Microsoft Purview veri sınıflandırma, kurumların hassas bilgilerini tanıması, konumlarını belirlemesi ve uygun güvenlik politikalarıyla koruması için temel bir süreç sunuyor. Platform, hassas bilgi türleri ve eğitilebilir sınıflandırıcılar aracılığıyla kurumsal verilerin otomatik olarak tanımlanmasını ve kategorilere ayrılmasını sağlıyor. Ancak Purview’un bütün özelliklerini aynı anda etkinleştirmek, çoğu kurumda yönetim karmaşıklığına ve verimsiz uygulamalara yol açabiliyor. Microsoft’un tasarım yaklaşımı da önceliğin veri sınıflandırmasına verilmesini, koruma politikalarının ise bu çalışmanın sonuçlarına göre oluşturulmasını öngörüyor. Bu rehber, veri sınıflandırma sürecine Microsoft Purview ile nereden başlanacağını ve uygulamanın hangi adımlarla ilerletileceğini ele alıyor.

Hassas Veri Tanıma ve Veri Sınıflandırma Arasındaki Fark

Hassas veri tanıma, bir dosyada veya içerikte belirli bilgi türlerinin ve içerik özelliklerinin tespit edilmesini ifade ediyor. Veri sınıflandırma ise tespit edilen bilgilerin belirli kategoriler altında değerlendirilmesini ve yönetilmesini sağlıyor. Microsoft Purview terminolojisinde hassas bilgileri tespit eden mekanizmalar da sınıflandırıcı olarak adlandırılabiliyor. Bu nedenle iki kavram birbirinden bağımsız sistemleri değil, kurumsal verilerin tanımlanması ve uygun kategorilere ayrılması sürecinde birlikte çalışan bileşenleri ifade ediyor.

İlk Adım: Kurumun Koruması Gereken Veri Kategorilerini Belirleyin

Microsoft Purview yapılandırmasına başlamadan önce kurumun hangi bilgi türlerini hassas kabul ettiğini ve hangi verilerin korunması gerektiğini belirlemesi gerekiyor. Bu çalışma yalnızca teknik bir veri envanteri oluşturulmasından ibaret değil; farklı departmanların sorumluluklarını ve veri kullanım biçimlerini kapsayan bir veri risk değerlendirmesi olarak ele alınmalı.

Kurumların koruma kapsamına alması gereken bilgiler yalnızca kişisel verilerle sınırlı değil. Fiyatlandırma modelleri, ürün tasarımları, kaynak kodları, ticari sırlar ve henüz kamuoyuyla paylaşılmamış iş planları da kurumsal açıdan hassas bilgi niteliği taşıyabiliyor. Bu nedenle başlangıç aşamasında kuruma özgü veri kategorileri tanımlanmalı ve her kategorinin taşıdığı risk düzeyi belirlenmeli.

Sınıflandırma çalışmasına yalnızca BT ekibinin katılması yeterli değil. Hukuk, bilgi güvenliği ve ilgili iş birimleri de veri türlerinin belirlenmesine, erişim gereksinimlerinin değerlendirilmesine ve koruma önceliklerinin oluşturulmasına katkı sağlamalı. Böylece Purview üzerinde oluşturulacak sınıflandırma yapısı, kurumun gerçek iş süreçleriyle uyumlu bir temel kazanır.

İkinci Adım: Yerleşik Hassas Bilgi Türleriyle Sınıflandırmaya Başlayın

Microsoft Purview’da Sensitive Information Types (SIT) olarak adlandırılan hassas bilgi türleri, belirli bilgi örüntülerini tespit etmek için kullanılan sınıflandırma mekanizmalarıdır. Microsoft, kredi kartı numaraları, kimlik bilgileri ve finansal veriler gibi farklı içerik türlerini tanımak amacıyla 300’den fazla hazır SIT sunuyor. Kurumlar, standart türlerin ihtiyaçlarını karşılamadığı durumlarda özel hassas bilgi türü de oluşturabiliyor. İlk yapılandırma aşamasında özel kurallar geliştirmek yerine yerleşik türlerden yararlanmak, uygulama sürecini hızlandırırken yanlış yapılandırma riskini de azaltıyor.

SIT mekanizması, yalnızca belirli bir kelimenin veya sayı dizisinin aranmasına dayanmıyor. Microsoft Purview, eşleşmenin doğruluğunu değerlendirmek için birden fazla bileşenden yararlanabiliyor:

  • Birincil öğe: Düzenli ifade (regex), anahtar kelime veya doğrulama işlevi gibi doğrudan aranacak bilgi örüntüsünü tanımlıyor.
  • Destekleyici kanıt: Birincil öğenin çevresinde bulunan ve eşleşmenin bağlamını güçlendiren ifadeleri kapsıyor.
  • Yakınlık faktörü: Destekleyici öğenin birincil öğeye karakter cinsinden ne kadar yakın olduğunu belirtiyor.
  • Güven düzeyi: Tespit edilen eşleşmenin doğruluğunu düşük, orta veya yüksek seviyede değerlendiriyor.

Bu bileşenler, hassas bilgi tespitinin teknik doğruluğunu değerlendirmek için kullanılıyor. Güven düzeyi, kullanıcının niyetini veya gerçekleştirilen işlemin hukuki açıdan uygunluğunu ölçen bir puan niteliği taşımıyor.

Yerleşik türler başlangıç sürecini kolaylaştırsa da kurumların yalnızca sınıflandırıcı adlarına güvenmemesi gerekiyor. Her SIT için algılama kuralları incelenmeli; hedeflenen bilginin hangi biçimlerde kullanıldığı, hangi destekleyici ifadelerle birlikte bulunduğu ve benzer sayı dizilerinin farklı amaçlarla kullanılıp kullanılmadığı değerlendirilmelidir. İçeriğin farklı dillerde hazırlanması da algılama doğruluğunu etkileyebileceğinden çok dilli veri kaynakları ayrıca test edilmeli. Böylece kurumlar, hazır sınıflandırıcıları kendi veri yapısına uygun biçimde kullanabilir.

Üçüncü Adım: Exact Data Match (EDM) ile Veri Eşleştirme Doğruluğunu Artırın

Exact Data Match (EDM), kurumların kendi hassas veri kümelerindeki belirli değerleri referans alarak özel hassas bilgi türleri oluşturmasını sağlıyor. Bu yöntem, yalnızca belirli bir biçime benzeyen bilgileri tespit etmek yerine kurumun referans veri kümesindeki kayıtlarla eşleşen değerleri tanımayı hedefliyor. Böylece benzer formatta kullanılan farklı verilerin yanlışlıkla hassas bilgi olarak sınıflandırılması riski azaltılabiliyor.

EDM yapılandırmasında hassas veri kümesi yerel ortamda hazırlanıyor ve eşleştirme işlemi için gerekli veri yapısı hash oluşturma ve yükleme süreçleriyle Microsoft Purview’a aktarılıyor. Bu işlem, kaynak müşteri tablosunun okunabilir biçimde doğrudan buluta yüklenmesi anlamına gelmiyor. Eşleştirme mekanizması, hazırlanan referans veriler üzerinden çalışarak içerikteki kayıtların kurumun belirlediği değerlerle örtüşüp örtüşmediğini kontrol ediyor.

Örneğin bir kurum, müşteri kayıtlarıyla ilişkili numaraları benzer biçimdeki diğer sayısal verilerden ayırmak isteyebilir. Standart hassas bilgi türleri bu ayrımı her zaman yeterli doğrulukta yapamayabilir. EDM, kurumun kendi müşteri veri kümesini referans alarak ilgili kayıtların daha isabetli tanımlanmasına yardımcı olabilir.

EDM sonuçlarının doğruluğu, referans veri kümesinin kalitesine ve güncelliğine bağlıdır. Yeni müşteri kayıtları, değişen veri alanları ve hatalı kayıtlar eşleştirme sonuçlarını etkileyebilir. Bu nedenle kurumların referans veri kümelerini belirli aralıklarla güncellemesi, veri kalitesini kontrol etmesi ve eşleşme sonuçlarını düzenli olarak test etmesi gerekiyor.

Dördüncü Adım: Eğitilebilir Sınıflandırıcılarla İçerik Analizini Geliştirin

Eğitilebilir sınıflandırıcılar, belgeleri yalnızca sabit kelime veya sayı örüntülerine göre değil, örnek içeriklerden öğrendikleri özelliklere dayanarak kategorilere ayırıyor. Bu yaklaşım; sözleşmeler, özgeçmişler, finansal tablolar ve kaynak kod gibi belirli bir sayısal ya da metinsel kalıpla tanımlanması zor içeriklerin tespit edilmesinde kullanılıyor. Böylece Microsoft Purview, belgelerin yapısını ve içerik özelliklerini değerlendirerek daha kapsamlı bir sınıflandırma yapabiliyor.

Microsoft, farklı içerik kategorileri için hazır eğitilebilir sınıflandırıcılar sunuyor. Desteklenen senaryolarda kurumlar, kendi belge türlerine uygun sınıflandırıcıları örnek içeriklerle de eğitebiliyor. Özel sınıflandırıcıların hazırlanmasında olumlu ve olumsuz örnekler birlikte kullanılıyor. Olumlu örnekler hedeflenen kategoriye ait belgeleri, olumsuz örnekler ise bu kategoriye girmemesi gereken içerikleri temsil ediyor. Eğitim ve test veri kümelerinin farklı şablonları, belge biçimlerini ve içerik çeşitliliğini kapsaması gerekiyor. Yalnızca tek bir belge şablonuyla yapılan eğitim, farklı biçimlerde hazırlanan dosyaların doğru sınıflandırılmasını garanti etmiyor.

Eğitilebilir sınıflandırıcıların devreye alınması için SIT tabanlı sınıflandırmanın öncelikle kararlı hâle getirilmesi gerekiyor. Kurumlar, ilk tarama sonuçlarını inceleyerek hassas bilgi türlerinin doğruluğunu ve yanlış eşleşme oranlarını değerlendirmeli. Ardından eğitilebilir sınıflandırıcıları aşamalı olarak yapılandırmalı. Aksi durumda SIT kurallarıyla özel sınıflandırıcıların sonuçları iç içe geçerek hataların kaynağını belirlemeyi ve sınıflandırma doğruluğunu iyileştirmeyi zorlaştırabiliyor.

Hangi Veri Tanıma Yöntemi Kurumunuz İçin Uygun?

Microsoft Purview’da kullanılacak tanıma yöntemi, korunacak bilginin yapısına ve sınıflandırma ihtiyacına göre belirlenmeli. Standart bilgi örüntüleri için hazır hassas bilgi türleri yeterli olabilirken kuruma özgü kayıtlar, referans veri kümeleri veya belirli belge aileleri için farklı yöntemler tercih edilebilir.

YöntemTemel yaklaşımKurumsal kullanım örneği
Hazır hassas bilgi türüMicrosoft tarafından sunulan tanımlarla bilgi örüntülerini tespit etmekDesteklenen kimlik ve finansal bilgi türlerini belirlemek
Özel hassas bilgi türüKuruma özgü örüntüler ve destekleyici koşullar tanımlamakKurumsal müşteri numarası formatını tanımak
Exact Data Match (EDM)Belirlenen referans veri kümesiyle eşleşme yapmakKurumun müşteri kayıtlarıyla ilişkili değerleri ayırt etmek
Eğitilebilir sınıflandırıcıÖrneklerden öğrenilen içerik özelliklerine göre kategori belirlemekBelirli bir kurumsal belge ailesini tanımak

Yöntem seçiminde bilginin yapısı, referans veri kümesine ihtiyaç duyulup duyulmadığı ve test sonuçlarının doğruluğu birlikte değerlendirilmelidir. Kurumlar, bütün veri kategorileri için tek bir yöntem kullanmak yerine farklı tanıma mekanizmalarını ihtiyaçlarına göre bir arada uygulayabilir.

Hassas Bilgi Türü ile Hassasiyet Etiketi Arasındaki Fark Nedir?

Microsoft Purview’da hassas bilgi türü ve hassasiyet etiketi, veri güvenliğinin farklı aşamalarında görev alıyor. Hassas bilgi türü, bir dosyanın veya içeriğin hangi bilgileri barındırdığını tespit etmeye yardımcı oluyor. Hassasiyet etiketi ise içeriğin kurumun sınıflandırma politikasındaki yerini belirtiyor ve yapılandırmasına bağlı olarak koruma önlemlerini devreye alabiliyor.

Örneğin bir belgede müşteri bilgilerinin tespit edilmesi, ilgili dosyaya otomatik olarak “Gizli” etiketi uygulanmasıyla aynı işlem değil. İlk işlem, içerikteki hassas bilgi türünün tanınmasını; ikinci işlem ise belgenin belirlenen hassasiyet seviyesine göre sınıflandırılmasını ifade ediyor. Kurumun bir hassas bilgi türü oluşturması, bu türle eşleşen bütün belgelere kendiliğinden hassasiyet etiketi atanacağı anlamına gelmiyor. Otomatik etiketleme için ayrıca ilgili politikaların yapılandırılması gerekiyor.

Hassasiyet etiketi ile saklama etiketi de farklı amaçlara hizmet ediyor. Hassasiyet etiketi, içeriğin gizlilik seviyesini ve uygulanacak koruma kurallarını belirlerken saklama etiketi, belgenin ne kadar süre tutulacağını ve saklama süresi sonunda nasıl yönetileceğini düzenliyor. Bu nedenle Microsoft Purview yapılandırmasında sınıflandırma, koruma ve saklama politikaları birbirinden ayrı ancak birbiriyle uyumlu süreçler olarak tasarlanmalı.

Tarama Kapsamını ve Kural Setlerini Belirleyin

Microsoft Purview’da otomatik veri sınıflandırmasının uygulanabilmesi için öncelikle veri kaynaklarının Purview Veri Haritası’na kaydedilmesi ve taranması gerekiyor. Tarama süreci, ilgili veri kaynağına bağlanarak teknik meta verileri topluyor, veri şemasını çıkarıyor ve içerikle eşleşen sınıflandırmaları uyguluyor. Bu aşamada kurumların iki temel kararı netleştirmesi gerekiyor: Hangi veri kaynakları taranacak ve tarama sırasında hangi tarama kural setleri kullanılacak?

Microsoft Purview, her veri kaynağı türü için otomatik olarak oluşturulan varsayılan bir kural seti sunuyor. Ancak belirli bir bölgeye, sektöre veya veri yapısına özgü gereksinimleri bulunan kurumlar, özel kural setleri oluşturarak tarama sürecini daha verimli yönetebiliyor. İhtiyaç dışındaki sınıflandırma denemelerinin azaltılması, tarama süresinin kısalmasına katkı sağlıyor.

Kurumların ilk aşamada bütün veri depolarını taramaya açmak yerine kritik bilgilerin bulunduğu sınırlı sayıda kaynakla başlaması daha kontrollü bir yaklaşım sunuyor. İlk veri tarama sonuçlarının incelenmesi, sınıflandırma doğruluğunun değerlendirilmesine ve kapsamın sonraki aşamalarda genişletilmesine yardımcı oluyor.

Yanlış Eşleşmeleri ve Kaçırılan Verileri Nasıl Önleyebilirsiniz?

Microsoft Purview’daki veri tanıma yöntemlerinin başarısı, hem doğru eşleşmeler hem de hatalı sonuçlar üzerinden değerlendirilmelidir. Yanlış pozitif, hedeflenen hassas bilgi içerikte bulunmadığı halde sistemin eşleşme tespit etmesidir. Yanlış negatif ise hassas bilgi mevcut olmasına rağmen sistemin bu içeriği tanıyamamasıdır. Her iki hata türü de sınıflandırma kalitesini düşürürken kurumların veri güvenliği süreçlerini olumsuz etkileyebilir.

Yanlış pozitif sonuçlar, gereksiz uyarıların artmasına ve güvenlik ekiplerinde uyarı yorgunluğu oluşmasına neden olabiliyor. Aynı hatalar, DLP politikalarının gereğinden katı uygulanmasına ve çalışanların meşru iş akışlarının kesintiye uğramasına da yol açabiliyor. Kurumlar, SIT tanımlarındaki yakınlık koşullarını, güven düzeylerini ve dışlama kurallarını doğru yapılandırarak hatalı eşleşmeleri azaltabilir.

Sınıflandırma doğruluğunu ölçen testlerde yalnızca eşleşmesi beklenen belgelerin kullanılması yeterli değil. Test veri setinde, hedeflenen hassas bilgileri içeren örneklerin yanı sıra benzer yapıya sahip ancak eşleşmemesi gereken içerikler de yer almalı. Böylece sistemin hem doğru bilgileri tanıyıp tanımadığı hem de ilgisiz içerikleri hatalı biçimde sınıflandırıp sınıflandırmadığı değerlendirilebilir. Bu yaklaşım, güvenilir bir sınıflandırma testi sürecinin temelini oluşturur.

Content Explorer ve Activity Explorer ile Sınıflandırmayı İzleyin

Microsoft Purview, sınıflandırma ve veri koruma çalışmalarının izlenmesi için Content Explorer ile Activity Explorer araçlarını sunuyor. Content Explorer, desteklenen kapsam dâhilinde hassas bilgi türleri ve hassasiyet etiketleriyle ilişkili içeriklerin görüntülenmesini sağlıyor. Activity Explorer ise desteklenen etkinlik kayıtlarını inceleyerek etiketleme işlemlerinin ve veri koruma politikalarının kullanımına ilişkin görünürlük sunuyor.

Kurumlar bu araçlardan elde edilen bulguları değerlendirerek sınıflandırma yaklaşımının ne ölçüde uygulandığını inceleyebilir, politika yapılandırmalarını gözden geçirebilir ve iyileştirme gerektiren alanları belirleyebilir. Ancak Content Explorer ve Activity Explorer’da görüntülenen veriler, kurumsal ortamdaki bütün içeriklerin eksiksiz ve gerçek zamanlı olarak tarandığı şeklinde yorumlanmamalıdır. Araçların kapsamı, desteklenen veri kaynakları ve etkinlik kayıtlarıyla sınırlıdır.

Veri keşfi ve veri yönetişimi çalışmalarının bir parçası olarak kullanılan bu araçlar, sınıflandırma politikalarının uygulanma düzeyini değerlendirmeye yardımcı olur. Kurumların elde edilen sonuçları düzenli olarak incelemesi, veri güvenliği yaklaşımının ihtiyaçlara göre geliştirilmesini destekler.

TTanıma Sonuçları Politikalarda Nasıl Kullanılır?

Microsoft Purview’daki tanıma mekanizması, veri koruma politikalarının oluşturulmasında önemli bir girdi sağlıyor ancak kurumun bütün koruma kararlarını tek başına belirlemiyor. Örneğin müşteri bilgisi içeren bir belgenin kurum dışındaki bir alıcıyla paylaşılması değerlendirilirken yalnızca hassas bilgi eşleşmesi yeterli olmuyor. Alıcının kim olduğu, verinin bulunduğu konum, paylaşımın iş amacı ve tanımlanmış istisnalar da politika kararını etkileyebiliyor.

Bu nedenle kurumların öncelikle hangi kullanıcı davranışını veya veri hareketini kontrol etmek istediğini belirlemesi gerekiyor. Ardından hassas bilgi tanıma koşulları, politika kapsamı ve uygulanacak eylemler birbiriyle uyumlu hâle getirilmeli. Örneğin belirli müşteri bilgilerini içeren dosyaların kurum dışına gönderilmesi engellenebilir veya paylaşım öncesinde kullanıcıdan ek onay istenebilir. Böylece veri koruma ve uyumluluk hedefleri, tanıma sonuçlarıyla ilişkilendirilen somut politika kurallarına dönüşür.

Kurumlar İçin Uygulanabilir Bir Başlangıç Planı Oluşturun

Kurumların etkili bir veri sınıflandırma stratejisi oluşturması için süreci aşamalı biçimde yürütmesi ve her adımda elde edilen sonuçları değerlendirmesi gerekiyor. Başlangıç aşamasında aşağıdaki yol haritası izlenebilir:

  1. Veri kategorilerini belirleyin: Kurumun koruması gereken hassas bilgi türlerini ve veri sınıflarını tanımlayın.
  2. İş sahiplerini sürece dahil edin: BT, hukuk, bilgi güvenliği ve ilgili iş birimlerinin sorumluluklarını netleştirin.
  3. Veri kaynaklarını seçin: Öncelikli olarak hassas bilgilerin bulunduğu sistemleri ve depoları belirleyin.
  4. Uygun tanıma yöntemini seçin: Yerleşik veya özel hassas bilgi türleri, Exact Data Match ya da eğitilebilir sınıflandırıcılar arasından ihtiyaca uygun yöntemi tercih edin.
  5. Temsil edici bir test kümesi hazırlayın: Hem eşleşmesi gereken hem de eşleşmemesi gereken örnekleri test verilerine dahil edin.
  6. Sonuçları değerlendirin: Yanlış pozitif ve yanlış negatif oranlarını inceleyerek tanıma doğruluğunu ölçün.
  7. Tanıma sonuçlarını politikalara bağlayın: Sınıflandırma bulgularını DLP ve diğer veri koruma kurallarıyla ilişkilendirin.
  8. Düzenli gözden geçirme planlayın: Veri yapıları, iş gereksinimleri ve güvenlik politikalarındaki değişikliklere göre sınıflandırma yaklaşımını güncelleyin.

Test verilerinin kontrollü bir ortamda yönetilmesi ve gereksiz gerçek kişisel veri kullanımından kaçınılması, uygulama sürecinin güvenliğini destekliyor. Ayrıca kurumların yeni bir hassas bilgi türü veya sınıflandırma tanımı oluşturması, mevcut bütün içeriklerin anında yeniden taranacağı ve değerlendirileceği anlamına gelmiyor. Bu nedenle tarama kapsamı, yeniden değerlendirme gereksinimleri ve uygulama takvimi ayrıca planlanmalı.; kaynakların tarama ve yeniden işleme davranışları uygulama planına dahil edilmelidir.

ITSTACK ile Microsoft Purview Sınıflandırma Projenizi Hayata Geçirin

Microsoft Purview ile veri sınıflandırma projesi yürütmek, kurumun koruması gereken veri kategorilerinin belirlenmesiyle başlayan ve farklı aşamalardan oluşan kapsamlı bir çalışma gerektiriyor. Yerleşik SIT tanımlarının yapılandırılması, tarama kapsamının planlanması, yanlış pozitif sonuçların azaltılması ve eğitilebilir sınıflandırıcıların devreye alınması, projenin temel adımları arasında yer alıyor.

ITSTACK, mevcut veri ortamının analiz edilmesinden Purview yapılandırmasına, tarama stratejisinin oluşturulmasından DLP politikaları ile hassasiyet etiketlerinin sınıflandırma sonuçlarına uygun şekilde düzenlenmesine kadar uçtan uca danışmanlık desteği sunuyor. Kurumların ihtiyaçlarına göre şekillendirilen bu yaklaşım, veri sınıflandırma süreçlerinin doğru temeller üzerinde ilerlemesine ve Purview yatırımından daha fazla verim alınmasına katkı sağlıyor.

Microsoft Purview projenizin kapsamını belirlemek, teknik yapılandırmayı planlamak ve veri koruma politikalarınızı kurumunuzun gereksinimleriyle uyumlu hâle getirmek için ITSTACK uzmanlarıyla iletişime geçebilirsiniz.

ITSTACK Hakkında

ITSTACK sizlere Bilgi Teknolojileri konusunda uzman ekibi ile 24/7 hizmet vermek için hazır! Detaylı bilgi için bize ulaşın.

Uzmanlarımızı hemen arayın +90 (850) 800 1484 ya da Sizi arayalım!