論文の概要: Why Network Segmentation Projects Fail

• arxiv url: http://arxiv.org/abs/2604.08632v1
• Date: Thu, 09 Apr 2026 17:00:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.506288
• Title: Why Network Segmentation Projects Fail
• Title（参考訳）: ネットワークセグメンテーションプロジェクトが失敗する理由
• Authors: Rohit Dube,
• Abstract要約: ネットワークセグメンテーションは、基本的なエンタープライズセキュリティコントロールである。 その利益が認められているにもかかわらず、セグメンテーションイニシアチブは実際は失敗することが多い。 本稿では,400人の米国拠点ネットワークセキュリティ実践者の調査をもとに,失敗したセグメンテーションプロジェクトに関する実証的研究を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Network segmentation is a foundational enterprise security control. Despite its recognized benefits, segmentation initiatives frequently fail in practice, and the field lacks a systematic empirical explanation for why these projects do not achieve their intended outcomes. This paper presents an empirical study of failed segmentation projects based on a survey of 400 U.S.-based\ network security practitioners. The survey was grounded in a two-part failure framework that separately measures general IT project failure factors and segmentation-specific technical and operational barriers. Clustering analysis of the responses reveals four distinct failure archetypes. Surprisingly, practitioners across all four archetypes propose general IT project management fixes over segmentation-specific fixes in the same ratio.
• Abstract（参考訳）: ネットワークセグメンテーションは、基本的なエンタープライズセキュリティ制御である。 その利点にもかかわらず、セグメンテーションのイニシアチブは実際に失敗することが多く、これらのプロジェクトが意図した成果を達成できない理由について、体系的な実証的な説明が欠けている。 本稿では,400名の米国拠点のネットワークセキュリティ実践者の調査をもとに,失敗したセグメンテーションプロジェクトに関する実証的研究を行った。 この調査は、ITプロジェクトの一般的な失敗要因とセグメンテーション固有の技術的および運用上の障壁を別々に測定する、2部構成の障害フレームワークに基づいて行われた。 応答のクラスタリング解析により、4つの異なる障害アーチタイプが明らかになった。 驚くべきことに、すべての4つのアーチタイプにわたる実践者は、セグメンテーション固有の修正を同じ比率で、一般的なITプロジェクト管理修正を提案します。

関連論文リスト

• Analyzing VLM-Based Approaches for Anomaly Classification and Segmentation [0.0]
  VLM(Vision-Language Models)は、広範囲なラベル付きデータセットなしでゼロショットと少数ショットの欠陥識別を可能にすることで、異常検出に革命をもたらした。 本研究は, 異常分類 (AC) と異常分割 (AS) に対する VLM に基づくアプローチを包括的に分析する。
  論文  参考訳（メタデータ） (2026-01-19T22:55:30Z)
• Red Teaming Methodology for Design Obfuscation [4.143818786489041]
  我々は,設計難読化手法の安全性を評価するために,体系的なレッド・チーム・アプローチを提供する。 フロリダ大学が開発したRIPPERツールのケーススタディでは、一般的に考えられているよりも、オリジナルのデザインの構造についてより多くの情報がリークされていることが示されている。
  論文  参考訳（メタデータ） (2025-08-19T15:57:02Z)
• Lessons from a Big-Bang Integration: Challenges in Edge Computing and Machine Learning [52.86213078016168]
  プロジェクトはビッグバン統合のアプローチのため、重大な挫折に直面した。 この研究は、コミュニケーションの貧弱さを含む技術的および組織的障壁を特定する。 また、モックアップよりも完全に発達したコンポーネントに対するバイアスのような心理的要因も考慮している。
  論文  参考訳（メタデータ） (2025-07-23T07:16:45Z)
• Fixing Outside the Box: Uncovering Tactics for Open-Source Security Issue Management [9.990683064304207]
  我々はOSSプロジェクトにおける脆弱性修復戦術(RT)の分類に関する総合的研究を行う。 44個の異なるRTの階層型分類法を開発し,その有効性とコストを評価した。 私たちの発見は、代替ライブラリの使用や脆弱性の回避など、コミュニティ主導の戦略に大きく依存していることを強調しています。
  論文  参考訳（メタデータ） (2025-03-30T08:24:58Z)
• Why Do Multi-Agent LLM Systems Fail? [87.90075668488434]
  MAST-Dataは7つの人気のあるMASフレームワークで収集された1600以上の注釈付きトレースの包括的なデータセットである。 我々はMAST(Multi-Agent System Failure Taxonomy)を初めて構築する。 MASTとMAST-Dataを利用して、モデル(GPT4、Claude 3、Qwen2.5、CodeLlama)とタスク(コーディング、数学、汎用エージェント)の障害パターンを分析します。
  論文  参考訳（メタデータ） (2025-03-17T19:04:38Z)
• Generalized Semantic Segmentation by Self-Supervised Source Domain Projection and Multi-Level Contrastive Learning [79.0660895390689]
  ソースドメインでトレーニングされたディープネットワークは、未確認のターゲットドメインデータでテストした場合、パフォーマンスが低下している。 汎用セマンティックセグメンテーションのためのドメイン・プロジェクションとコントラシブ・ラーニング(DPCL)手法を提案する。
  論文  参考訳（メタデータ） (2023-03-03T13:07:14Z)
• On the Feasibility and Generality of Patch-based Adversarial Attacks on Semantic Segmentation Problems [0.0]
  安全上の重要なユースケースでは、敵の攻撃は依然として重大な脅威となる。 単純なケーススタディを通じて、パッチベースの攻撃がセグメンテーションネットワークの出力を変更するために利用されることを実証する。 これらの結果に基づいて、ほとんどのパッチベースの攻撃が実際には一般的なものではないことを証明します。
  論文  参考訳（メタデータ） (2022-05-21T08:49:22Z)
• Dual Contrastive Learning for General Face Forgery Detection [64.41970626226221]
  本稿では,正と負のペアデータを構成するDCL (Dual Contrastive Learning) という新しい顔偽造検出フレームワークを提案する。 本研究は, 事例内コントラスト学習(Intra-ICL)において, 偽造顔における局所的内容の不整合に焦点をあてる。
  論文  参考訳（メタデータ） (2021-12-27T05:44:40Z)
• Triggering Failures: Out-Of-Distribution detection by learning from local adversarial attacks in Semantic Segmentation [76.2621758731288]
  セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。 私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。 3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-08-03T17:09:56Z)
• Visual Boundary Knowledge Translation for Foreground Segmentation [57.32522585756404]
  視覚境界知識を明示的に考慮したモデルの構築を試みており、未確認カテゴリのセグメンテーションにおけるトレーニングの労力を減らそうとしている。 数十のラベル付きサンプルをガイダンスとして使うだけで、Trans-Netは完全な教師付きメソッドと同等のクローズな結果が得られる。
  論文  参考訳（メタデータ） (2021-08-01T07:10:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。