Data Security Strategies for Preventing Breaches Due to Insider Threats
Notice bibliographique
Résumé
Banking insider threats have been on the rise over the past decade.Information technology (IT) leaders in banks are concerned about the impact of insider threats because most of these attacks have been carried out by individuals accessing businesssensitive data, which, if exposed, could have severe business consequences.Grounded in actor-network theory, the purpose of this pragmatic inquiry study was to explore the security strategies used by IT security managers in banking industries to prevent breaches due to insider threats.Participants were six IT security managers in the banking industry in southeastern Canada who implemented security strategies to prevent insider threats.Data were collected using semi-structured in-person interviews, field notes, industry documents, security archival records and other publicly available security documents.Using thematic analysis, six themes were identified: (a) the need for security standards, procedures, and policies, (b) need for information security education and training, (c) importance of organizational security culture, (d) importance of asset management, (e) importance of identity and access management, and (f) importance of data security.A major recommendation is for IT leaders to invest more in security controls and integrate people, processes and technologies while creating a security culture within banks to help detect and prevent insider threat attacks.The implications for positive social change include the potential to improve security awareness, reduce maliciousness, and compliance with standards and procedures to prevent breaches, which may improve customer confidence in banking.
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 | 0,001 | 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».