論文の概要: ConGISATA: A Framework for Continuous Gamified Information Security Awareness Training and Assessment

• arxiv url: http://arxiv.org/abs/2604.14996v1
• Date: Thu, 16 Apr 2026 13:22:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.919297
• Title: ConGISATA: A Framework for Continuous Gamified Information Security Awareness Training and Assessment
• Title（参考訳）: ConGISATA: 継続的ゲーミフィケーション情報セキュリティアウェアネストレーニングとアセスメントのためのフレームワーク
• Authors: Ofir Cohen, Ron Bitton, Asaf Shabtai, Rami Puzis,
• Abstract要約: ConGISATAは,組込み型モバイルセンサをベースとした,連続的なゲーミフィケーション情報セキュリティ意識フレームワークである。 受動的リスク状況(個人によって認識されるような)をアクティブなリスク状況に変換することを目的としている。
• 参考スコア（独自算出の注目度）: 17.33240107900386
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The incidence of cybersecurity attacks utilizing social engineering techniques has increased. Such attacks exploit the fact that in every secure system, there is at least one individual with the means to access sensitive information. Since it is easier to deceive a person than it is to bypass the defense mechanisms in place, these types of attacks have gained popularity. This situation is exacerbated by the fact that people are more likely to take risks in their passive form, i.e., risks that arise due to the failure to perform an action. Passive risk has been identified as a significant threat to cybersecurity. To address these threats, there is a need to strengthen individuals' information security awareness (ISA). Therefore, we developed ConGISATA - a continuous gamified ISA training and assessment framework based on embedded mobile sensors; a taxonomy for evaluating mobile users' security awareness served as the basis for the sensors' design. ConGISATA's continuous and gradual training process enables users to learn from their real-life mistakes and adapt their behavior accordingly. ConGISATA aims to transform passive risk situations (as perceived by an individual) into active risk situations, as people tend to underestimate the potential impact of passive risks. Our evaluation of the proposed framework demonstrates its ability to improve individuals' ISA, as assessed by the sensors and in simulations of common attack vectors.
• Abstract（参考訳）: 社会工学技術を利用したサイバーセキュリティ攻撃の発生が増加している。 このような攻撃は、あらゆる安全なシステムにおいて、機密情報にアクセスする手段を持つ少なくとも一人の個人が存在するという事実を利用する。 防御機構をバイパスするよりも騙しやすいため、このような攻撃が盛んに行われている。 この状況は、人々が受動的形態でリスクを取る傾向にあるという事実、すなわち、行動の失敗によって生じるリスクにより悪化する。 受動的リスクはサイバーセキュリティに対する重大な脅威として認識されている。 これらの脅威に対処するためには、個人の情報セキュリティ意識(ISA)を強化する必要がある。 そこで我々は,組込み型モバイルセンサをベースとした連続ゲーミフィケーションISAトレーニング・アセスメントフレームワークであるConGISATAを開発した。 ConGISATAの継続的かつ段階的なトレーニングプロセスにより、ユーザは実生活の誤りから学び、それに応じて行動を適用することができる。 ConGISATAは、受動的リスクの潜在的影響を過小評価する傾向があるため、受動的リスクの状況(個人によって認識される)をアクティブなリスクの状況に変換することを目的としている。 提案フレームワークの評価は,センサによる評価や一般的な攻撃ベクトルのシミュレーションにおいて,個人のISAを改善する能力を示すものである。

関連論文リスト

• ANNIE: Be Careful of Your Robots [48.89876809734855]
  エンボディドAIシステムに対する敵の安全攻撃に関する最初の体系的研究について述べる。 すべての安全カテゴリーで攻撃の成功率は50%を超えている。 結果は、実証済みのAIシステムにおいて、これまで未調査だったが、非常に連続的な攻撃面を露呈する。
  論文  参考訳（メタデータ） (2025-09-03T15:00:28Z)
• Security Steerability is All You Need [3.475823664889679]
  この研究は、GenAIセキュリティに対するアプリケーション中心のアプローチに焦点を当てている。 LLMはアドホックなアプリケーション固有の脅威から保護することはできないが、そのような脅威からアプリケーションを保護するためのフレームワークを提供することができる。 最初のコントリビューションはセキュリティステアビリティの定義です - LLMの新たなセキュリティ対策であり、システムプロンプトで定義された厳格なガードレールに従うモデルの能力を評価します。 第2のコントリビューションは、VeganRibsと呼ばれる新しいベンチマークを利用して、LLMのセキュリティステアビリティを測定する手法です。
  論文  参考訳（メタデータ） (2025-04-28T06:40:01Z)
• strideSEA: A STRIDE-centric Security Evaluation Approach [1.996354642790599]
  strideSEAはSTRIDEを中央分類体系として統合し、脅威モデリング、攻撃シナリオ分析、リスク分析、対策レコメンデーションのセキュリティ活動に統合する。 strideSEAの応用は、実世界のオンライン免疫システムケーススタディで実証されている。
  論文  参考訳（メタデータ） (2025-03-24T18:00:17Z)
• Rethinking the Vulnerabilities of Face Recognition Systems:From a Practical Perspective [53.24281798458074]
  顔認識システム(FRS)は、監視やユーザー認証を含む重要なアプリケーションにますます統合されている。 最近の研究によると、FRSの脆弱性は敵(例えば、敵パッチ攻撃)やバックドア攻撃(例えば、データ中毒の訓練)であることが明らかになっている。
  論文  参考訳（メタデータ） (2024-05-21T13:34:23Z)
• The MESA Security Model 2.0: A Dynamic Framework for Mitigating Stealth Data Exfiltration [0.0]
  ステルスデータ流出は、隠蔽侵入、拡張された検出不能、機密データの不正な拡散を特徴とする重要なサイバー脅威である。 以上の結果から,従来の防衛戦略はこれらの高度な脅威に対処するには不十分であることが判明した。 この複雑な風景をナビゲートする上で、潜在的な脅威を予測し、防衛を継続的に更新することが重要です。
  論文  参考訳（メタデータ） (2024-05-17T16:14:45Z)
• A Security Risk Taxonomy for Prompt-Based Interaction With Large Language Models [5.077431021127288]
  本稿では,大規模言語モデル(LLM)によるセキュリティリスクに着目し,現在の研究のギャップに対処する。 我々の研究は,ユーザモデル通信パイプラインに沿ったセキュリティリスクの分類を提案し,一般的に使用されている機密性,完全性,可用性(CIA)3つのトライアドと並行して,ターゲットタイプと攻撃タイプによる攻撃を分類する。
  論文  参考訳（メタデータ） (2023-11-19T20:22:05Z)
• On the Security Risks of Knowledge Graph Reasoning [71.64027889145261]
  我々は、敵の目標、知識、攻撃ベクトルに応じて、KGRに対するセキュリティ脅威を体系化する。 我々は、このような脅威をインスタンス化する新しいタイプの攻撃であるROARを提示する。 ROARに対する潜在的な対策として,潜在的に有毒な知識のフィルタリングや,対向的な拡張クエリによるトレーニングについて検討する。
  論文  参考訳（メタデータ） (2023-05-03T18:47:42Z)
• Adversarial vs behavioural-based defensive AI with joint, continual and active learning: automated evaluation of robustness to deception, poisoning and concept drift [62.997667081978825]
  人工知能(AI)の最近の進歩は、サイバーセキュリティのための行動分析(UEBA)に新たな能力をもたらした。 本稿では、検出プロセスを改善し、人間の専門知識を効果的に活用することにより、この攻撃を効果的に軽減するソリューションを提案する。
  論文  参考訳（メタデータ） (2020-01-13T13:54:36Z)

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。