論文の概要: SoK: A Taxonomy for Cybersecurity Incident Response Influence Factors

• arxiv url: http://arxiv.org/abs/2607.02451v1
• Date: Thu, 02 Jul 2026 17:20:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.941271
• Title: SoK: A Taxonomy for Cybersecurity Incident Response Influence Factors
• Title（参考訳）: SoK:サイバーセキュリティインシデント対応要因の分類
• Abstract要約: サイバーセキュリティのインシデント対応は、研究者と実践者の両方にとって重要な関心領域となっている。 『サイバーセキュリティ事件対応要因分類に影響を及ぼす要因』は、知識の包括的かつ最新の概要を提供する。
• 参考スコア（独自算出の注目度）: 4.502073072283162
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cybersecurity incident response has emerged as a critical area of interest for both researchers and practitioners. The corpus of literature on cybersecurity incident response is expanding, yet a unified framework for systematically organizing the accumulated knowledge remains absent. The aspects of incident response span multiple domains, including technology, human-computer interaction, organizational theory, and human factors. A comprehensive, integrative perspective on these factors can enable researchers to identify underexplored areas and more effectively target their empirical and theoretical investigations. Our study systematizes the factors that influence organizational preparedness for and response to cybersecurity incidents. Through a systematic review of academic literature (n = 417) and non-scientific publications (n = 40), we derived the "Cybersecurity Incident Response Influencing Factor Taxonomy" (\textit{CIR-IF Taxonomy}). Existing empirical findings were classified within this taxonomy, providing a comprehensive and up-to-date overview of knowledge from the period 1999 to mid-2024. The taxonomy categories were systematically compared with seven established scientific frameworks and with the \textit{NIST Cyber Security Framework} elements referenced in the \textit{NIST Special Publication 800-61r3} incident response profile. The results of this comparison show that the \textit{CIR-IF Taxonomy} delivers a richer, more rigorous, and more systematically organized view of the factors that drive and shape incident response.
• Abstract（参考訳）: サイバーセキュリティのインシデント対応は、研究者と実践者の両方にとって重要な関心領域となっている。 サイバーセキュリティのインシデント対応に関する文献のコーパスは拡大しているが、蓄積した知識を体系的に整理するための統一されたフレームワークはいまだに存在しない。 インシデント応答の側面は、技術、人間とコンピュータの相互作用、組織理論、ヒューマンファクターなど、複数の領域にまたがる。 これらの要因に関する包括的で統合的な視点により、研究者は未探索領域を特定し、経験的および理論的研究をより効果的にターゲットすることができる。 本研究は,サイバーセキュリティ事件に対する組織的準備と対応に影響を与える要因を体系化する。 学術文献(n = 417)と非科学論文(n = 40)の体系的なレビューを通じて,我々は「サイバーセキュリティ事件対応要因分類に影響を与える要因分類」を導出した。 既存の経験的発見はこの分類学に分類され、1999年から2024年中頃までの知識の包括的かつ最新の概観を提供した。 分類分類分類は,7つの確立された科学的枠組みと,<textit{NIST Cyber Security Framework} の要素を, 800-61r3} のインシデント対応プロファイルに参照して体系的に比較した。 The results of this comparison shows that the \textit{CIR-IF Taxonomy} provide a rich, more rigorous, more systematically organized view of the factor that drive and shape incident response。

関連論文リスト

• ECLAIR: A Causally-Grounded AI Framework for Scientific Discovery in Empirical Software Engineering [51.19819833971252]
  本稿では,科学プロセスのすべての段階に大規模言語モデルを統合する,因果的基盤を持つAIフレームワークであるECLAIRを紹介する。 ECLAIRはLSMを因果推論の原理の下で活動する活発な科学的エージェントとして扱う。
  論文  参考訳（メタデータ） (2026-08-03T14:47:03Z)
• CDFM: Towards a General-Purpose Causal Discovery Foundation Model [62.32138962508216]
  因果発見は、観測データから根底にある因果構造を復元する過程である。 ゼロショット構造推論のための統一的汎用フレームワークとしてCausal Discovery Foundation Model (CDFM) を定式化する。 CDFMは従来のアルゴリズムを一貫して上回り、汎用因果発見基盤モデルへのパラダイムシフトを推進している。
  論文  参考訳（メタデータ） (2026-07-13T12:58:28Z)
• SciAtlas: A Large-Scale Knowledge Graph for Automated Scientific Research [64.97707567378497]
  我々はSciAtlasについて紹介する。SciAtlasは大規模・多分野・異種学術資源知識グラフである。 26の分野から43万以上の論文と合計157万のエンティティと3Bのトリプレットを統合することで、SciAtlasは構造的トポロジカル認知基質を提供する。 我々は, 単純な意味マッチングから決定論的関連発見へのシームレスな遷移を達成し, 三経路協調的リコールとグラフ再ランクを特徴とするニューロシンボリック検索アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2026-05-20T16:03:29Z)
• Automating Categorization of Scientific Texts with In-Context Learning and Prompt-Chaining in Large Language Models [4.1824815480811806]
  本研究は,科学的テキストの分析において,既成の大規模言語モデル(LLM)の性能を体系的に評価する。 In-Context Learning (ICL) と Prompt Chaining の先進的なエンジニアリング戦略の有効性を検討した。 実験の結果, プロンプト連鎖は純粋なICLに比べ, 分類精度が優れていることがわかった。
  論文  参考訳（メタデータ） (2026-04-25T19:52:21Z)
• The Story is Not the Science: Execution-Grounded Evaluation of Mechanistic Interpretability Research [56.80927148740585]
  我々は、動的に進化し、研究評価者としてAIエージェントを開発することで、スケーラビリティと厳密さの課題に対処する。 我々は,機械的解釈可能性の研究をテストベッドとして使用し,標準化された研究成果を構築し,MechEvalAgentを開発した。 我々の研究は、AIエージェントが研究評価を変革し、厳格な科学的実践の道を開く可能性を実証している。
  論文  参考訳（メタデータ） (2026-02-05T19:00:02Z)
• Towards a Science of Collective AI: LLM-based Multi-Agent Systems Need a Transition from Blind Trial-and-Error to Rigorous Science [70.3658845234978]
  大規模言語モデル(LLM)はマルチエージェントシステム(MAS)の機能を大幅に拡張した。 この急速な進歩にもかかわらず、この分野はいまだに実証的な試行錯誤に大きく依存している。 このボトルネックは、帰属の曖昧さに起因している。 本稿では,協調運転要因を体系的に同定する要因帰属パラダイムを提案する。
  論文  参考訳（メタデータ） (2026-02-05T04:19:52Z)
• ScholarPeer: A Context-Aware Multi-Agent Framework for Automated Peer Review [48.60540055009675]
  ScholarPeerは、上級研究者の認知過程をエミュレートするために設計された、検索可能なマルチエージェントフレームワークである。 We evaluate ScholarPeer on DeepReview-13K and the results showed that ScholarPeer achieve significant win-rates against state-of-the-art approach in side-side-side evaluations。
  論文  参考訳（メタデータ） (2026-01-30T06:54:55Z)
• MORPHEUS: A Multidimensional Framework for Modeling, Measuring, and Mitigating Human Factors in Cybersecurity [4.343339158263096]
  本稿では,人間中心のセキュリティを動的かつ相互に連携するシステムとして運用するMORPHEUSを紹介する。 フィッシング、マルウェア、パスワード管理、設定ミスなど、主要なサイバー脅威に対する感受性に影響を与える50のヒューマンファクタを集約する。 MorPHEUSは99の検証された心理測定器の在庫を通じて理論と実践を結びつけ、経験的評価と標的的介入を可能にした。
  論文  参考訳（メタデータ） (2025-12-20T10:27:37Z)
• FIST: A Structured Threat Modeling Framework for Fraud Incidents [1.686366122228481]
  FISTは、詐欺シナリオに特化して設計された、革新的な構造化された脅威モデリング手法である。 社会工学の戦術、ステージベースの行動分解、再利用可能な知識ベースへの詳細な攻撃テクニックのマッピングが組み込まれている。 FISTは、不正検出の効率を高め、脅威情報共有の標準化を目指している。
  論文  参考訳（メタデータ） (2025-06-06T04:54:49Z)
• A Survey on Vulnerability Prioritization: Taxonomy, Metrics, and Research Challenges [20.407534993667607]
  リソース制約は効果的な脆弱性優先順位付け戦略を必要とする。 本稿では,メトリクスを重大度,悪用性,文脈要因,予測指標,集約手法に分類する新しい分類法を提案する。
  論文  参考訳（メタデータ） (2025-02-16T10:33:37Z)
• A Taxonomy of Systemic Risks from General-Purpose AI [2.5956465292067867]
  我々は、システム的リスクを、社会全体や経済に影響を及ぼす大規模な脅威と見なしている。 システム的リスクの主な源は、知識ギャップ、害を認識するための課題、そしてAI開発における予測不可能な軌道から生まれる。 本稿では,汎用AIの大規模負の社会的影響を理解し,対処するための構造的基盤を提供することで,AIの安全性研究に寄与する。
  論文  参考訳（メタデータ） (2024-11-24T22:16:18Z)
• Cyber-Security Knowledge Graph Generation by Hierarchical Nonnegative Matrix Factorization [8.158794536515245]
  サイバーセキュリティに関する人間の知識の多くは、増え続ける科学論文の中にカプセル化されている。 知識グラフ(KG)は、事実情報を構造化された方法で保存する手段として機能する。 科学文献からKGを構築する際の課題の1つは、構造化されていないテキストからオントロジーを抽出することである。
  論文  参考訳（メタデータ） (2024-03-24T16:30:05Z)
• Unlocking Criminal Hierarchies: A Survey, Experimental, and Comparative Exploration of Techniques for Identifying Leaders within Criminal Networks [0.8192907805418581]
  本稿では,犯罪ネットワーク内の犯罪指導者の識別に使用される手法とアルゴリズムを網羅的に分析する。 それぞれの技術について,その有効性,限界,改善の可能性,今後の展望について検討する。
  論文  参考訳（メタデータ） (2024-01-26T20:09:31Z)
• TaxoCom: Topic Taxonomy Completion with Hierarchical Discovery of Novel Topic Clusters [57.59286394188025]
  我々はTaxoComというトピック分類の完成のための新しい枠組みを提案する。 TaxoComは、用語と文書の新たなサブトピッククラスタを発見する。 2つの実世界のデータセットに関する包括的実験により、TaxoComは、用語の一貫性とトピックカバレッジの観点から、高品質なトピック分類を生成するだけでなく、高品質なトピック分類を生成することを実証した。
  論文  参考訳（メタデータ） (2022-01-18T07:07:38Z)

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。