, possibly compound.
4SqlJoinParse tree node representing a JOIN clause.
5SqlBasicCallImplementation of SqlCall that keeps its operands in an array.
6SqlSelectA SqlSelect is a node of a parse tree which represents a select statement, the parent class is SqlCall

■ 3.1.3 解决思路


针对输入的 Flink SQL,在 CalciteParser.parse() 进行语法解析后生成抽象语法树(Abstract Syntax Tree,简称 AST)后,采用自定义 Calcite SqlBasicVisitor 的方法遍历 AST 中的所有 SqlSelect,获取到里面的每个输入表。如果输入表中字段有配置脱敏条件,则针对输入表生成子查询语句,并把脱敏字段改写成 CAST(脱敏函数(字段名) AS 字段类型) AS 字段名,再通过 CalciteParser.parseExpression() 把子查询转换成 SqlSelect,并用此 SqlSelect 替换原 AST 中的输入表来生成新的 AST,最后得到新的 SQL 来继续执行。

3.2 详细方案


■ 3.2.1 解析输入表


通过对 Flink SQL 语法的分析和研究,最终出现输入表的只包含以下两种情况:

1. SELECT 语句的 FROM 子句,如果是子查询,则递归继续遍历。

2. SELECT ... JOIN 语句的 Left 和 Right 子句,如果是多表 JOIN,则递归查询遍历。


因此,下面的主要步骤会根据 FROM 子句的类型来寻找输入表。

■ 3.2.2 主要步骤


主要通过 Calcite 提供的访问者模式自定义 DataMaskVisitor 来实现,遍历 AST 中所有的 SqlSelect 对象用子查询替换里面的输入表。

下面详细描述替换输入表的步骤,整体流程如下图所示。

1. 遍历 AST 中 SELECT 语句。
2. 判断是否自定义的 SELECT 语句(由下面步骤 10 生成),是则跳转到步骤 11,否则继续步骤 3。
3. 判断 SELECT 语句中的 FROM 类型,按照不同类型对应执行下面的步骤 4、5、6 和 11。
4. 如果 FROM 是 SqlJoin 类型,则分别遍历其左 Left 和 Right 右节点,即执行当前步骤 4 和步骤 7。由于可能是三张表及以上的 Join,因此进行递归处理,即针对其左 Left 节点跳回到步骤 3。
5. 如果 FROM 是 SqlIdentifier 类型,则表示是表。但是输入 SQL 中没有定义表的别名,则用表名作为别名。跳转到步骤 8。
6. 如果 FROM 是 SqlBasicCall 类型,则表示带别名。但需要判断是否来自子查询,是则跳转到步骤 11 继续遍历AST,后续步骤 1 会对子查询中的 SELECT 语句进行处理。否则跳转到步骤 8。
7. 递归处理 Join 的右节点,即跳回到步骤3。
8. 遍历表中的每个字段,如果某个字段有定义脱敏条件,则把改字段改写成格式 CAST(脱敏函数(字段名) AS 字段类型) AS 字段名,否则用原字段名。
9. 针对步骤 8 处理后的字段,构建子查询语句,形如 (SELECT 字段名1, 字段名2, CAST(脱敏函数(字段名3) AS 字段类型) AS 字段名3、字段名4 FROM 表名) AS 表别名。
10. 对步骤 9 的子查询调用 CalciteParser.parseExpression()进行解析,生成自定义 SELECT 语句,并替换掉原 FROM。
11. 继续遍历 AST,找到里面的 SELECT 语句进行处理,跳回到步骤 1。

■ 3.2.3 Hive 及 Ranger 兼容性


在 Ranger 中,默认的脱敏策略的如下所示。通过调研发现 Ranger 的大部分脱敏策略是通过调用 Hive 自带或自定义的系统函数实现的。

序号策略名策略说明Hive系统函数
1Redact用x屏蔽字母字符,用n屏蔽数字字符mask
2Partial mask: show last 4仅显示最后四个字符,其他用x代替mask_show_last_n
3Partial mask: show first 4仅显示前四个字符,其他用x代替mask_show_first_n
4Hash用值的哈希值替换原值mask_hash
5Nullify用NULL值替换原值Ranger自身实现
6Unmasked原样显示Ranger自身实现
7Date: show only year仅显示日期字符串的年份mask
8CustomHive UDF来自定义策略


由于 Flink 支持 Hive Catalog,在 Flink 能调用 Hive 系统函数。因此,本方案也支持在 Flink SQL 配置 Ranger 的脱敏策略。

04

用例测试


用例测试数据来自于 CDC Connectors for Apache Flink [4] 官网,本文给 orders 表增加一个 region 字段,同时增加'connector'='print'类型的 print_sink 表,其字段和 orders 表的相同。

可通过 Maven 运行单元测试。

$ cd flink-sql-security$ mvn test

详细测试用例可查看源码中的单测 RewriteDataMaskTest 和 ExecuteDataMaskTest,下面只描述两个案例。

4.1 测试 SELECT


■ 4.1.1 输入 SQL


用户 A 执行下述 SQL:

SELECT order_id, customer_name, product_id, region FROM orders

■ 4.1.2 根据脱敏条件重新生成SQL


1. 输入 SQL 是一个简单 SELECT 语句,其 FROM 类型是 SqlIdentifier,由于没有定义别名,用表名 orders 作为别名。
2. 由于用户A针对字段 customer_name 定义脱敏条件 MASK(对应函数是脱敏函数是 mask),该字段在流程图中的步骤 8 中被改写为 CAST(mask(customer_name) AS STRING) AS customer_name,其余字段未定义脱敏条件则保持不变。
3. 然后在步骤 9 的操作中,表名 orders 被改写成如下子查询,子查询两侧用括号()进行包裹,并且用 AS 别名来增加表别名。

(SELECT order_id, order_date, CAST(mask(customer_name) AS STRING) AS customer_name, product_id, price, order_status, regionFROM orders) AS orders

■ 4.1.3 输出 SQL 和运行结果


最终执行的改写后SQL如下所示,这样用户A查询到的顾客姓名 customer_name 字段都是掩盖后的数据。

SELECT order_id, customer_name, product_id, regionFROM ( SELECT order_id, order_date, CAST(mask(customer_name) AS STRING) AS customer_name, product_id, price, order_status, region FROM orders ) AS orders

4.2 测试 INSERT-SELECT


■ 4.2.1 输入 SQL


用户 A 执行下述 SQL:

INSERT INTO print_sink SELECT * FROM orders

■ 4.2.2 根据脱敏条件重新生成 SQL


通过自定义 Calcite DataMaskVisitor 访问生成的 AST,能找到对应的 SELECT 语句是 SELECT order_id, customer_name, product_id, region FROM orders。

针对此 SELECT 语句的改写逻辑同上,不再阐述。

■ 4.2.3 输出 SQL 和运行结果


最终执行的改写后 SQL 如下所示,注意插入到 print_sink 表的 customer_name 字段是掩盖后的数据。

INSERT INTO print_sink ( SELECT * FROM ( SELECT order_id, order_date, CAST(mask(customer_name) AS STRING) AS customer_name, product_id, price, order_status, region FROM orders ) AS orders)


参考文献


[1] Apache Ranger Column Masking in Hive:

https://docs.cloudera.com/HDPDocuments/HDP3/HDP-3.1.0/authorization-ranger/content/dynamic_resource_based_column_masking_in_hive_with_ranger_policies.html

[2] Flink SQL 字段血缘解决方案及源码:

https://github.com/HamaWhiteGG/flink-sql-lineage/blob/main/README_CN.md

[3] 从 SQL 语句中解析出源表和结果表:

https://blog.jrwang.me/2018/parse-table-in-sql

[4] 基于 Flink CDC 构建 MySQL 和 Postgres 的 Streaming ETL:

https://ververica.github.io/flink-cdc-connectors/master/content/%E5%BF%AB%E9%80%9F%E4%B8%8A%E6%89%8B/mysql-postgres-tutorial-zh.html

[5] HiveQL—数据脱敏函数:
https://blog.csdn.net/CPP_MAYIBO/article/details/104065839

往期精选




▼ 精彩直播回顾 ▼
▼ 关注「Apache Flink」,获取更多技术干货 ▼

   点击「阅读原文」,查看更多技术内容

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存