Kuntien kyberturvallisuushaasteet ja niihin varautuminen
Bibliographic record
Abstract
Opinnäytetyön tavoitteena on selvittää, millaisia kyberuhkakuvia Suomen kuntakenttään kohdistuu, millä tasolla kunnissa on mahdollisiin kyberhyökkäyksiin varauduttu sekä millaisia ratkaisumahdollisuuksia tilanteen parantamiseen olisi. Lisäksi tarkastellaan millaisia lisätarpeita kaupunkien yhä digitalisoituvat älykkäät verkottuneet järjestelmät sekä kriittiset palvelut asettavat kyberturvalle. \nTeoreettisena viitekehyksenä työssä tarkastellaan aluksi ”kyber”-käsitettä, valtiohallinnon kyberturvallisuuden kehittämisohjelmia ja lainsäädäntöä, sekä kyberturvallisuuden uhkia ja tilannetta Suomessa ja globaalisti. Työssä analysoidaan kunnille jo tehtyjä tutkimuksia sekä toteutettiin teemahaastattelututkimus kuntien edustajille, kyberturvapalveluiden toimittajille sekä kyberturvan parissa vaikuttavalle taholle. \nTutkimus tuo esille, että Suomessa on valtionhallinnon toimesta, niin lainsäädännöllisesti kuin kehittämisohjelmien muodossa, systemaattisesti kehitetty tietoturvaa. Kyberhyökkäysten riski Suomessa ja globaalisti on kasvanut. Kyberuhkiin varautumisen taso kunnissa on parantunut, mutta kuntien välillä on eroja. Pääsääntöisesti teknisiä suojaustoimenpiteitä kuntiin on toteutettu hyvin, mutta tietoturvan johtamisessa ylemmällä tasolla on vielä kehitettävää. Kyberturva näkyy vielä heikosti kunnan strategioissa.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.001 |
| Scholarly communication | 0.010 | 0.004 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.136 | 0.048 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".