SlideShare une entreprise Scribd logo
1  sur  19
Conformità, produttività e protezione dati
negli ambienti di Test
Seminario tecnico - 12 marzo 2014 Milano
Micro Focus Data Express 4.0
Stefano Capra
SOLUTION OVERVIEW
Data Express
Dimensionamento
appropriato dello
storage.
Rappresentazione
accurata dello
scenario reale
Replica di
errori insorti
in Produzione
Coerenza dati
anche per distinte
piattaforme e db
Ambienti di Test – scenario e requisiti
Diversificazione della
casistiche per le varie
esigenze dei progetti
Adempimento regolamentazioni sulla Sicurezza dei Dati:
• Circolare della Banca d’Italia
• Direttiva Europea e Legge sulla Privacy
• Standard Interni di Scurezza e Protezione del Business
Uso dei dati di produzione per i test
• I dati sono voluminosi e contengono
informazioni sensibili.
Creazione dei dati di test
• Soluzione onerosa, soggetta ad
errori, e spesso basata su processi
manuali.
• I dati non sono comprensibili e
quindi poco usufruibili dagli utenti
finiali.
• I dati spesso non sono disponibili
quando il test lo richiede.
• Scarsa qualità dei dati di test che
può causare difficoltà nel ciclo di
QA.
Ambienti di Test – gli approcci più diffusi
Il 71% delle organizzazioni IT
utilizza dati di produzione per
eseguire i propri test.
Research Report on 240 UK, French and German
organizations, May 2008
Le ammende possono essere molto rilevanti, ma il costo complessivo è di
gran lunga superiore e include gravi conseguenze e costi quali:
• Danno d’immagine
• Ripristino dei sistemi a seguito di danni provocati da attività fraudolenta
• Perdita di clienti e di quote di mercato
• Minori ricavi da clienti nuovi ed esistenti
• Costo di gestione dell’emergenza
La Nationwide Building Society (UK) è stata multata di £ 980.000 dopo che il computer portatile di
un dipendente è stato rubato da casa sua. 11 milioni di dati personali e aziendali sono stati
esposti al rischio di "reati finanziari". 14 Febbraio 2007
Qual è il costo reale di una "violazione dei dati"?
Il costo medio di una violazione dei dati è pari a 202 dollari
per record. Calcolato da Ponemon Institute Survey
I dati delle carte di credito della metà di tutti i sudcoreani sono stati rubati e venduti a società di
marketing. Un consulente della Korea Credit Bureau che gestisce sistemi di pagamento, aveva
trasferito sul suo laptop, successivamente rubato, i nomi, i numeri di previdenza sociale e di carta
di credito di 20 milioni di sudcoreani . 20 Gennaio 2014
Dispone di un
catalogo proprietario
centralizzato per la
gestione dei
metadati del cliente
Soluzione
combinata per
Data Masking e
Data Subsetting
basata sulla
Classificazione
dei metadati.
Gestione di diversi
ambienti source e target
(produzione, pre-
produzione, collaudo,
unit test, sviluppo)
Processo
automatizzato di
Data Masking e
Data Subsetting
configurabile,
ripetibile e
scalabile.
Supporto di
z/OS DB2,
VSAM,
Sequential,
GDG, IMS e
ADABAS.
Su Dipartimentale,
supporto via
OBDC di Oracle,
SQL Server, DB2,
Sybase, Informix,
Teradata, AS400...
Micro Focus Data Express™
DATA ANALYSIS, MASKING
AND SUBSETTING
Data Express
Classificazione dei metadati e
definizione delle regole di
mascheramento e subsetting.
2
Database Relazionali
Database Gerarchici
Archivi non strutturati
Data Model
Regole di
Data Masking
Data Subsetting
Data Express
Knowledge
Base
Inventario dei
metadati con
analisi dei cataloghi,
DDL, copybooks...
1
Generazione dei dati
mascherati e ridotti
nell’ambiente target
3
Il processo di implementazione della soluzione
DE
Engine
Dati mascherati
Dati ridotti
Data Express Builder Module
Inventario e catalogazione degli archivi in base a:
• Applicazione di appartenenza
• Piattaforma e db type
• Caratteristiche fisiche del dato
• Altre info (numero e lunghezza record)
Classificazione dei Campi
• Ciascun campo può essere associato ad un’entità (Classe) che ne
identifica il significato. Le Classi accomunano i campi che getiscono
le stesse informazione, indipendentemente dalle loro caratteristiche
fisiche .
Ciclo di Vita dei Metadati
• Un processo automatico mantiene il catalogo costantemente
allineato ai cambiamenti periodici delle strutture fisiche dei database.
Data Express Fields Content Analysis
La funzione fornisce informazioni
statistiche sul contenuto di ogni
campo, mirando a:
• Rendere automatico e più sicuro il
processo di classificazione dei
metadati;
• Fornire informazioni utilizzabili per
la verifica della qualità dei dati.
Data Express Finger Print
• Data Express è in grado descrivere il contenuto dei campi
sotto forma di una particolare rappresentazione statistica
chiamata Finger Print.
• La classificazione automatica dei metadati del cliente
avviene attraverso la comparazione delle Finger Print rispetto
ad un prototipo iniziale.
Il processo di mascheramento dati:
• E’ parametrico, automatico, ripetibile e irreversibile.
• Preserva il significato originale dell’informazione.
• Garantisce l’integrità tra gli archivi e l’univocità delle chiavi.
• Ricalcola eventuali codici di controllo (codice fiscale).
La soluzione gestisce nativamente il mascheramentto di:
• Nomi, cognomi, ragioni sociali, indirizzi, numeri di telefono,
email, codici fiscali, partite IVA, codici alfanumerici univoci, etc.
Exit routines facilmente personalizzabili:
• vengono forniti modelli di exit routines in Cobol e C adattabili a
ulteriori esigenze
Data Masking Module
Data Subsetting Module
• Il processo di stralcio dei dati rispetta il modello relazionale
fisico e/o logico.
• Le regole di subsetting possono essere importate
direttamente da catalogo oppure definite attraverso il
modulo client.
• La simulazione dell’estrazione dati stima:
– il tempo e la cpu necessari per l’estrazione reale.
– la dimensione degli archivi di output.
– la % di riduzione tra ambienti source e target
• Un unico processo può generare dati ridotti e mascherati.
A
B
OPERATION AND BUSINESS
BENEFITS
Data Express
• Conformità alle normative
il Data Masking garantisce il rispetto della legge
sulla Privacy e di normative internazionali,
Nazionali e interne.
• Riduzione del time-to-market
80 - 90% di risparmio nell’elapsed time per la
generazione degli ambienti di test.
• Data Storage ridotti fino al 90%
il processo automatico della soluzione minimizza le risorse coinvolte,
riduce i costi relativi allo storage e ai MIPS/CPU.
• Riduzione dei rischi e incremento della qualità dei dati di Test
la soluzione produce ambienti di test coerenti e completi, assicurando
test più rigorosi e riducendo i rischi di inattività.
I benefici operativi e di business
SOLUTION ARCHITECTURE
Data Express
Data Express
zOS Engine
z/OS
Client
Data Express
PC
Data Express
Engine Distributed
2. Database Analysis
3. Reduction & Masking
rules definition
1. Database Inventory
4. Send & Execute test
environment creation job
Windows/Linux/Sun/Aix
1. Database Inventory
DB
Prod
DB Test
DB
Prod
DB Test
ODBC / OCI
DE Architecture for z/OS + ODBC ext.
for Distributed
Windows/Linux/Sun/Aix
Data Express - GUI
PC
Data Express - Engine
2. Database Analysis
3. Reduction & Masking
rules definition
1. Database Inventory
4. Send & Execute test
environment creation job
DB
Prod
DB Test
ODBC / OCI
Data Express for Distributed Systems
DEMO IN PODCAST SU:
http://www.microfocus.it/risorse/#webinarsenterprise
Data Express

Contenu connexe

En vedette

Kuntauudistus Porin seudulla
Kuntauudistus Porin seudullaKuntauudistus Porin seudulla
Kuntauudistus Porin seudullaTimoAro
 
7 kartogrammia suuren kaupunkiseutujen merkityksestä
7 kartogrammia suuren kaupunkiseutujen merkityksestä7 kartogrammia suuren kaupunkiseutujen merkityksestä
7 kartogrammia suuren kaupunkiseutujen merkityksestäTimoAro
 
Lahden ketteryys ja kilpailukyky
Lahden ketteryys ja kilpailukykyLahden ketteryys ja kilpailukyky
Lahden ketteryys ja kilpailukykyTimoAro
 
Kaupunkiseutujen kasvut ja kivut
Kaupunkiseutujen kasvut ja kivutKaupunkiseutujen kasvut ja kivut
Kaupunkiseutujen kasvut ja kivutTimoAro
 
Institutional presentation 3 q13
Institutional presentation 3 q13Institutional presentation 3 q13
Institutional presentation 3 q13Arezzori
 
Gypsy chic issue 9 lorraine stylianou
Gypsy chic issue 9   lorraine stylianouGypsy chic issue 9   lorraine stylianou
Gypsy chic issue 9 lorraine stylianouLorraine Stylianou
 
รายงาน เรื่อง ทรัยพ์สินทางปัญญา ม. 5 4 อ. ทรงศัดิ์
รายงาน เรื่อง ทรัยพ์สินทางปัญญา   ม. 5 4 อ. ทรงศัดิ์รายงาน เรื่อง ทรัยพ์สินทางปัญญา   ม. 5 4 อ. ทรงศัดิ์
รายงาน เรื่อง ทรัยพ์สินทางปัญญา ม. 5 4 อ. ทรงศัดิ์FUEANG Far
 
4 q12 arezzo_apresentacao_call eng
4 q12 arezzo_apresentacao_call eng4 q12 arezzo_apresentacao_call eng
4 q12 arezzo_apresentacao_call engArezzori
 
Food final6
Food final6Food final6
Food final6Yongpei
 
05 15-2012 - ceo conference - itau
05 15-2012 - ceo conference - itau05 15-2012 - ceo conference - itau
05 15-2012 - ceo conference - itauArezzori
 
Mongolian Mining Conference V1
Mongolian Mining Conference V1Mongolian Mining Conference V1
Mongolian Mining Conference V1OBristowe
 
Six sigma and PMP: How can they help you togethere?
Six sigma and PMP: How can they help you togethere?Six sigma and PMP: How can they help you togethere?
Six sigma and PMP: How can they help you togethere?Ashish Michael
 

En vedette (13)

Sevenwonders
SevenwondersSevenwonders
Sevenwonders
 
Kuntauudistus Porin seudulla
Kuntauudistus Porin seudullaKuntauudistus Porin seudulla
Kuntauudistus Porin seudulla
 
7 kartogrammia suuren kaupunkiseutujen merkityksestä
7 kartogrammia suuren kaupunkiseutujen merkityksestä7 kartogrammia suuren kaupunkiseutujen merkityksestä
7 kartogrammia suuren kaupunkiseutujen merkityksestä
 
Lahden ketteryys ja kilpailukyky
Lahden ketteryys ja kilpailukykyLahden ketteryys ja kilpailukyky
Lahden ketteryys ja kilpailukyky
 
Kaupunkiseutujen kasvut ja kivut
Kaupunkiseutujen kasvut ja kivutKaupunkiseutujen kasvut ja kivut
Kaupunkiseutujen kasvut ja kivut
 
Institutional presentation 3 q13
Institutional presentation 3 q13Institutional presentation 3 q13
Institutional presentation 3 q13
 
Gypsy chic issue 9 lorraine stylianou
Gypsy chic issue 9   lorraine stylianouGypsy chic issue 9   lorraine stylianou
Gypsy chic issue 9 lorraine stylianou
 
รายงาน เรื่อง ทรัยพ์สินทางปัญญา ม. 5 4 อ. ทรงศัดิ์
รายงาน เรื่อง ทรัยพ์สินทางปัญญา   ม. 5 4 อ. ทรงศัดิ์รายงาน เรื่อง ทรัยพ์สินทางปัญญา   ม. 5 4 อ. ทรงศัดิ์
รายงาน เรื่อง ทรัยพ์สินทางปัญญา ม. 5 4 อ. ทรงศัดิ์
 
4 q12 arezzo_apresentacao_call eng
4 q12 arezzo_apresentacao_call eng4 q12 arezzo_apresentacao_call eng
4 q12 arezzo_apresentacao_call eng
 
Food final6
Food final6Food final6
Food final6
 
05 15-2012 - ceo conference - itau
05 15-2012 - ceo conference - itau05 15-2012 - ceo conference - itau
05 15-2012 - ceo conference - itau
 
Mongolian Mining Conference V1
Mongolian Mining Conference V1Mongolian Mining Conference V1
Mongolian Mining Conference V1
 
Six sigma and PMP: How can they help you togethere?
Six sigma and PMP: How can they help you togethere?Six sigma and PMP: How can they help you togethere?
Six sigma and PMP: How can they help you togethere?
 

Similaire à Micro Focus Data Express 4.0 - Conformità, produttività e protezione dati

Big data analytics quanto vale e come sfruttarlo con stream analytics e power bi
Big data analytics quanto vale e come sfruttarlo con stream analytics e power biBig data analytics quanto vale e come sfruttarlo con stream analytics e power bi
Big data analytics quanto vale e come sfruttarlo con stream analytics e power biMarco Pozzan
 
Datalabs - Digital360 Awards - analisi predittiva-big data analytics - 2018
Datalabs - Digital360 Awards - analisi predittiva-big data analytics - 2018Datalabs - Digital360 Awards - analisi predittiva-big data analytics - 2018
Datalabs - Digital360 Awards - analisi predittiva-big data analytics - 2018Data-labs
 
Cerved - The Italian Business Graph: a Story of Tech & data-driven Innovation
Cerved - The Italian Business Graph: a Story of Tech & data-driven InnovationCerved - The Italian Business Graph: a Story of Tech & data-driven Innovation
Cerved - The Italian Business Graph: a Story of Tech & data-driven InnovationNeo4j
 
Logical Data Management: La chiave per sfruttare al massimo il potenziale dei...
Logical Data Management: La chiave per sfruttare al massimo il potenziale dei...Logical Data Management: La chiave per sfruttare al massimo il potenziale dei...
Logical Data Management: La chiave per sfruttare al massimo il potenziale dei...Denodo
 
Industria 4.0. Lucca, 5 luglio 2017 - VAR Sirio Industria "IoT - BigData - An...
Industria 4.0. Lucca, 5 luglio 2017 - VAR Sirio Industria "IoT - BigData - An...Industria 4.0. Lucca, 5 luglio 2017 - VAR Sirio Industria "IoT - BigData - An...
Industria 4.0. Lucca, 5 luglio 2017 - VAR Sirio Industria "IoT - BigData - An...CONFINDUSTRIA TOSCANA NORD
 
The importance of now: rivedere il ciclo tradizionale del dato alla luce dell...
The importance of now: rivedere il ciclo tradizionale del dato alla luce dell...The importance of now: rivedere il ciclo tradizionale del dato alla luce dell...
The importance of now: rivedere il ciclo tradizionale del dato alla luce dell...SAS Italy
 
Compa 2009 Giurus
Compa 2009 GiurusCompa 2009 Giurus
Compa 2009 Giurusgiurus
 
La gestione logica dei dati come chiave del successo per Data Scientist e Bus...
La gestione logica dei dati come chiave del successo per Data Scientist e Bus...La gestione logica dei dati come chiave del successo per Data Scientist e Bus...
La gestione logica dei dati come chiave del successo per Data Scientist e Bus...Denodo
 
Accelerare la migrazione al cloud e la modernizzazione dell'architettura con ...
Accelerare la migrazione al cloud e la modernizzazione dell'architettura con ...Accelerare la migrazione al cloud e la modernizzazione dell'architettura con ...
Accelerare la migrazione al cloud e la modernizzazione dell'architettura con ...Denodo
 
4a Data Mining e motori computazionali
4a Data Mining e motori computazionali4a Data Mining e motori computazionali
4a Data Mining e motori computazionaliMau-Messenger
 
Trovare ciò che serve nella confusione: comprendere i Big Data con l'analisi AWS
Trovare ciò che serve nella confusione: comprendere i Big Data con l'analisi AWSTrovare ciò che serve nella confusione: comprendere i Big Data con l'analisi AWS
Trovare ciò che serve nella confusione: comprendere i Big Data con l'analisi AWSAmazon Web Services
 
The Logical Data Fabric: un posto unico per la data integration (Italian)
The Logical Data Fabric: un posto unico per la data integration (Italian)The Logical Data Fabric: un posto unico per la data integration (Italian)
The Logical Data Fabric: un posto unico per la data integration (Italian)Denodo
 
La gestione dei database secondo il GDPR – SQL Server
La gestione dei database secondo il GDPR – SQL ServerLa gestione dei database secondo il GDPR – SQL Server
La gestione dei database secondo il GDPR – SQL ServerDatamaze
 
La gestione dei database secondo il GDPR - SQL Server
La gestione dei database secondo il GDPR - SQL ServerLa gestione dei database secondo il GDPR - SQL Server
La gestione dei database secondo il GDPR - SQL ServerCristiano Gasparotto
 
No smart factory without security
No smart factory without securityNo smart factory without security
No smart factory without securityGiuseppe Menin
 
Power BI data flow and Azure IoT Central
Power BI data flow and Azure IoT CentralPower BI data flow and Azure IoT Central
Power BI data flow and Azure IoT CentralMarco Parenzan
 

Similaire à Micro Focus Data Express 4.0 - Conformità, produttività e protezione dati (20)

Big data analytics quanto vale e come sfruttarlo con stream analytics e power bi
Big data analytics quanto vale e come sfruttarlo con stream analytics e power biBig data analytics quanto vale e come sfruttarlo con stream analytics e power bi
Big data analytics quanto vale e come sfruttarlo con stream analytics e power bi
 
Datalabs - Digital360 Awards - analisi predittiva-big data analytics - 2018
Datalabs - Digital360 Awards - analisi predittiva-big data analytics - 2018Datalabs - Digital360 Awards - analisi predittiva-big data analytics - 2018
Datalabs - Digital360 Awards - analisi predittiva-big data analytics - 2018
 
Cerved - The Italian Business Graph: a Story of Tech & data-driven Innovation
Cerved - The Italian Business Graph: a Story of Tech & data-driven InnovationCerved - The Italian Business Graph: a Story of Tech & data-driven Innovation
Cerved - The Italian Business Graph: a Story of Tech & data-driven Innovation
 
Logical Data Management: La chiave per sfruttare al massimo il potenziale dei...
Logical Data Management: La chiave per sfruttare al massimo il potenziale dei...Logical Data Management: La chiave per sfruttare al massimo il potenziale dei...
Logical Data Management: La chiave per sfruttare al massimo il potenziale dei...
 
Industria 4.0. Lucca, 5 luglio 2017 - VAR Sirio Industria "IoT - BigData - An...
Industria 4.0. Lucca, 5 luglio 2017 - VAR Sirio Industria "IoT - BigData - An...Industria 4.0. Lucca, 5 luglio 2017 - VAR Sirio Industria "IoT - BigData - An...
Industria 4.0. Lucca, 5 luglio 2017 - VAR Sirio Industria "IoT - BigData - An...
 
The importance of now: rivedere il ciclo tradizionale del dato alla luce dell...
The importance of now: rivedere il ciclo tradizionale del dato alla luce dell...The importance of now: rivedere il ciclo tradizionale del dato alla luce dell...
The importance of now: rivedere il ciclo tradizionale del dato alla luce dell...
 
2470620 data-warehouse
2470620 data-warehouse2470620 data-warehouse
2470620 data-warehouse
 
Compa 2009 Giurus
Compa 2009 GiurusCompa 2009 Giurus
Compa 2009 Giurus
 
La gestione logica dei dati come chiave del successo per Data Scientist e Bus...
La gestione logica dei dati come chiave del successo per Data Scientist e Bus...La gestione logica dei dati come chiave del successo per Data Scientist e Bus...
La gestione logica dei dati come chiave del successo per Data Scientist e Bus...
 
Accelerare la migrazione al cloud e la modernizzazione dell'architettura con ...
Accelerare la migrazione al cloud e la modernizzazione dell'architettura con ...Accelerare la migrazione al cloud e la modernizzazione dell'architettura con ...
Accelerare la migrazione al cloud e la modernizzazione dell'architettura con ...
 
2015 CLOUD LOGIN - DR e BR
2015 CLOUD LOGIN - DR e BR2015 CLOUD LOGIN - DR e BR
2015 CLOUD LOGIN - DR e BR
 
4a Data Mining e motori computazionali
4a Data Mining e motori computazionali4a Data Mining e motori computazionali
4a Data Mining e motori computazionali
 
Trovare ciò che serve nella confusione: comprendere i Big Data con l'analisi AWS
Trovare ciò che serve nella confusione: comprendere i Big Data con l'analisi AWSTrovare ciò che serve nella confusione: comprendere i Big Data con l'analisi AWS
Trovare ciò che serve nella confusione: comprendere i Big Data con l'analisi AWS
 
The Logical Data Fabric: un posto unico per la data integration (Italian)
The Logical Data Fabric: un posto unico per la data integration (Italian)The Logical Data Fabric: un posto unico per la data integration (Italian)
The Logical Data Fabric: un posto unico per la data integration (Italian)
 
Brochure 2014 - Unified Management Platform
Brochure 2014 - Unified Management PlatformBrochure 2014 - Unified Management Platform
Brochure 2014 - Unified Management Platform
 
La gestione dei database secondo il GDPR – SQL Server
La gestione dei database secondo il GDPR – SQL ServerLa gestione dei database secondo il GDPR – SQL Server
La gestione dei database secondo il GDPR – SQL Server
 
La gestione dei database secondo il GDPR - SQL Server
La gestione dei database secondo il GDPR - SQL ServerLa gestione dei database secondo il GDPR - SQL Server
La gestione dei database secondo il GDPR - SQL Server
 
Cloud e big data
Cloud e big dataCloud e big data
Cloud e big data
 
No smart factory without security
No smart factory without securityNo smart factory without security
No smart factory without security
 
Power BI data flow and Azure IoT Central
Power BI data flow and Azure IoT CentralPower BI data flow and Azure IoT Central
Power BI data flow and Azure IoT Central
 

Plus de Microfocusitalia

NetIQ Access Manager - presentazione della soluzione
NetIQ Access Manager - presentazione della soluzioneNetIQ Access Manager - presentazione della soluzione
NetIQ Access Manager - presentazione della soluzioneMicrofocusitalia
 
Micro focus academic program
Micro focus academic programMicro focus academic program
Micro focus academic programMicrofocusitalia
 
CASO DI SUCCESSO MICROFOCUS: Banco di Desio
CASO DI SUCCESSO MICROFOCUS: Banco di DesioCASO DI SUCCESSO MICROFOCUS: Banco di Desio
CASO DI SUCCESSO MICROFOCUS: Banco di DesioMicrofocusitalia
 
Case study Milano Serravalle Milano - Tangenziali S.p.A - Novell,
Case study Milano Serravalle Milano - Tangenziali S.p.A - Novell,Case study Milano Serravalle Milano - Tangenziali S.p.A - Novell,
Case study Milano Serravalle Milano - Tangenziali S.p.A - Novell,Microfocusitalia
 
Caso di successo: Reale Mutua Assicurazioni e NetIQ
Caso di successo: Reale Mutua Assicurazioni e NetIQCaso di successo: Reale Mutua Assicurazioni e NetIQ
Caso di successo: Reale Mutua Assicurazioni e NetIQMicrofocusitalia
 
Case study - CEP Solutions srl
Case study - CEP Solutions srlCase study - CEP Solutions srl
Case study - CEP Solutions srlMicrofocusitalia
 
CASO DI SUCCESSO: Camera dei deputati - NetIQ
CASO DI SUCCESSO: Camera dei deputati - NetIQCASO DI SUCCESSO: Camera dei deputati - NetIQ
CASO DI SUCCESSO: Camera dei deputati - NetIQMicrofocusitalia
 
dal test manuale al test automatico: un esempio basato sul Keyword Driven Tes...
dal test manuale al test automatico: un esempio basato sul Keyword Driven Tes...dal test manuale al test automatico: un esempio basato sul Keyword Driven Tes...
dal test manuale al test automatico: un esempio basato sul Keyword Driven Tes...Microfocusitalia
 
Autostrade per l'Italia: come riutilizzare 500 applicazioni COBOL in ambiente...
Autostrade per l'Italia: come riutilizzare 500 applicazioni COBOL in ambiente...Autostrade per l'Italia: come riutilizzare 500 applicazioni COBOL in ambiente...
Autostrade per l'Italia: come riutilizzare 500 applicazioni COBOL in ambiente...Microfocusitalia
 
Il dilemma del test: Manuale o Automatico?
Il dilemma del test: Manuale o Automatico?Il dilemma del test: Manuale o Automatico?
Il dilemma del test: Manuale o Automatico?Microfocusitalia
 
Workshop Borland - Caliber
Workshop Borland - CaliberWorkshop Borland - Caliber
Workshop Borland - CaliberMicrofocusitalia
 
Micro Focus Conference 2013: intervento di Ezio Viola Co-Founder & Direttore ...
Micro Focus Conference 2013: intervento di Ezio Viola Co-Founder & Direttore ...Micro Focus Conference 2013: intervento di Ezio Viola Co-Founder & Direttore ...
Micro Focus Conference 2013: intervento di Ezio Viola Co-Founder & Direttore ...Microfocusitalia
 
Micro Focus Conference 2013: Intervento di G.Gigante, Regional Marketing Mana...
Micro Focus Conference 2013: Intervento di G.Gigante, Regional Marketing Mana...Micro Focus Conference 2013: Intervento di G.Gigante, Regional Marketing Mana...
Micro Focus Conference 2013: Intervento di G.Gigante, Regional Marketing Mana...Microfocusitalia
 
Micro Focus Conference 2013: Intervento di P. Iannarelli, Regional Manager It...
Micro Focus Conference 2013: Intervento di P. Iannarelli, Regional Manager It...Micro Focus Conference 2013: Intervento di P. Iannarelli, Regional Manager It...
Micro Focus Conference 2013: Intervento di P. Iannarelli, Regional Manager It...Microfocusitalia
 
L'App store per applicazioni Enterprise: La mobilità porta a porta
L'App store per applicazioni Enterprise: La mobilità porta a portaL'App store per applicazioni Enterprise: La mobilità porta a porta
L'App store per applicazioni Enterprise: La mobilità porta a portaMicrofocusitalia
 
Visual COBOL - Conoscere Visual COBOL- Micro Focus
Visual COBOL - Conoscere Visual COBOL- Micro FocusVisual COBOL - Conoscere Visual COBOL- Micro Focus
Visual COBOL - Conoscere Visual COBOL- Micro FocusMicrofocusitalia
 

Plus de Microfocusitalia (16)

NetIQ Access Manager - presentazione della soluzione
NetIQ Access Manager - presentazione della soluzioneNetIQ Access Manager - presentazione della soluzione
NetIQ Access Manager - presentazione della soluzione
 
Micro focus academic program
Micro focus academic programMicro focus academic program
Micro focus academic program
 
CASO DI SUCCESSO MICROFOCUS: Banco di Desio
CASO DI SUCCESSO MICROFOCUS: Banco di DesioCASO DI SUCCESSO MICROFOCUS: Banco di Desio
CASO DI SUCCESSO MICROFOCUS: Banco di Desio
 
Case study Milano Serravalle Milano - Tangenziali S.p.A - Novell,
Case study Milano Serravalle Milano - Tangenziali S.p.A - Novell,Case study Milano Serravalle Milano - Tangenziali S.p.A - Novell,
Case study Milano Serravalle Milano - Tangenziali S.p.A - Novell,
 
Caso di successo: Reale Mutua Assicurazioni e NetIQ
Caso di successo: Reale Mutua Assicurazioni e NetIQCaso di successo: Reale Mutua Assicurazioni e NetIQ
Caso di successo: Reale Mutua Assicurazioni e NetIQ
 
Case study - CEP Solutions srl
Case study - CEP Solutions srlCase study - CEP Solutions srl
Case study - CEP Solutions srl
 
CASO DI SUCCESSO: Camera dei deputati - NetIQ
CASO DI SUCCESSO: Camera dei deputati - NetIQCASO DI SUCCESSO: Camera dei deputati - NetIQ
CASO DI SUCCESSO: Camera dei deputati - NetIQ
 
dal test manuale al test automatico: un esempio basato sul Keyword Driven Tes...
dal test manuale al test automatico: un esempio basato sul Keyword Driven Tes...dal test manuale al test automatico: un esempio basato sul Keyword Driven Tes...
dal test manuale al test automatico: un esempio basato sul Keyword Driven Tes...
 
Autostrade per l'Italia: come riutilizzare 500 applicazioni COBOL in ambiente...
Autostrade per l'Italia: come riutilizzare 500 applicazioni COBOL in ambiente...Autostrade per l'Italia: come riutilizzare 500 applicazioni COBOL in ambiente...
Autostrade per l'Italia: come riutilizzare 500 applicazioni COBOL in ambiente...
 
Il dilemma del test: Manuale o Automatico?
Il dilemma del test: Manuale o Automatico?Il dilemma del test: Manuale o Automatico?
Il dilemma del test: Manuale o Automatico?
 
Workshop Borland - Caliber
Workshop Borland - CaliberWorkshop Borland - Caliber
Workshop Borland - Caliber
 
Micro Focus Conference 2013: intervento di Ezio Viola Co-Founder & Direttore ...
Micro Focus Conference 2013: intervento di Ezio Viola Co-Founder & Direttore ...Micro Focus Conference 2013: intervento di Ezio Viola Co-Founder & Direttore ...
Micro Focus Conference 2013: intervento di Ezio Viola Co-Founder & Direttore ...
 
Micro Focus Conference 2013: Intervento di G.Gigante, Regional Marketing Mana...
Micro Focus Conference 2013: Intervento di G.Gigante, Regional Marketing Mana...Micro Focus Conference 2013: Intervento di G.Gigante, Regional Marketing Mana...
Micro Focus Conference 2013: Intervento di G.Gigante, Regional Marketing Mana...
 
Micro Focus Conference 2013: Intervento di P. Iannarelli, Regional Manager It...
Micro Focus Conference 2013: Intervento di P. Iannarelli, Regional Manager It...Micro Focus Conference 2013: Intervento di P. Iannarelli, Regional Manager It...
Micro Focus Conference 2013: Intervento di P. Iannarelli, Regional Manager It...
 
L'App store per applicazioni Enterprise: La mobilità porta a porta
L'App store per applicazioni Enterprise: La mobilità porta a portaL'App store per applicazioni Enterprise: La mobilità porta a porta
L'App store per applicazioni Enterprise: La mobilità porta a porta
 
Visual COBOL - Conoscere Visual COBOL- Micro Focus
Visual COBOL - Conoscere Visual COBOL- Micro FocusVisual COBOL - Conoscere Visual COBOL- Micro Focus
Visual COBOL - Conoscere Visual COBOL- Micro Focus
 

Dernier

Alessandro Nasi, COO @Djungle Studio – “Cosa delegheresti alla copia di te st...
Alessandro Nasi, COO @Djungle Studio – “Cosa delegheresti alla copia di te st...Alessandro Nasi, COO @Djungle Studio – “Cosa delegheresti alla copia di te st...
Alessandro Nasi, COO @Djungle Studio – “Cosa delegheresti alla copia di te st...Associazione Digital Days
 
ScrapeGraphAI: a new way to scrape context with AI
ScrapeGraphAI: a new way to scrape context with AIScrapeGraphAI: a new way to scrape context with AI
ScrapeGraphAI: a new way to scrape context with AIinfogdgmi
 
Federico Bottino, Lead Venture Builder – “Riflessioni sull’Innovazione: La Cu...
Federico Bottino, Lead Venture Builder – “Riflessioni sull’Innovazione: La Cu...Federico Bottino, Lead Venture Builder – “Riflessioni sull’Innovazione: La Cu...
Federico Bottino, Lead Venture Builder – “Riflessioni sull’Innovazione: La Cu...Associazione Digital Days
 
Gabriele Mittica, CEO @Corley Cloud – “Come creare un’azienda “nativa in clou...
Gabriele Mittica, CEO @Corley Cloud – “Come creare un’azienda “nativa in clou...Gabriele Mittica, CEO @Corley Cloud – “Come creare un’azienda “nativa in clou...
Gabriele Mittica, CEO @Corley Cloud – “Come creare un’azienda “nativa in clou...Associazione Digital Days
 
Daniele Lunassi, CEO & Head of Design @Eye Studios – “Creare prodotti e servi...
Daniele Lunassi, CEO & Head of Design @Eye Studios – “Creare prodotti e servi...Daniele Lunassi, CEO & Head of Design @Eye Studios – “Creare prodotti e servi...
Daniele Lunassi, CEO & Head of Design @Eye Studios – “Creare prodotti e servi...Associazione Digital Days
 
Edoardo Di Pietro – “Virtual Influencer vs Umano: Rubiamo il lavoro all’AI”
Edoardo Di Pietro – “Virtual Influencer vs Umano: Rubiamo il lavoro all’AI”Edoardo Di Pietro – “Virtual Influencer vs Umano: Rubiamo il lavoro all’AI”
Edoardo Di Pietro – “Virtual Influencer vs Umano: Rubiamo il lavoro all’AI”Associazione Digital Days
 
Luigi Di Carlo, CEO & Founder @Evometrika srl – “Ruolo della computer vision ...
Luigi Di Carlo, CEO & Founder @Evometrika srl – “Ruolo della computer vision ...Luigi Di Carlo, CEO & Founder @Evometrika srl – “Ruolo della computer vision ...
Luigi Di Carlo, CEO & Founder @Evometrika srl – “Ruolo della computer vision ...Associazione Digital Days
 
Mael Chiabrera, Software Developer; Viola Bongini, Digital Experience Designe...
Mael Chiabrera, Software Developer; Viola Bongini, Digital Experience Designe...Mael Chiabrera, Software Developer; Viola Bongini, Digital Experience Designe...
Mael Chiabrera, Software Developer; Viola Bongini, Digital Experience Designe...Associazione Digital Days
 
Alessio Mazzotti, Aaron Brancotti; Writer, Screenwriter, Director, UX, Autore...
Alessio Mazzotti, Aaron Brancotti; Writer, Screenwriter, Director, UX, Autore...Alessio Mazzotti, Aaron Brancotti; Writer, Screenwriter, Director, UX, Autore...
Alessio Mazzotti, Aaron Brancotti; Writer, Screenwriter, Director, UX, Autore...Associazione Digital Days
 

Dernier (9)

Alessandro Nasi, COO @Djungle Studio – “Cosa delegheresti alla copia di te st...
Alessandro Nasi, COO @Djungle Studio – “Cosa delegheresti alla copia di te st...Alessandro Nasi, COO @Djungle Studio – “Cosa delegheresti alla copia di te st...
Alessandro Nasi, COO @Djungle Studio – “Cosa delegheresti alla copia di te st...
 
ScrapeGraphAI: a new way to scrape context with AI
ScrapeGraphAI: a new way to scrape context with AIScrapeGraphAI: a new way to scrape context with AI
ScrapeGraphAI: a new way to scrape context with AI
 
Federico Bottino, Lead Venture Builder – “Riflessioni sull’Innovazione: La Cu...
Federico Bottino, Lead Venture Builder – “Riflessioni sull’Innovazione: La Cu...Federico Bottino, Lead Venture Builder – “Riflessioni sull’Innovazione: La Cu...
Federico Bottino, Lead Venture Builder – “Riflessioni sull’Innovazione: La Cu...
 
Gabriele Mittica, CEO @Corley Cloud – “Come creare un’azienda “nativa in clou...
Gabriele Mittica, CEO @Corley Cloud – “Come creare un’azienda “nativa in clou...Gabriele Mittica, CEO @Corley Cloud – “Come creare un’azienda “nativa in clou...
Gabriele Mittica, CEO @Corley Cloud – “Come creare un’azienda “nativa in clou...
 
Daniele Lunassi, CEO & Head of Design @Eye Studios – “Creare prodotti e servi...
Daniele Lunassi, CEO & Head of Design @Eye Studios – “Creare prodotti e servi...Daniele Lunassi, CEO & Head of Design @Eye Studios – “Creare prodotti e servi...
Daniele Lunassi, CEO & Head of Design @Eye Studios – “Creare prodotti e servi...
 
Edoardo Di Pietro – “Virtual Influencer vs Umano: Rubiamo il lavoro all’AI”
Edoardo Di Pietro – “Virtual Influencer vs Umano: Rubiamo il lavoro all’AI”Edoardo Di Pietro – “Virtual Influencer vs Umano: Rubiamo il lavoro all’AI”
Edoardo Di Pietro – “Virtual Influencer vs Umano: Rubiamo il lavoro all’AI”
 
Luigi Di Carlo, CEO & Founder @Evometrika srl – “Ruolo della computer vision ...
Luigi Di Carlo, CEO & Founder @Evometrika srl – “Ruolo della computer vision ...Luigi Di Carlo, CEO & Founder @Evometrika srl – “Ruolo della computer vision ...
Luigi Di Carlo, CEO & Founder @Evometrika srl – “Ruolo della computer vision ...
 
Mael Chiabrera, Software Developer; Viola Bongini, Digital Experience Designe...
Mael Chiabrera, Software Developer; Viola Bongini, Digital Experience Designe...Mael Chiabrera, Software Developer; Viola Bongini, Digital Experience Designe...
Mael Chiabrera, Software Developer; Viola Bongini, Digital Experience Designe...
 
Alessio Mazzotti, Aaron Brancotti; Writer, Screenwriter, Director, UX, Autore...
Alessio Mazzotti, Aaron Brancotti; Writer, Screenwriter, Director, UX, Autore...Alessio Mazzotti, Aaron Brancotti; Writer, Screenwriter, Director, UX, Autore...
Alessio Mazzotti, Aaron Brancotti; Writer, Screenwriter, Director, UX, Autore...
 

Micro Focus Data Express 4.0 - Conformità, produttività e protezione dati

  • 1. Conformità, produttività e protezione dati negli ambienti di Test Seminario tecnico - 12 marzo 2014 Milano Micro Focus Data Express 4.0 Stefano Capra
  • 3. Dimensionamento appropriato dello storage. Rappresentazione accurata dello scenario reale Replica di errori insorti in Produzione Coerenza dati anche per distinte piattaforme e db Ambienti di Test – scenario e requisiti Diversificazione della casistiche per le varie esigenze dei progetti Adempimento regolamentazioni sulla Sicurezza dei Dati: • Circolare della Banca d’Italia • Direttiva Europea e Legge sulla Privacy • Standard Interni di Scurezza e Protezione del Business
  • 4. Uso dei dati di produzione per i test • I dati sono voluminosi e contengono informazioni sensibili. Creazione dei dati di test • Soluzione onerosa, soggetta ad errori, e spesso basata su processi manuali. • I dati non sono comprensibili e quindi poco usufruibili dagli utenti finiali. • I dati spesso non sono disponibili quando il test lo richiede. • Scarsa qualità dei dati di test che può causare difficoltà nel ciclo di QA. Ambienti di Test – gli approcci più diffusi Il 71% delle organizzazioni IT utilizza dati di produzione per eseguire i propri test. Research Report on 240 UK, French and German organizations, May 2008
  • 5. Le ammende possono essere molto rilevanti, ma il costo complessivo è di gran lunga superiore e include gravi conseguenze e costi quali: • Danno d’immagine • Ripristino dei sistemi a seguito di danni provocati da attività fraudolenta • Perdita di clienti e di quote di mercato • Minori ricavi da clienti nuovi ed esistenti • Costo di gestione dell’emergenza La Nationwide Building Society (UK) è stata multata di £ 980.000 dopo che il computer portatile di un dipendente è stato rubato da casa sua. 11 milioni di dati personali e aziendali sono stati esposti al rischio di "reati finanziari". 14 Febbraio 2007 Qual è il costo reale di una "violazione dei dati"? Il costo medio di una violazione dei dati è pari a 202 dollari per record. Calcolato da Ponemon Institute Survey I dati delle carte di credito della metà di tutti i sudcoreani sono stati rubati e venduti a società di marketing. Un consulente della Korea Credit Bureau che gestisce sistemi di pagamento, aveva trasferito sul suo laptop, successivamente rubato, i nomi, i numeri di previdenza sociale e di carta di credito di 20 milioni di sudcoreani . 20 Gennaio 2014
  • 6. Dispone di un catalogo proprietario centralizzato per la gestione dei metadati del cliente Soluzione combinata per Data Masking e Data Subsetting basata sulla Classificazione dei metadati. Gestione di diversi ambienti source e target (produzione, pre- produzione, collaudo, unit test, sviluppo) Processo automatizzato di Data Masking e Data Subsetting configurabile, ripetibile e scalabile. Supporto di z/OS DB2, VSAM, Sequential, GDG, IMS e ADABAS. Su Dipartimentale, supporto via OBDC di Oracle, SQL Server, DB2, Sybase, Informix, Teradata, AS400... Micro Focus Data Express™
  • 7. DATA ANALYSIS, MASKING AND SUBSETTING Data Express
  • 8. Classificazione dei metadati e definizione delle regole di mascheramento e subsetting. 2 Database Relazionali Database Gerarchici Archivi non strutturati Data Model Regole di Data Masking Data Subsetting Data Express Knowledge Base Inventario dei metadati con analisi dei cataloghi, DDL, copybooks... 1 Generazione dei dati mascherati e ridotti nell’ambiente target 3 Il processo di implementazione della soluzione DE Engine Dati mascherati Dati ridotti
  • 9. Data Express Builder Module Inventario e catalogazione degli archivi in base a: • Applicazione di appartenenza • Piattaforma e db type • Caratteristiche fisiche del dato • Altre info (numero e lunghezza record) Classificazione dei Campi • Ciascun campo può essere associato ad un’entità (Classe) che ne identifica il significato. Le Classi accomunano i campi che getiscono le stesse informazione, indipendentemente dalle loro caratteristiche fisiche . Ciclo di Vita dei Metadati • Un processo automatico mantiene il catalogo costantemente allineato ai cambiamenti periodici delle strutture fisiche dei database.
  • 10. Data Express Fields Content Analysis La funzione fornisce informazioni statistiche sul contenuto di ogni campo, mirando a: • Rendere automatico e più sicuro il processo di classificazione dei metadati; • Fornire informazioni utilizzabili per la verifica della qualità dei dati.
  • 11. Data Express Finger Print • Data Express è in grado descrivere il contenuto dei campi sotto forma di una particolare rappresentazione statistica chiamata Finger Print. • La classificazione automatica dei metadati del cliente avviene attraverso la comparazione delle Finger Print rispetto ad un prototipo iniziale.
  • 12. Il processo di mascheramento dati: • E’ parametrico, automatico, ripetibile e irreversibile. • Preserva il significato originale dell’informazione. • Garantisce l’integrità tra gli archivi e l’univocità delle chiavi. • Ricalcola eventuali codici di controllo (codice fiscale). La soluzione gestisce nativamente il mascheramentto di: • Nomi, cognomi, ragioni sociali, indirizzi, numeri di telefono, email, codici fiscali, partite IVA, codici alfanumerici univoci, etc. Exit routines facilmente personalizzabili: • vengono forniti modelli di exit routines in Cobol e C adattabili a ulteriori esigenze Data Masking Module
  • 13. Data Subsetting Module • Il processo di stralcio dei dati rispetta il modello relazionale fisico e/o logico. • Le regole di subsetting possono essere importate direttamente da catalogo oppure definite attraverso il modulo client. • La simulazione dell’estrazione dati stima: – il tempo e la cpu necessari per l’estrazione reale. – la dimensione degli archivi di output. – la % di riduzione tra ambienti source e target • Un unico processo può generare dati ridotti e mascherati. A B
  • 15. • Conformità alle normative il Data Masking garantisce il rispetto della legge sulla Privacy e di normative internazionali, Nazionali e interne. • Riduzione del time-to-market 80 - 90% di risparmio nell’elapsed time per la generazione degli ambienti di test. • Data Storage ridotti fino al 90% il processo automatico della soluzione minimizza le risorse coinvolte, riduce i costi relativi allo storage e ai MIPS/CPU. • Riduzione dei rischi e incremento della qualità dei dati di Test la soluzione produce ambienti di test coerenti e completi, assicurando test più rigorosi e riducendo i rischi di inattività. I benefici operativi e di business
  • 17. Data Express zOS Engine z/OS Client Data Express PC Data Express Engine Distributed 2. Database Analysis 3. Reduction & Masking rules definition 1. Database Inventory 4. Send & Execute test environment creation job Windows/Linux/Sun/Aix 1. Database Inventory DB Prod DB Test DB Prod DB Test ODBC / OCI DE Architecture for z/OS + ODBC ext. for Distributed
  • 18. Windows/Linux/Sun/Aix Data Express - GUI PC Data Express - Engine 2. Database Analysis 3. Reduction & Masking rules definition 1. Database Inventory 4. Send & Execute test environment creation job DB Prod DB Test ODBC / OCI Data Express for Distributed Systems
  • 19. DEMO IN PODCAST SU: http://www.microfocus.it/risorse/#webinarsenterprise Data Express

Notes de l'éditeur

  1. Micro Focus Data Express creates a knowledge base of application data that clarifies how data is used and managed. Data structures description are first extracted from multiple types of databases and files and so analyzed and stored in the Knowledge Base. Note that in the knowledge base will be stored just metadata, that means only data structure description and not also physical data. Customer rules are then applied to enable the creation of test data which can then be masked for data protection, reduced by sub setting and then made available to the Test Management Process.An other important DE feature is the Life Cycle. The knowledge base contains a static picture of the production data structures that can change over the time. The Life Cycle compares the data structures of the production environment with the Knowledge Base and eventually updates the knowledge base with the new files or columns. Thanks to this feature we have not to repeat the step 1, 2 and 3 each time the production data structures have benn changed.