Navigating the Digital Landscape: Enhancing Small and Medium Business’s Security through Asset Management and Data Classification
Notice bibliographique
Résumé
Small and Medium Enterprises (SMEs) account for 90% of businesses globally and contribute to 50% employment worldwide. Despite many widely acclaimed cybersecurity standards or frameworks that exist in the industry, SMEs are most vulnerable to cyberattacks and have a high chance of losing their existence if they undergo a successful cyberattack by cybercriminals. SMEs are rapidly adopting latest technologies but don’t have enough resources to implement the cybersecurity controls and therefore are actively targeted by cybercriminals. SMEs often try to manage cyber risk informally or as a reaction to security events or incidents. Both approaches, informal management and reaction-based risk mitigation, lack a structured method and blinds SMEs to actual cyber risk. Actual cyber risk can only be measured once the organization has visibility of all the assets that it aims to protect. This research provides guidance to SMEs on implementing cybersecurity techniques for protection of their assets. This research can help SMEs to follow a methodological approach to find all the assets in the organization, calculate the assets’ values, and subsequently apply protection controls. These techniques can serve as a suitable baseline protection of assets for SMEs and help them comply with potential future Service and Organization Controls 2 (SOC 2) requirements or comply with cybersecurity frameworks such as ISO 27001 and National Institute of Standards and Technology (NIST) Cybersecurity Framework (CSF). In this paper, we focus on Asset Management and Data Classification.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».