亚马逊AWS官方博客
使用 AWS Lake Formation 配合 Amazon EMR 控制数据访问与权限
如果建立起一套对数据湖访问的集中控制体系，结果会如何？我们能更安全、更便捷地帮助内部及外部客户共享特定数据吗？
使用AWS Lake Formation并将其与Amazon EMR相集成，大家能够轻松完成这类管理任务。
本文将从特定用例出发，回顾对现有数据湖内数据访问与权限加以控制的操作步骤。在开始之前，推荐大家参阅以下内容：
示例用例
我们假设您的企业使用AWS扩展了本地基础设施。由于本地数据中心内已经具备用于分析及机器学习负载的固定容量，因此您选择使用云服务执行其他计算与存储任务。AWS Direct Connect将您的数据中心链接至最近的AWS区域。由于您的Active Directory服务器仍位于本地，因此您可以使用Active Directory连接器实现用户身份验证联动。为了实现成本优化与敏捷性，您还构建起一个数据湖，通过Lake Formation将业务数据集中至Amazon Simple Storage Service (Amazon S3)当中。
您的组织希望改善现有数据分析功能，并聘请了外部数据分析顾问。根据最低权限最佳实践，您只希望与外部顾问共享相关数据，且要求其中不涉及任何个人身份信息（PII），例如姓名、出生日期以及社保号码等。
为了避免云端数据受到未授权第三方的访问，我们需要一套安全、受控、符合审计要求且经过加密的数据解决方案。您还要求在列层级限制访问权限，确保外部顾问无法接触到PII数据。
此外，您还希望限制顾问对云资源的访问。他们应仅能使用特定的AWS身份与访问管理（AWS Identity and Access Management，简称IAM）角色访问EMR集群。
下图所示，为本用例中的具体架构。
外部顾问通过兼容SMAL的本地目录服务与IAM联动，进而实现对AWS资源的身份验证与访问。大家可以控制来自本地身份提供方（IdP）对云资源的访问。关于更多详细信息，请参阅基于SAML 2.0的联动机制。
Lake Formation负责管理数据访问活动。数据湖管理员将在Lake Formation中以列为基本层级为各主体定义数据访问权限。这里的“主体”可以是与本地目录服务联动的用户。在本用例中，主体为对应外部顾问的特定角色，负责控制他们对EMR集群的只读访问权限。
由于我们在Lake Formation中为数据制定了细粒度权限，因此外部顾问将无法触及员工的姓名、出生日期以及社保号码。相反，他们只能访问非PII列。这项措施被称为假名化（pseudonymization）。在这类场景中，我们无法在没有其他数据的前提下识别PII。假名化能够带来以下好处：
- 保证身份验证以及用户/数据访问治理的集中化实现。
- 由于存在规范的身份验证来源，因此管理开销更低、安全性水平更高。
- 顾问使用IAM角色后，仅能通过Lake Formation访问数据以及与EMR集群相关联的实例配置角色。
大家无需管理指向Amazon S3的访问活动；所有访问都被集中在Lake Formation当中。如果要与更多用户共享数据湖数据，只需在Lake Formation进行定义即可。
在下一节中，我们将探讨如何实现这套解决方案。
创建数据湖
在开始本轮演练之前，首先需要创建一个数据湖。您可以通过策略与权限控制对该数据湖的访问活动，具体权限可以立足数据库、表或列层级进行创建。
在创建数据库时，我们需要完成以下步骤以启用Lake Formation中的细粒度访问控制权限。
- 在Lake Formation控制台中的Data catalog下，选择Databases。
- 选择Create database。
- 在Name部分，输入您的数据库名称。
- 取消Use only IAM access control for new tables in this database勾选项。
如此一来，我们即启用了Lake Formation权限的细粒度访问控制。
- 选择Create database。
调整权限
- 在Permissions下，选择Data permissions。
- 选择Grant。
- 在IAM users and roles部分，选择哪些特定的IAM用户与角色可以访问数据湖。
这些账户可以与兼容AWS的SAML 2.0 IdP配合使用，借此实现对来自本地Active Directory访问的控制能力。
大家还可以直接定义Active Directory用户与组，但仅限将Amazon EMR与Lake Formation相集成的上下文之内。关于更多详细信息，请参阅Amazon EMR与AWS Lake Formation集成功能beta版：面向Apache Spark的数据库、表与列层级访问控制支持，以及Amazon EMR组件介绍。
- 在Database部分，选择您的数据库。
- 在Table部分，选择您的表。
- 在Columns部分，选择Exclude columns。
- 在Exclude columns部分，选择要排除的列（在本用例中，排除first name、last name以及ssn列）。
- 在 Table permissions部分，选择 Select。
这项功能允许您通过IAM用户或角色在列层级实现访问控制。
- 选择Grant。
Lake Formation与Amazon EMR相集成
从Amazon EMR 5.26版本开始，大家可以启动EMR集群并将其与Lake Formation进行集成。Amazon EMR仅能根据Lake Formation定义的权限访问特定列或数据。关于更多详细信息，请参阅启用SAML的单点登录与细粒度访问控制架构。
其中一项核心要求，就是配备一个专为EMR集群定义的外部IdP（例如微软Active Directory、Okta或者Auth0）。这样处理的好处，在于大家可以使用现有企业目录、合规性条款以及审计方案控制Lake Formation中的数据访问活动。关于具体操作说明，请参阅Amazon EMR与AWS Lake Formation的集成功能（beta版）。
集成完成之后，顾问即可通过Zeppelin或者Apache Spark使用来自Amazon EMR的数据，且保证不会涉及PII内容。
其他安全措施
与大多数AWS服务一样，Amazon EMR与Lake Formation也可使用IAM功能。在IAM的支持下，我们可以定义IAM用户或角色，借此授权对其他AWS服务及数据的访问权限。
在这套安全模式之上，AWS CloudTrail能够进一步跟踪所有AWS API请求。您可以通过这项跟踪功能满足治理与合规层面的要求，保证及时了解各类AWS资源的实际使用情况。
要保护数据，大家可以使用传输加密与静态加密两种方式。此外，您也可以针对EMR集群定义特定的安全配置。关于更多详细信息，请参阅加密选项。
要使用其他安全服务，您可以选择Amazon GuardDuty （一项威胁检测服务）以及 Amazon Macie（大规模数据发现与保护服务）。关于更多详细信息，请参阅AWS上的安全性、身份与合规性。
总结
数据的使用在数据格式和规模两个方面已经取得了快速的发展。对不同技术（关系数据库、NoSQL、图数据库、明文文件等）进行管理则会显著增加运营开销。随着竞争烈度的提升，数据规模也将随业务推进而飞速发展，带来更大的计算与存储资源压力。这一切，都迫使组织需求通往更高敏捷性与速度水平的道路。
此外，大家可能需要与众多内部及外部客户共享业务需求数据，这不仅令数据治理难度进一步提升，同时也给权限与访问管理带来沉重负担。
在本文中，我们解释了如何控制数据湖的访问与权限机制。指向数据的访问活动将经过控制、加密与审计，AWS也通过这种严密的方式支持组织客户的安全发展。而这一切，都将在本地IdP加AWS/其他外部资源的混合基础架构之下成为现实。
您也可以启动数据湖项目，以安全且可扩展的方式通过多种IAM角色实现组织数据共享。整个过程只需要几分钟（而非以往安全方案的几个月），且不会对工程设施造成任何深层影响。
作为这项工作的自然延续，大家还可以将经过整理的数据引入AWS Machine Learning工具所支持的各类机器学习项目。