Efterlevnadskontroller för Korean Financial Security Institute (K-FSI)

På den här sidan beskrivs efterlevnadskontroller för Korean Financial Security Institute (K-FSI) i Azure Databricks.

Översikt över K-FSI

K-FSI-efterlevnad syftar på att uppfylla de säkerhets- och regelkrav som fastställts av Korean Financial Security Institute för finansinstitut och deras tjänsteleverantörer. Det säkerställer ett robust skydd av finansiella data och efterlevnad av lokala föreskrifter.

Huvudpunkter

  • Gäller för finansiella organisationer som är verksamma i Sydkorea.
  • Hanterar krav på datahemvist, kryptering och åtkomstkontroll.
  • Säkerställer anpassning till koreanska finansiella bestämmelser.

Aktivera K-FSI-efterlevnadskontroller

För att konfigurera din arbetsyta så att den stöder bearbetning av data som regleras av K-FSI-standarden måste arbetsytan ha säkerhetsprofilen för efterlevnad aktiverad. Endast specifika förhandsgranskningsfunktioner stöds för bearbetning av reglerade data. Mer information om säkerhetsprofilen för efterlevnad, vilka förhandsversionsfunktioner som stöds och regioner som stöds finns i Säkerhetsprofil för efterlevnad.

Du är ensam ansvarig för att kontrollera att känslig information aldrig anges i kunddefinierade indatafält, till exempel arbetsytenamn, beräkningsresursnamn, taggar, jobbnamn, jobbkörningsnamn, nätverksnamn, namn på autentiseringsuppgifter, lagringskontonamn och Git-lagringsplats-ID:n eller URL:er. Dessa fält kan lagras, bearbetas eller nås utanför efterlevnadsgränsen.

Information om hur du aktiverar K-FSI-efterlevnadskontroller finns i Konfigurera förbättrade säkerhets- och efterlevnadsinställningar.

Regionalt stöd för funktioner

Den här tabellen visar funktionstillgänglighet för den valda efterlevnadsstandarden i alla Databricks-regioner som stöds. Vissa funktioner kan visas som tillgängliga innan de faktiskt släpps.

Feature koreacentral
AI Functions – Klassificering
AI Functions – Dokumentanalys
AI Functions – informationsutvinning
Avvikelseidentifiering
Klassisk beräkning
Renrum
Dataklassificering
Databricks-appar
Databricks One
Standardlagringsutrymme
Genie-agentläge
Genie-kod
Genie Code Agentläge
Genie Code Dashboard Agent
Genie Spaces
Kunskapsassistent
Lakebase Autoskalning
Lakeflow Connect – Confluence
Lakeflow Connect – Dynamics 365
Lakeflow Connect – GA4
Lakeflow Connect – Google Ads
Lakeflow Connect – HubSpot
Lakeflow Connect – Metaannonser
Lakeflow Connect – MySQL
Lakeflow Connect – NetSuite
Lakeflow Connect – PostgreSQL
Lakeflow Connect – SFTP
Lakeflow Connect – Salesforce
Lakeflow Connect – ServiceNow
Lakeflow Connect – SharePoint
Lakeflow Connect – TikTok-annonser
Lakeflow Connect – Workday HCM
Lakeflow Connect – Workday-rapporter (RaaS)
Lakeflow Connect – Zendesk Support
Lakeflow Connect – Zerobus Ingest
Lakeflow-jobb
Lakeflow Pipelines-redigeraren
Lakehouse-övervakning
MLflow på Databricks
Hanterade MCP-servrar
Modellhantering – AI Gateway
Modellimplementering – AI-skyddsräcke
Modellhantering – AI Playground
Modellservering – anpassade modeller
Modellhantering – Externa Modeller
Modellservering – AI-funktion för grundmodeller (ai_query)
Modellservering – Basmodeller – betala per token
Förutsägande optimering
Serverlösa jobb/arbetsflöden/Notebooks
Serverlösa Lakeflow-pipelines
Serverlösa SQL-lager
Serverlös arbetsyta
Övervakaragent
Vektorsökning (standard)
Vektorsökning (lagringsoptimerad)