Improving cybersecurity readiness with a maturity framework for organizations in U.S. and Canada
Notice bibliographique
Résumé
The increasing frequency and sophistication of cyber threats have underscored the need for enhanced cybersecurity readiness among organizations in the U.S. and Canada. To address this need, this paper introduces a Cybersecurity Maturity Framework (CMF) designed to assist organizations in systematically assessing and improving their cybersecurity capabilities. The framework provides a structured approach for evaluating current security postures, identifying gaps, and prioritizing investments to mitigate risks effectively. The proposed CMF consists of five maturity levels: Initial, Developing, Established, Advanced, and Optimized. Each level encompasses critical domains, including governance, threat intelligence, incident response, and workforce development, with defined benchmarks to measure progress. By incorporating best practices from the National Institute of Standards and Technology (NIST) Cybersecurity Framework and Canada's Cyber Security Strategy, the CMF ensures alignment with regional regulatory requirements and industry standards. A key feature of the framework is its adaptability to organizations of various sizes and sectors. The CMF integrates advanced technologies such as artificial intelligence (AI) and machine learning (ML) for threat detection and predictive analytics while emphasizing the importance of human factors, including continuous employee training and leadership engagement. Moreover, the framework promotes collaboration between public and private sectors to facilitate information sharing and collective defense against evolving cyber threats. Through case studies, the application of the CMF is demonstrated in enhancing cybersecurity readiness for small and medium enterprises (SMEs) and large organizations in critical sectors such as healthcare, finance, and energy. Results indicate improved incident detection rates, faster response times, and strengthened resilience against sophisticated cyberattacks. This research highlights the necessity of adopting a maturity-based approach to cybersecurity, ensuring organizations can evolve their capabilities to counter dynamic threats. The Cybersecurity Maturity Framework provides a roadmap for sustainable improvement, empowering organizations in the U.S. and Canada to achieve a higher state of preparedness and resilience in the face of an ever-changing cyber threat landscape.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,011 | 0,008 |
| Études des sciences et des technologies | 0,006 | 0,002 |
| Communication savante | 0,007 | 0,004 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».