Venäjän hyökkäys Ukrainaan ja sen vaikutus Suomen kyberturvallisuuteen
Bibliographic record
Abstract
Opinnäytetyön tarkoituksena oli selvittää, miten helmikuussa 2022 alkanut Venäjän sotilaallinen hyökkäys Ukrainaa kohtaan on vaikuttanut Suomen kyberturvallisuuden tilaan. Opinnäytetyö rajattiin tuottamaan tietoa siitä, minkälaisia uhkia ja toimia hyökkäys on tuonut ilmi kyberturvallisuuden näkökulmasta Suomen valtiota, organisaatioita ja yksittäisiä ihmisiä kohtaan sekä onko mahdollisiin uhkiin reagoitu. Aiheen valintaan vaikutti kirjoittajan oma mielenkiinto sekä aiheen ajankohtaisuus ja merkityksellisyys. \n \nTutkimusmenetelmäksi valittiin empiirinen tutkimus. Aineistolähteinä hyödynnettiin kyberturvallisuutta koskevaa kirjallisuutta, alalla toimivien yritysten ja yhdistysten julkaisemia artikkeleita sekä viranomaisten raportteja ja verkkosivuja. Tarkoitus oli käyttää mahdollisimman ajantasaisia lähteitä. Teoriaosassa käsiteltiin kyberturvallisuuden peruskäsitteitä, osa-alueita, kyberhyökkäysten tekijöitä ja heidän motivaatioitaan tehdä hyökkäyksiä. Teoriaosuus on kirjoitettu siten, että kyberturvallisuudesta ennalta tietämätön henkilö saa käsityksen kyberturvallisuudesta ja sen tärkeydestä nyky-yhteiskunnan toimivuuden kannalta. \n \nTutkimustulosten perustella voitiin todeta, että Venäjän hyökkäys Ukrainaan on heijastunut myös Suomen kyberturvallisuuden kokonaiskuvaan. Suomen valtion organisaatioita kohtaan on kohdistettu venäläisten hakkeriryhmien toimesta hyökkäyksiä. Suomalaisia on joutunut väärennettyjen avustuskeräysten kohteiksi sekä Suomen tasavalta on joutunut lisäämään valmiuslakiin hybridipykälän, joka käsittelee kyberturvallisuusuhkia.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.002 |
| Scholarly communication | 0.008 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.088 | 0.033 |
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".