NIST发布网络安全劳动力框架

简介: 本文讲的是NIST发布网络安全劳动力框架,美国国家标准与技术研究所(NIST)近日公布了一份网络安全劳动力框架,用以支持企业培养并维护有效网络安全员工的能力。

本文讲的是 NIST发布网络安全劳动力框架,美国国家标准与技术研究所(NIST)近日公布了一份网络安全劳动力框架,用以支持企业培养并维护有效网络安全员工的能力。
image

该框架定义了角色及角色所需的知识和技能;还定义了澄清网络安全教育者、培训者/认证者、雇主和雇员之间交流的通用语。该框架意图帮助公司企业发展其现有劳动力,并帮助学术机构持续培养未来劳动力。

与其他所有框架类似,使用的公司企业受益,而其他人无视。坦帕市信息安全官马丁·兹奈赫看出了其中的潜在好处。2015年,他将当前网络安全状态,与1972年美国东方航空401航班的缓慢下降并最终坠毁相提并论——机组人员仅仅是没分清应关注的主次。

在文章中,兹奈赫写道:“国家研究理事会在其2013年报告《为决策专业化国家网络安全劳动力标准》中,声明了网络安全依然是太过新兴的领域,无法为其实践者引入专业化标准。”

然而如今已是4年之后,NIST确实在提出教育性劳动力标准。我们正慢慢达到那一步。
NIST框架定义了7个主要的安全劳动力类别:安全供应;运营与维护;监管和治理;保护与防御;分析;收集与处理;调查。对于一些人来讲,这种解构主义是有其可取之处的;而其他人,则更多的是对潜在问题的担忧。

image

信息安全论坛(ISF)执行董事史蒂夫·德宾评论道:“尽管未来两年里,企业信息安全劳动力规模预计增加1/4以上;某些企业却是负担不起员工增长的。该框架可进一步帮助公司领导人为现有员工提供信息安全再培训和交流机会,以可承受的方式在一定程度上封堵不断拉大的技术缺口。”

内森·温斯勒,AsTech首席安全策略师,却对此不那么有信心。他认为,此框架适用于结构严谨相互独立的环境,比如联邦政府。但对广大已经挣扎于寻找适格网络安全人才的公司企业而言,通过该框架引入的人才只适应某个专门领域是不够的。大多数公司需要的是一专多能的安全人才。”

史蒂文·棱兹,三星美国研究院CSO兼信息安全总监,也有同样的顾虑。“网络安全劳动力框架是个好主意。但实际上,公司企业会不会采用,会不会关注,那是个很现实的问题。”

棱兹认为,其有效性取决于现有安全培训公司的接纳度。“当前安全培训认证网站,比如ISC^2、ISACA、SANS等等,会受到什么影响?他们会参与并帮助发展该NIST倡议吗?或者将之看作是短命的替代品?政府的备选?我们都需要继续培训,但培训合作伙伴需拧成一股绳来让我们这些实践者变得更强大。”

其他实践者还有更大的质疑。其中之一就是克里斯·罗伯茨,Acalvio首席安全架构师。“我不是证书爱好者,学历学位或任何正式培训都吸引不到我。我来自另一个时代,不是学徒工时代,但也相去不远了。我是在工作中学习的,我很庆幸自己遇到了一些极棒的导师,也有一颗渴望知识的心。这条路不适合所有人。我们需要以更好的方式适应。我不赞同‘只有获得学位才能成为专业人士’的想法。这种狗屁逻辑早就被世界上众多成功者证否了,应该被禁掉。我认同我们大家都是独立的个体,这个行业很善于适应并理解该领域众多从业者都没接受主流教育。”

罗伯茨的抗争或许是徒劳的。任何系统的成熟,都伴随着控制的集中化。个别银行经理不再能决定贷款,决策由总部控制。连锁店经理基本决定不了自己的库存——同样是集中控制的。政治管控一贯归于中央。网络安全教育国家倡议(NICE)网络安全劳动力框架,或许是集中化的又一个样本,目前以指南和辅导的形式存在,但最终会走向坚持要求的形式。它对某些人有用,其他人则不然。

史蒂夫·德宾对此毫不疑虑。“有些人可能会说该框架太过简单或不够彻底,但面对很多人预测的人才短缺程度,这至少能为企业提供努力吸引和留住网络人才的指南。”
image

原文发布时间为:八月 15, 2017
本文作者:nana
本文来自云栖社区合作伙伴安全牛,了解相关信息可以关注安全牛。
原文链接:http://www.aqniu.com/industry/27429.html

相关文章
|
3月前
|
机器学习/深度学习 算法 量子技术
GQNN框架:让Python开发者轻松构建量子神经网络
为降低量子神经网络的研发门槛并提升其实用性,本文介绍一个名为GQNN(Generalized Quantum Neural Network)的Python开发框架。
78 4
GQNN框架:让Python开发者轻松构建量子神经网络
|
1月前
|
机器学习/深度学习 算法 PyTorch
【Pytorch框架搭建神经网络】基于DQN算法、优先级采样的DQN算法、DQN + 人工势场的避障控制研究(Python代码实现)
【Pytorch框架搭建神经网络】基于DQN算法、优先级采样的DQN算法、DQN + 人工势场的避障控制研究(Python代码实现)
|
1月前
|
监控 前端开发 安全
Netty 高性能网络编程框架技术详解与实践指南
本文档全面介绍 Netty 高性能网络编程框架的核心概念、架构设计和实践应用。作为 Java 领域最优秀的 NIO 框架之一,Netty 提供了异步事件驱动的网络应用程序框架,用于快速开发可维护的高性能协议服务器和客户端。本文将深入探讨其 Reactor 模型、ChannelPipeline、编解码器、内存管理等核心机制,帮助开发者构建高性能的网络应用系统。
177 0
|
1月前
|
机器学习/深度学习 算法 PyTorch
【DQN实现避障控制】使用Pytorch框架搭建神经网络,基于DQN算法、优先级采样的DQN算法、DQN + 人工势场实现避障控制研究(Matlab、Python实现)
【DQN实现避障控制】使用Pytorch框架搭建神经网络,基于DQN算法、优先级采样的DQN算法、DQN + 人工势场实现避障控制研究(Matlab、Python实现)
|
4月前
|
机器学习/深度学习 API TensorFlow
BayesFlow:基于神经网络的摊销贝叶斯推断框架
BayesFlow 是一个基于 Python 的开源框架,利用摊销神经网络加速贝叶斯推断,解决传统方法计算复杂度高的问题。它通过训练神经网络学习从数据到参数的映射,实现毫秒级实时推断。核心组件包括摘要网络、后验网络和似然网络,支持摊销后验估计、模型比较及错误检测等功能。适用于流行病学、神经科学、地震学等领域,为仿真驱动的科研与工程提供高效解决方案。其模块化设计兼顾易用性与灵活性,推动贝叶斯推断从理论走向实践。
152 7
BayesFlow:基于神经网络的摊销贝叶斯推断框架
|
11月前
|
数据采集 存储 JSON
Python网络爬虫:Scrapy框架的实战应用与技巧分享
【10月更文挑战第27天】本文介绍了Python网络爬虫Scrapy框架的实战应用与技巧。首先讲解了如何创建Scrapy项目、定义爬虫、处理JSON响应、设置User-Agent和代理,以及存储爬取的数据。通过具体示例,帮助读者掌握Scrapy的核心功能和使用方法,提升数据采集效率。
459 6
|
7月前
|
监控 安全 Cloud Native
企业网络架构安全持续增强框架
企业网络架构安全评估与防护体系构建需采用分层防御、动态适应、主动治理的方法。通过系统化的实施框架,涵盖分层安全架构(核心、基础、边界、终端、治理层)和动态安全能力集成(持续监控、自动化响应、自适应防护)。关键步骤包括系统性风险评估、零信任网络重构、纵深防御技术选型及云原生安全集成。最终形成韧性安全架构,实现从被动防御到主动免疫的转变,确保安全投入与业务创新的平衡。
|
10月前
|
机器学习/深度学习 算法 PyTorch
基于图神经网络的大语言模型检索增强生成框架研究:面向知识图谱推理的优化与扩展
本文探讨了图神经网络(GNN)与大型语言模型(LLM)结合在知识图谱问答中的应用。研究首先基于G-Retriever构建了探索性模型,然后深入分析了GNN-RAG架构,通过敏感性研究和架构改进,显著提升了模型的推理能力和答案质量。实验结果表明,改进后的模型在多个评估指标上取得了显著提升,特别是在精确率和召回率方面。最后,文章提出了反思机制和教师网络的概念,进一步增强了模型的推理能力。
535 4
基于图神经网络的大语言模型检索增强生成框架研究:面向知识图谱推理的优化与扩展
|
11月前
|
人工智能 自然语言处理
WebDreamer:基于大语言模型模拟网页交互增强网络规划能力的框架
WebDreamer是一个基于大型语言模型(LLMs)的网络智能体框架,通过模拟网页交互来增强网络规划能力。它利用GPT-4o作为世界模型,预测用户行为及其结果,优化决策过程,提高性能和安全性。WebDreamer的核心在于“做梦”概念,即在实际采取行动前,用LLM预测每个可能步骤的结果,并选择最有可能实现目标的行动。
267 1
WebDreamer:基于大语言模型模拟网页交互增强网络规划能力的框架
|
11月前
|
供应链 安全 物联网安全
NIST(美国国家标准与技术研究院)在网络安全领域进行了多项创新
NIST(美国国家标准与技术研究院)在网络安全领域进行了多项创新
273 10