Instituto Coreano de Segurança Financeira (K-FSI) compliance controles
Esta página descreve os controles do Korean Financial Security Institute (K-FSI) compliance em Databricks.
Visão geral do K-FSI
K-FSI compliance refere-se ao cumprimento dos requisitos de segurança e regulamentares estabelecidos pelo Korean Financial Security Institute para instituições financeiras e seus provedores de serviços. Ele garante proteção robusta dos dados financeiros e compliance com as regulamentações locais.
pontos-chave
- Aplica-se a organizações financeiras que operam na Coreia do Sul.
- Atende aos requisitos de residência de dados, criptografia e controle de acesso.
- Garante o alinhamento com as regulamentações financeiras coreanas.
Habilite os controles do K-FSI compliance
Para configurar o site workspace para suportar o processamento de dados regulamentados pelo padrão K-FSI, o workspace deve ter o perfil de segurança compliance ativado. Somente recursos de visualização específicos são suportados para o processamento de dados regulamentados. Para obter detalhes sobre o perfil de segurança compliance, recurso de visualização suportado e regiões suportadas, consulte perfil de segurança de conformidade.
É de sua inteira responsabilidade garantir que informações confidenciais nunca sejam inseridas em campos de entrada definidos pelo cliente, como nomes workspace , nomes de recursos compute , tags, nomes de tarefas, nomes de execução de tarefas, nomes de redes, nomes de credenciais, nomes account de armazenamento e IDs ou URLs de repositórios Git . Esses campos podem ser armazenados, processados ou acessados fora do limite compliance .
Para ativar os controles do K-FSI compliance, consulte Configure enhanced security and compliance settings.
Apoio regional para recursos
Esta tabela mostra a disponibilidade de recursos para o padrão compliance selecionado em todas as regiões Databricks suportadas. Alguns recursos podem ser listados como disponíveis antes de serem efetivamente lançados.
Recurso |
|
|---|---|
AI Functions - Classificação | |
AI Functions - Análise de Documentos | |
AI Functions - Extração de informação | |
Detecção de anomalia | |
Computação clássica | ✓ |
Clean Rooms | |
Classificação de dados | |
Databricks Apps | ✓ |
Databricks One | ✓ |
Armazenamento padrão | |
ModeAgente Genie | |
Genie Code | ✓ |
ModeAgente Genie Code | |
Agente do painel de controle do Genie Code | |
Espaços Genie | ✓ |
Assistente de conhecimento | |
Escala automática Lakebase | |
LakeFlow Connect - Confluência | |
LakeFlow Connect - Dynamics 365 | ✓ |
LakeFlow Connect - GA4 | |
LakeFlow Connect - Anúncios do Google | |
LakeFlow Connect - HubSpot | |
LakeFlow Connect - Meta Anúncios | |
LakeFlow Connect - MySQL | ✓ |
LakeFlow Connect - NetSuite | |
LakeFlow Connect - PostgreSQL | ✓ |
LakeFlow Connect - SFTP | ✓ |
LakeFlow Connect - Salesforce | |
LakeFlow Connect - ServiceNow | |
LakeFlow Connect - SharePoint | ✓ |
LakeFlow Connect - Anúncios do TikTok | |
LakeFlow Connect - Workday HCM | |
LakeFlow Connect - Relatórios do Workday (RaaS) | |
LakeFlow Connect - Suporte Zendesk | |
LakeFlow Connect - Ingestão Zerobus | |
Jobs do Lakeflow | ✓ |
Editor LakeFlow Pipelines | |
Monitoramento do lakehouse | |
MLflow no Databricks | ✓ |
gerenciar Servidores MCP | ✓ |
servindo modelo - AI Gateway | |
modelo confortável - AI Guardrail | |
modelo interativo - AI Playground | |
modelo privado - Modelos Personalizados | |
modelo privado - Modelos Externos | |
modelo prático - Função AI de modelos básicos (ai_query) | |
modelo privado - Modelos de base Pay-Per-tokens | |
Otimização preditiva | |
Jobs sem servidor/fluxo de trabalho/Notebook | |
LakeFlow Pipelinessem servidor | |
Serverless SQL warehouses | |
espaço de trabalho sem servidor | |
Agente Supervisor | |
Busca vetorial (padrão) | |
Busca vetorial (otimizada para armazenamento) |