Skip to Content
Open-Source-Data-Governance

Governance über Databricks hinaus: eine Alternative zu Unity Catalog

Unity Catalog regelt das Databricks-Lakehouse gut. Classifyre regelt auch alles drumherum: On-Premises-Datenbanken, Dateiablagen, SaaS-Werkzeuge und Lakehouse-Dateien, mit denselben Masken, ob in SQL, Excel oder Power BI abgefragt wird.

Daten abfragen
crm · PostgreSQL
lake · Parquet in S3
▶ Ausführen
SELECT c.email, c.city, sum(o.amount) AS revenue
FROM crm.customers c
JOIN lake.orders o ON o.customer_id = c.id
GROUP BY 1, 2;
3 Zeilen · 2 Quellen verknüpft · E-Mail gehasht
emailcityrevenue
5fc7613cacc41469Graz4,812.40
8169dd18e1635846Linz1,130.00
8a84971c7a971d8aWien2,977.15
Eine Databricks-Delta-Tabelle mit einer On-Premises-Datenbank verknüpft, Masken aktiv.
So funktioniert es

Worin sich Classifyre unterscheidet

  1. 01

    Über Systeme, nicht eine Plattform

    40+ Quelltypen unter einem Satz von Freigaben, Masken und Protokoll, die Databricks-Delta-Tabellen eingeschlossen.

  2. 02

    Masken ohne Funktionen zu schreiben

    Masken folgen der Klassifizierung: geschwärzt, letzte vier, gehasht, leer oder ausgeblendet, gewählt in einem Dialog statt als SQL-Funktion pro Spalte.

  3. 03

    Erkennung inklusive

    Die personenbezogenen Daten findet dasselbe Produkt, das sie maskiert, in Tabellen und in Dokumenten.

Klar gesagt

Wann was passt

Leben Ihre Daten und Nutzer in Databricks, ist Unity Catalog die natürliche Governance-Schicht, und seine Zeilenfilter und Spaltenmasken greifen in Databricks-Compute.

Ist Ihre Landschaft breiter als eine Plattform oder muss sie auf Ihren Servern laufen, gibt Classifyre Ihnen eine Governance-Schicht über alles und liest Databricks-Delta-Tabellen als eine Quelle unter vielen.

Im Vergleich

Classifyre und Unity Catalog im Vergleich

Stand November 2026, nach der öffentlichen Dokumentation der Projekte.

AspectUnity Catalog (Databricks)Classifyre
LizenzTeil der Databricks-Plattform; ein Open-Source-Server (LF AI & Data) bietet eine TeilmengeApache-2.0, jede Funktion
ReichweiteDas Databricks-Lakehouse und Engines, die seine APIs nutzen40+ Quelltypen: Datenbanken, Lakehouses, Dateien, SaaS-Werkzeuge
SpaltenmaskenSQL-Funktionen pro Spalte oder tag-basierte ABAC-RichtlinienPro Spalte oder nach Klassifizierung: schwärzen, letzte vier, hashen, leeren, ausblenden
ZeilenfilterSQL-Funktionen pro Tabelle oder ABAC-RichtlinienPro Gruppe, im Zweifel gesperrt
Personenbezogene Daten findenDatenklassifizierung für Databricks-TabellenDetektoren über Tabellen und Dokumente, mit Score und Begründung
BetriebDatabricks-ClouddienstSelbst betrieben: Docker, Kubernetes, OpenShift; läuft offline

Databricks ändert häufig; den aktuellen Stand finden Sie in deren Dokumentation. Korrekturen gerne an [email protected].

Was es nicht tut

Classifyre setzt seine Masken nicht in Databricks-Compute durch. Notebooks und Jobs, die Delta-Tabellen direkt in Databricks lesen, folgen den Regeln von Unity Catalog, nicht denen von Classifyre.

Ihr Zug

Noch heute auf Ihrem Rechner starten

Ein Docker-Image mit Datenbank, Oberfläche und Workern. Keine Anmeldung; einloggen mit classifyre / classifyre. Ihre Daten bleiben bei Ihnen.

docker run -d --name classifyre \  -p 3000:3000 \  --shm-size=1g \  -v classifyre-pgdata:/var/lib/postgresql/data \  -v classifyre-data:/var/lib/classifyre \  -v classifyre-uv-cache:/cache/uv \  classifyre/all-in-one:0.9.0
Einrichtung und Konfiguration →
helm install classifyre \
  oci://registry-1.docker.io/classifyre/classifyre-core \
  --version 0.9.0
Helm →
Oder mit einem Pilot beginnen

Vier bis sechs Wochen auf Ihren Daten: 3 bis 5 Quellen, abgestimmte Erkennung, Maskierung aktiv, eine BI-Anbindung und ein Fund- und Zugriffsbericht. Fester Umfang, Festpreis.

Über einen Pilot sprechen
Klare Antworten

Fragen

Mehr Detail in der Dokumentation · docs.classifyre.com