Ransomware Readiness Assessment Tool
Notice bibliographique
Résumé
Global ransomware activity in June 2025 recorded 463 confirmed incidents, representing a 15% decline compared to May, yet demonstrating a notable escalation in attack sophistication. The Qilin group dominated the threat landscape by exploiting critical Fortinet zero-day vulnerabilities and introducing a novel “Call Lawyer” feature to intensify extortion pressure. Concurrently, Fog employed stealthier intrusion methods through the abuse of legitimate and open- source tools for data exfiltration and defense evasion. The Anubis ransomware variant incorporated a destructive file-wiping mechanism, ensuring permanent data loss even after ransom payments. Professional services, healthcare, and information technology sectors emerged as the most affected industries worldwide, with the United States remaining the primary target, followed by Canada and the United Kingdom. Newly identified actors, including Teamxxx, Warlock, and former Black Basta affiliates, expanded the ransomware ecosystem by exploiting remote management software vulnerabilities and Microsoft Teams phishing campaigns for initial access. Adversaries further leveraged trusted cloud platforms such as Google Drive and OneDrive for covert command-and-control operations. The findings indicate that modern ransomware campaigns increasingly integrate financial extortion with espionage-oriented objectives, heightening strategic cyber risk and reinforcing the necessity for enhanced patch management and layered defense mechanisms.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,005 | 0,000 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,004 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».