Julkisen pilven sovellustuotteiden kyberturvan varmistaminen
Bibliographic record
Abstract
Nykypäivänä pilvipalveluiden turvallisuus on elintärkeää niiden yleistymisen johdosta. Käyttäjinä toimii merkittäviä yrityksiä sekä yksityiskäyttäjiä, joiden informaatioita ei haluta vuotaa ulospäin. Pilvipalveluiden tarjoajat ovatkin suuressa vastuussa ympäristöjensä turvallisuuden kanssa. \n \nToimeksiantona oli Pinja SaaS-pohjaisten testiympäristöjen kyberturvan varmistaminen Palo Alton Prisma Cloud pilvipalveluiden turvallisuuden hallintajärjestelmällä. Työssä perehdyttiin tarkemmin sovellustuotteiden konfiguraatioiden turvallisuuteen, sekä Prisma Cloudin käyttöönottoon. \n \nTyön toimeksiantajana toimi ohjelmistoyhtiö Pinja, joka tarjoaa teollisuuden SaaS-ratkaisuja sekä muita digitalisaation kehittäviä ratkaisuja yrityksille. \n \nTutkimus suoritettiin integroimalla Palo Alton Prisma Cloud Pinjan käyttämään pilviympäristöön, sekä konfiguroimalla sen käyttöliittymä. Tarkoituksena oli saada selville, miten Cloud Security Posture Management -ratkaisu sai skannattua Pinjan pilviympäristöistä, sekä minkä tasoisia löydöksiä sieltä paljastuisi. Tutkimuksessa oli käytössä Palo Alto Prisma Cloudin Enterprise kahden kuukauden mittainen kokeiluversio, sekä Pinjan tuotteiden aktiiviset kehitysympäristöt. Kaikki havainnot olivat myös kerätty Prisma Cloudin omien oletus standardien sekä kriteeristöjen perusteella, eli itse luotuja hälytyksiä ympäristössä ei ollut. \n \nOpinnäytetyön tutkimuksen perusteella selvitettiin Pinjan testiympäristöjen kyberturvan tila konfiguraatioiden kannalta. Tuloksista löytyi useita eri tasoisia hälytyksiä. Kuitenkin merkittävä osa vakavammista hälytyksistä oli false positive -tyyppisiä hälytyksiä, jotka ovat yleisiä kehitysympäristöissä. Tällaisia olivat esimerkiksi Azuren oman Defender -komponentin pois kytkentä tietokannoista sekä palvelimilta. Työssä syvennyttiin myös Azuren SQL-hälytyksiin, joita oli tullut useita erilaisia sekä eri tasoisia.
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 | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.234 | 0.094 |
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".