FlinkSQL数据权限之数据脱敏解决方案

在当今数字化时代，数据已经成为企业和组织中不可或缺的重要资产，包括个人信息、商业机密、财务数据等等。然而，随着数据泄露和安全问题的不断增加，数据脱敏已经成为了一项非常重要的工作。随着以 Flink 为代表的实时数仓的兴起，企业对实时数据安全的需求越来越迫切。但由于 Flink 实时数仓领域发展相对较短，Apache Ranger 尚不支持 FlinkSQL，且依赖 Ranger 会导致系统的部署和运维愈加复杂。 因此，自研出 FlinkSQL 的数据脱敏方案，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。在技术实现上做到对 Flink 和 Calcite 源码的零侵入，可以快速集成到已有实时平台产品中。

一、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字段的数据只显示前 4 位，剩下的用 x 代替。

二、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 Column Masking 方案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 FlinkSQL，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。

三、FlinkSQL 数据脱敏解决方案

3.1 解决方案

3.1.1 FlinkSQL 执行流程

可以参考作者文章[FlinkSQL字段血缘解决方案及源码]，本文根据 Flink1.16 修正和简化后的执行流程如下图所示。

在CalciteParser进行parse()和validate()处理后会得到一个 SqlNode 类型的抽象语法树(Abstract Syntax Tree，简称 AST)，本文会针对此抽象语法树来组装行级过滤条件后生成新的 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。

3.1.3 解决思路

针对输入的 Flink SQL，在CalciteParser进行语法解析(parse)和语法校验(validate)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 中的 SELECT 语句。
2. 判断是否自定义的 SELECT 语句(由下面步骤 9 生成)，是则跳转到步骤 10，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 和 10。
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 6。由于可能是三张表及以上的 Join，因此进行递归处理，即针对其左节点跳回到步骤 3。
5. 如果 FROM 是 SqlBasicCall 类型，还需要判断是否来自子查询，是则跳转到步骤 10 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 7。
6. 递归处理 Join 的右节点，即跳回到步骤 3。
7. 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。
8. 针对步骤 7 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。
9. 对步骤 8 的子查询调用CalciteParser.parseExpression()进行解析，生成自定义的 SELECT 语句，并替换掉原 FROM。
10. 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。

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。

四、用例测试

源码地址：https://github.com/HamaWhiteGG/flink-sql-security

注: 如果用 IntelliJ IDEA 打开源码，请提前安装 Manifold 插件。

用例测试数据来自于 CDC Connectors for Apache Flink 官网，本文给orders表增加一个 region 字段，再增加'connector'='print'类型的 print_sink 表，其字段和orders表的一样，数据库建表及初始化 SQL 位于 data/database 目录下。

下载本文源码后，可通过 Maven 运行单元测试，测试用例中的 catalog 名称是hive，database 名称是default。

$ 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，经过语法分析和语法校验后 FROM 类型是SqlBasicCall，SQL 中的表名orders会被替换为完整的hive.default.orders，别名是orders。
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 8 的操作中，表名hive.default.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,
     region
FROM 
    hive.default.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
    orders.order_id,
    orders.customer_name,
    orders.product_id,
    orders.region
FROM (
    SELECT 
         order_id,
         order_date,
         CAST(mask(customer_name) AS STRING) AS customer_name,
         product_id,
         price,
         order_status,
         region
    FROM 
         hive.default.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SELECT * FROM orders，注意在语法校验阶段 * 会被改写成表中所有字段。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 
        orders.order_id,
        orders.order_date,
        orders.customer_name,
        orders.product_id,
        orders.price,
        orders.order_status,
        orders.region
    FROM (
        SELECT 
            order_id, 
            order_date, 
            CAST(mask(customer_name) AS STRING) AS customer_name, 
            product_id, 
            price, 
            order_status, 
            region 
        FROM 
            hive.default.orders
    ) AS orders
)

五、参考文献

1. Apache Ranger Column Masking in Hive
2. FlinkSQL字段血缘解决方案及源码
3. 从SQL语句中解析出源表和结果表
4. 基于Flink CDC构建MySQL和Postgres的Streaming ETL
5. HiveQL—数据脱敏函数