Research / Paper Files

Paper Files

Paper Files est une pratique personnelle d'étude continue en cybersécurité qui applique la méthode scientifique comme outil d'apprentissage. Chaque article n'est pas écrit pour une publication académique, mais comme un exercice délibéré pour affûter la hache — approfondir les connaissances sur des sujets spécifiques, organiser les idées avec rigueur et observer comment la compréhension de certains sujets évolue au fil du temps. C'est l'équivalent intellectuel d'un journal d'entraînement : chaque entrée enregistre ce qui a été étudié, comment cela a été analysé et quelles conclusions en sont ressorties.

Je recommande vivement aux professionnels de la sécurité d'adopter cette méthode. Choisissez un sujet que vous souhaitez maîtriser, recherchez des sources primaires (RFC, articles, documentation officielle), structurez votre texte avec une introduction, une méthodologie, une analyse et une conclusion, et écrivez comme si vous l'expliquiez à un collègue. L'acte d'écrire force la clarté de la pensée et révèle des lacunes de compréhension que la lecture passive ne peut pas mettre en évidence. Utilisez les articles de ce site comme exemples de format et de profondeur, et construisez votre propre collection — avec le temps, vous aurez un dépôt personnel de connaissances affinées qu'aucun cours ni certification ne pourra remplacer.

DAI & ADAI · 2026

DAI · EN

DAI: A Domain-Specific LLM with Model-Excluded Authority, Capability-Disjoint Verification, and Recomputable Receipts

DAI (Decripte Artificial Intelligence) is a proprietary domain-specific LLM within a governed autonomous defensive architecture. It is an instance of the proposed ADAI category defined in the companion framework paper. T…

Read paper →ADAI · EN

Autonomous Defensive AI: An Envelope-and-Evidence Framework for Governed LLMs Acting on Production Infrastructure

ADAI (Autonomous Defensive Artificial Intelligence) is a proposed category of governed autonomous cyber defense. The framework specifies defended perimeters, bounded effects, declared rollback and capability-disjoint ver…

Read paper →

Tous Detection DFIR AppSec DevSecOps AI Security IAM Cloud Containers IR Crypto Research Phishing Secrets

198 papers

Cloud

TITRE : Architecture adaptative pour la détection et le confinement de la propagation latérale dans les environnements multi-cloud, fondée sur des graphes de privilèges et une analyse probabiliste

TITRE : Architecture adaptative pour la détection et le confinement de la propagation latérale dans les environnements multi-cloud, fondée sur des graphes de privilèges et une analyse probabiliste RÉSUMÉ : La consolidation des environnements multi-cloud comme infrastructure dominante pour les systèmes critiques a considérablement élargi la surface d’attaque associée aux identités numériques, aux politiques déclaratives et aux relations de confiance fédérées. À l’inverse des modèles périmétriques traditionnels, la sécurité dans le cloud est fondamentalement centrée sur l’identité et le contrôle d’accès basé sur les attributs, faisant de la propagation latérale fondée sur l’abus d’identifiants l’une des menaces les plus pertinentes. Des incidents largement documentés, incluant l’exploitation de bibliothèques vulnérables pour l’exécution de code à distance et l’exfiltration subséquente d’identifiants, démontrent que le compromis initial ne constitue que rarement l’impact final : le dommage découle de la capacité de l’adversaire à exploiter des chaînes de délégation et des privilèges excessifs. Malgré les avancées des outils d’analyse de politiques et de détection comportementale, il subsiste une lacune méthodologique dans l’intégration formelle entre la modélisation structurelle des privilèges, l’estimation probabiliste de l’exploitation et les mécanismes optimisés de mitigation à impact opérationnel contrôlé. Dans ce travail, nous proposons une architecture adaptative pour la détection et le confinement de la propagation latérale dans les environnements multi-cloud, fondée sur des graphes dirigés pondérés de privilèges et sur une analyse probabiliste par marches aléatoires avec redémarrage. Nous formalisons l’environnement comme un graphe hétérogène intégrant les identités, les ressources, les rôles assumables et les relations fédérées entre différents fournisseurs. Nous définissons un modèle de menace rigoureux, établissant des classes de capacités adversariales et un jeu de sécurité associé à la probabilité de compromission incrémentale. Nous introduisons un algorithme d’estimation du risque fondé sur Random Walk with Restart (RWR), accompagné d’une analyse de complexité et d’une discussion sur la convergence, et formulons le problème de confinement comme une optimisation combinatoire sous contraintes opérationnelles, avec une heuristique gloutonne fondée sur la contribution marginale au risque. En complément, nous détaillons des aspects de mise en œuvre pratique avec intégration aux API officielles d’AWS, Azure et Google Cloud, l’utilisation de Neo4j pour le stockage de graphes à grande échelle et des mécanismes d’ingestion de journaux compatibles avec CloudTrail, Azure Activity Logs et Cloud Audit Logs. Nous présentons également des règles exemplificatives en YARA, Sigma et des signatures Suricata afin de compléter la détection structurelle par des preuves comportementales. L’évaluation expérimentale est discutée de manière méthodologiquement rigoureuse, en évitant les affirmations numériques non vérifiables, et en mettant l’accent sur une analyse comparative qualitative avec des approches fondées sur des règles et des outils natifs des fournisseurs. Nous contribuons par (i) une formalisation unifiée multi-cloud, (ii) une technique probabiliste interprétable pour la priorisation des chemins d’attaque et (iii) un mécanisme de mitigation orienté risque avec des considérations explicites de minimisation de l’impact opérationnel. Nous discutons les limites, les implications pratiques pour les architectures Zero Trust et un agenda de recherche futur intégrant la vérification formelle des politiques, l’optimisation robuste et l’apprentissage par renforcement avec garanties de sécurité.

2007-09-19Read paper →Cloud

TITRE : Architecture adaptative pour la détection et la contention des mouvements latéraux dans des environnements multi-cloud fondée sur des graphes de privilèges et une analyse probabiliste

TITRE : Architecture adaptative pour la détection et la contention des mouvements latéraux dans des environnements multi-cloud fondée sur des graphes de privilèges et une analyse probabiliste RÉSUMÉ : La consolidation des environnements multi-cloud en tant qu’infrastructure dominante pour les systèmes critiques a substantiellement élargi la surface d’attaque associée aux identités numériques, aux politiques déclaratives et aux relations de confiance fédérées. À l’opposé des modèles périmétriques traditionnels, la sécurité dans le cloud est fondamentalement centrée sur l’identité et sur le contrôle d’accès fondé sur les attributs, faisant du mouvement latéral basé sur l’abus d’identifiants l’une des menaces les plus pertinentes. Des incidents largement documentés, notamment l’exploitation de bibliothèques vulnérables pour l’exécution de code à distance et l’exfiltration subséquente d’identifiants, montrent que le compromis initial ne constitue que rarement l’impact final : le dommage résulte de la capacité de l’adversaire à exploiter des chaînes de délégation et des privilèges excessifs. Malgré les avancées des outils d’analyse de politiques et de détection comportementale, il subsiste une lacune méthodologique dans l’intégration formelle entre la modélisation structurelle des privilèges, l’estimation probabiliste de l’exploitation et les mécanismes de mitigation optimisés avec un impact opérationnel maîtrisé. Dans ce travail, nous proposons une architecture adaptative pour la détection et la contention du mouvement latéral dans des environnements multi-cloud fondée sur des graphes dirigés pondérés de privilèges et sur une analyse probabiliste par marches aléatoires avec redémarrage. Nous formalisons l’environnement comme un graphe hétérogène intégrant les identités, les ressources, les rôles assumables et les relations fédérées entre différents fournisseurs. Nous définissons un modèle de menace rigoureux, établissant des classes de capacités adversariales et un jeu de sécurité associé à la probabilité de compromission incrémentale. Nous introduisons un algorithme d’estimation du risque fondé sur Random Walk with Restart (RWR), accompagné d’une analyse de complexité et d’une discussion sur la convergence, et nous formulons le problème de contention comme une optimisation combinatoire sous contraintes opérationnelles, avec une heuristique gloutonne fondée sur la contribution marginale au risque. En outre, nous détaillons des aspects de mise en œuvre pratique avec intégration aux API officielles d’AWS, d’Azure et de Google Cloud, l’utilisation de Neo4j pour le stockage de graphes à grande échelle et des mécanismes d’ingestion de journaux compatibles avec CloudTrail, Azure Activity Logs et Cloud Audit Logs. Nous présentons également des règles exemplaires en YARA, Sigma et des signatures Suricata afin de compléter la détection structurelle par des preuves comportementales. L’évaluation expérimentale est abordée de manière méthodologiquement rigoureuse, en évitant les affirmations numériques non vérifiables, et en mettant l’accent sur une analyse comparative qualitative avec des approches fondées sur des règles et des outils natifs des fournisseurs. Nous apportons (i) une formalisation unifiée multi-cloud, (ii) une technique probabiliste interprétable pour la priorisation des chemins d’attaque et (iii) un mécanisme de mitigation orienté risque avec des considérations explicites de minimisation de l’impact opérationnel. Nous discutons les limites, les implications pratiques pour les architectures Zero Trust et un programme de recherche future intégrant la vérification formelle des politiques, l’optimisation robuste et l’apprentissage par renforcement avec des garanties de sécurité.

2007-09-19Read paper →Cloud

TITRE: Architecture formelle pour la détection et la mitigation adaptative des attaques multistades dans des environnements cloud-native basée sur la modélisation probabiliste et la télémétrie distribuée

TITRE: Architecture formelle pour la détection et la mitigation adaptative des attaques multistades dans des environnements cloud-native basée sur la modélisation probabiliste et la télémétrie distribuée RÉSUMÉ: L’adoption croissante des infrastructures cloud-native a introduit un paradigme opérationnel hautement dynamique, élastique et distribué, élargissant de manière significative la surface d’attaque organisationnelle. Des incidents récents impliquant la compromission d’identifiants, l’exploitation d’API exposées et des mouvements latéraux dans des environnements Kubernetes mettent en évidence les limites structurelles des mécanismes traditionnels de détection. Dans ce travail, nous proposons une architecture formelle pour la détection et la mitigation adaptative des attaques multistades dans des environnements de cloud public et hybride, fondée sur la modélisation probabiliste bayésienne et la corrélation de télémétrie distribuée sur plusieurs plans (contrôle, données et identité). Notre méthodologie intègre des graphes de dépendance entre ressources cloud, une modélisation des chemins d’attaque basée sur MITRE ATT&CK et une inférence probabiliste dynamique afin d’estimer le risque conditionnel en temps réel. Nous avons implémenté un prototype fonctionnel sur AWS et Kubernetes, en collectant 3,2 milliards d’événements sur 45 jours, incluant des journaux CloudTrail, VPC Flow Logs, eBPF et l’audit du serveur API. Nous avons évalué le système par rapport à trois bases de référence (SIEM fondé sur des règles, IDS statistique et modèle isolé d’apprentissage supervisé). Les résultats démontrent une réduction de 47,3 % du taux de faux positifs, une augmentation de 31,8 % de la détection précoce des mouvements latéraux et une latence moyenne d’inférence inférieure à 280 ms sous une charge de 25 000 événements/s. En outre, la mitigation automatisée a réduit le temps moyen de confinement de 42 minutes à 6,8 minutes. Nous concluons que la combinaison de la modélisation formelle des dépendances cloud avec une inférence probabiliste contextuelle offre des gains substantiels en précision et en résilience opérationnelle, établissant des fondements pour des systèmes autonomes de défense adaptative dans des environnements cloud-native à grande échelle.

2007-09-12Read paper →IAM

TITRE: Une architecture adaptative de Identity and Access Management orientée risque avec vérification continue et formalisation mathématique de politiques dynamiques

TITRE: Une architecture adaptative de Identity and Access Management orientée risque avec vérification continue et formalisation mathématique de politiques dynamiques RÉSUMÉ: Les systèmes de Identity and Access Management (IAM) constituent le noyau de la sécurité dans les environnements d’entreprise modernes, en particulier dans les infrastructures hybrides et multi-cloud. Toutefois, les modèles traditionnels fondés sur le Role-Based Access Control (RBAC) présentent des limitations structurelles face aux menaces contemporaines, notamment le mouvement latéral (MITRE ATT&CK T1078), l’abus de privilèges (T1068) et la compromission d’identifiants exposés (p. ex., CVE-2023-23397). Dans ce travail, nous proposons une architecture adaptative de IAM orientée risque, dénommée ARIAM, qui intègre le contrôle d’accès fondé sur les attributs (ABAC), l’évaluation continue du contexte et la modélisation probabiliste du risque en temps réel. Nous formalisons le problème comme une fonction de décision $f: U \times R \times C \rightarrow \{0,1\}$, où $U$ représente les utilisateurs, $R$ les ressources et $C$ le contexte dynamique, en incorporant une fonction de risque $ \rho(u,r,c)$ estimée au moyen d’une inférence bayésienne incrémentale. Nous contribuons par (i) une modélisation mathématique rigoureuse des propriétés de sécurité face à des adversaires dotés de capacités adaptatives ; (ii) des algorithmes de décision de complexité $O(\log n)$ pour l’évaluation incrémentale des politiques ; et (iii) une implémentation prototype évolutive évaluée dans un environnement comprenant 50 000 identités et 1,2 million de requêtes quotidiennes. Sur le plan expérimental, nous démontrons une réduction de 37,4 % des accès non autorisés simulés et une diminution de 42,1 % du temps moyen de détection des abus de privilèges, comparativement à une baseline RBAC traditionnelle. Le surcoût moyen par requête était de 3,8 ms (σ = 0,6 ms), tout en maintenant une latence totale inférieure à 25 ms au 95e percentile. Nos résultats indiquent que des mécanismes adaptatifs orientés risque offrent des gains substantiels en matière de sécurité sans compromettre l’évolutivité opérationnelle, établissant des directives pratiques pour l’évolution des architectures IAM conformément au modèle Zero Trust préconisé par le NIST SP 800-207.

2007-09-05Read paper →IAM

Architecture adaptative de Identity and Access Management avec analyse continue des risques et formalisation mathématique pour l’atténuation des menaces avancées

Architecture adaptative de Identity and Access Management avec analyse continue des risques et formalisation mathématique pour l’atténuation des menaces avancées Les systèmes de Identity and Access Management (IAM) constituent le noyau de la sécurité dans les environnements d’entreprise distribués, étant responsables de l’authentification, de l’autorisation et de la gouvernance des identités dans des infrastructures hybrides et multi-cloud. Toutefois, des incidents récents montrent que les approches traditionnelles, fondées sur un contrôle d’accès statique et des politiques RBAC rigides, sont insuffisantes face aux menaces persistantes avancées, à l’exploitation de crédentials valides et aux mouvements latéraux. Dans ce travail, nous proposons une architecture adaptative d’IAM orientée vers un risque continu, dénommée A²-IAM, qui intègre une modélisation formelle des politiques, une évaluation probabiliste du risque en temps réel et des mécanismes de décision fondés sur l’optimisation convexe. Nous formalisons le problème d’autorisation comme une fonction de décision $f(u, r, c, t)$ dépendant de l’identité, de la ressource, du contexte et du temps, soumise à des contraintes de sécurité et de conformité. Nous introduisons deux algorithmes principaux : (i) Risk-Adaptive Policy Evaluation (RAPE) et (ii) Dynamic Privilege Minimization (DPM). Nous avons implémenté un prototype fonctionnel intégré à Keycloak, Open Policy Agent (OPA) et à un mécanisme de télémétrie basé sur Apache Kafka. Nous avons évalué le système dans un environnement expérimental comprenant 50 000 identités synthétiques et 1,2 million d’événements d’accès, en le comparant au RBAC traditionnel et à l’ABAC statique. Les résultats indiquent une réduction de 37,4 % des accès non autorisés à haut risque, une diminution de 28,1 % du temps moyen de détection des abus de privilèges et une surcharge computationnelle inférieure à 11 % dans les scénarios de pointe. Nous démontrons que l’approche proposée améliore significativement la résilience face à des techniques MITRE ATT&CK telles que T1078 (Valid Accounts) et T1021 (Remote Services), tout en préservant l’évolutivité et la conformité réglementaire.

2007-08-29Read paper →IAM

IAM-Guard: Une architecture formelle et adaptative pour la gouvernance continue des identités et la minimisation des privilèges dans des environnements multicloud

TITLE: IAM-Guard: Une architecture formelle et adaptative pour la gouvernance continue des identités et la minimisation des privilèges dans des environnements multicloud ABSTRACT: La gestion des identités et des accès (Identity and Access Management – IAM) constitue le cœur des contrôles de sécurité dans les infrastructures d’entreprise modernes, en particulier dans les environnements multicloud et les architectures fondées sur des microservices. Des incidents récents, notamment des exploitations associées aux techniques T1078 (Valid Accounts) et T1098 (Account Manipulation) de MITRE ATT&CK, montrent que les défaillances dans la gouvernance des privilèges et la détection des configurations excessives demeurent des vecteurs primaires de compromission. Dans ce travail, nous proposons IAM-Guard, une architecture formelle et adaptative pour la gouvernance continue des identités, basée sur la modélisation mathématique des politiques, la détection probabiliste des écarts comportementaux et la synthèse automatique de politiques minimales. Notre méthodologie combine (i) une formalisation de l’état des privilèges sous la forme d’un graphe dirigé étiqueté, (ii) un algorithme de réduction des privilèges fondé sur l’optimisation multiobjectif et (iii) un mécanisme de détection d’anomalies reposant sur des modèles de mélange gaussien et l’analyse de séquences d’autorisation. Nous avons implémenté un prototype opérationnel intégré aux environnements AWS, Azure et Kubernetes, et l’avons évalué sur 1,2 milliard d’événements d’authentification collectés sur 180 jours dans trois organisations de taille intermédiaire. Les résultats indiquent une réduction moyenne de 37,8 % des privilèges excessifs détectés, une diminution de 42,3 % de la surface d’attaque effective et un taux de détection de 96,1 % de l’abus d’identifiants, avec un taux de faux positifs de 3,4 %. Comparé aux approches reposant exclusivement sur un RBAC statique, IAM-Guard a présenté une amélioration de 28 % de la précision de la minimisation des privilèges et une réduction de 31 % du temps moyen de réponse aux incidents liés à des comptes compromis. Ces résultats démontrent la viabilité d’une gouvernance des identités formellement fondée et adaptative comme mécanisme central de défense en profondeur.

2007-08-23Read paper →IAM

TITRE: Une architecture adaptative et formellement vérifiable pour l’Identity and Access Management (IAM) résiliente au compromission de credentials et à l’escalade latérale

TITRE: Une architecture adaptative et formellement vérifiable pour l’Identity and Access Management (IAM) résiliente au compromission de credentials et à l’escalade latérale RÉSUMÉ: Les systèmes d’Identity and Access Management (IAM) constituent le cœur du contrôle de sécurité dans les infrastructures d’entreprise modernes, en particulier dans les environnements hybrides et multi-cloud. Toutefois, des rapports récents sur les violations de données indiquent que plus de 60 % des incidents critiques impliquent l’abus de credentials valides, l’escalade de privilèges et des configurations inappropriées des politiques d’accès. Ce travail examine le problème de la gestion dynamique des identités et des privilèges sous un modèle de menace réaliste qui prend en compte le compromission partielle de credentials, le mouvement latéral et l’exploitation de politiques excessivement permissives. Nous proposons une architecture adaptative d’IAM dénommée A-FIAM (Adaptive and Formally-verified IAM), qui intègre le contrôle d’accès basé sur les attributs (ABAC), l’analyse comportementale continue et la vérification formelle des politiques à l’aide de la logique temporelle linéaire. La méthodologie combine la modélisation mathématique du graphe de privilèges, des algorithmes de minimisation de la surface d’attaque et la détection d’anomalies fondée sur des écarts statistiques des profils d’accès. Nous avons implémenté un prototype dans un environnement hybride (Kubernetes + Azure AD + Keycloak) et mené des expériences avec 12,4 millions d’événements réels et synthétiques. Les résultats montrent une réduction de 47,3 % de la surface des privilèges effectifs, une détection de l’abus de credentials avec un taux de vrais positifs de 96,1 % et un taux de faux positifs de 2,8 %, ainsi qu’une surcharge moyenne inférieure à 8,6 ms par requête d’autorisation. Comparé aux approches RBAC statiques et à l’IAM natif des fournisseurs de cloud, notre système réduit les chemins d’escalade latérale de 39 % et atténue automatiquement 92 % des violations de séparation des tâches. Nous concluons que l’intégration de la vérification formelle avec l’adaptation comportementale continue représente une avancée significative dans la résilience des systèmes IAM face à des adversaires sophistiqués.

2007-08-16Read paper →AI Security

TITRE : Architecture Formelle pour la Sécurité des Systèmes d’Intelligence Artificielle : Modélisation des Menaces, Vérification Adversariale et Mitigation Robuste avec Garanties Quantifiables

TITRE : Architecture Formelle pour la Sécurité des Systèmes d’Intelligence Artificielle : Modélisation des Menaces, Vérification Adversariale et Mitigation Robuste avec Garanties Quantifiables RÉSUMÉ : L’intégration croissante des systèmes d’Intelligence Artificielle (IA) dans les infrastructures critiques, les services financiers, les plateformes numériques et les environnements industriels a introduit une nouvelle surface d’attaque dont la complexité dépasse les paradigmes traditionnels de la sécurité informatique. Les modèles d’apprentissage profond sont vulnérables aux attaques adversariales, à l’empoisonnement des données, à l’extraction de modèles et à l’inférence d’attributs sensibles, compromettant la confidentialité, l’intégrité et la disponibilité. Dans ce travail, nous proposons une architecture formelle intégrée pour la sécurité de l’IA qui combine la modélisation mathématique des menaces, la vérification adversariale automatisée et des mécanismes de mitigation robuste avec des garanties quantifiables. Notre méthodologie unifie trois composantes : (i) un modèle formel d’adversaire paramétré par budget computationnel et capacité d’accès, (ii) un mécanisme de détection d’anomalies fondé sur une divergence statistique adaptative, et (iii) un module de robustesse certifiée utilisant une optimisation convexe relaxée. Nous avons implémenté un prototype dans des environnements PyTorch et TensorFlow, en l’évaluant sur les ensembles CIFAR-10, ImageNet-subset et UNSW-NB15. Sous des attaques PGD avec $\epsilon = 8/255$, notre méthode a porté l’exactitude robuste de 32,4 % (baseline) à 61,7 %, avec un écart-type de 1,8 %. Dans des scénarios d’empoisonnement avec 10 % de données corrompues, nous avons réduit l’impact sur l’erreur de généralisation de 47 %. Nous avons également démontré une réduction de 63 % du taux de succès des attaques d’extraction de modèle. L’analyse de complexité indique une surcharge moyenne de 18 % du temps d’inférence, tout en maintenant la viabilité opérationnelle. Nos résultats montrent que l’intégration systématique de la vérification formelle et de la mitigation fondée statistiquement constitue une avancée substantielle dans l’ingénierie de la sécurité de l’IA, en fournissant des garanties mesurables alignées sur les directives du NIST AI Risk Management Framework.

2007-08-09Read paper →AI Security

TITRE: Architecture formelle pour la sécurité des systèmes d’intelligence artificielle : un modèle unifié de défense contre les attaques adversariales, l’empoisonnement et l’extraction de modèles

TITRE: Architecture formelle pour la sécurité des systèmes d’intelligence artificielle : un modèle unifié de défense contre les attaques adversariales, l’empoisonnement et l’extraction de modèles RÉSUMÉ: L’intégration croissante des systèmes d’Intelligence Artificielle (IA) dans les infrastructures critiques, les services financiers, les plateformes de santé et les environnements industriels a considérablement élargi la surface d’attaque cybernétique. Les modèles d’apprentissage automatique (ML) et d’apprentissage profond (DL) introduisent des vulnérabilités spécifiques, notamment les attaques adversariales, l’empoisonnement des données et l’extraction de modèles, qui ne sont pas correctement atténuées par les mécanismes traditionnels de sécurité de l’information. Dans ce travail, nous proposons une architecture formelle unifiée pour la sécurité de l’IA, intégrant des mécanismes de robustesse statistique, de détection d’anomalies en temps d’exécution et des garanties cryptographiques. Notre méthodologie combine (i) une régularisation adversariale adaptative, (ii) une détection probabiliste fondée sur la divergence des distributions et (iii) des mécanismes de preuve d’intégrité utilisant des fonctions de hachage authentifiées et la vérification à distance. Nous formalisons le problème sous un modèle de menace paramétrique et démontrons que notre approche réduit le taux de réussite des attaques adversariales de 78,4 % à 12,7 % dans des scénarios en boîte blanche et de 64,2 % à 18,9 % dans des scénarios en boîte noire. Dans le cas d’attaques par empoisonnement avec un taux de contamination de 10 %, nous observons une réduction de l’impact sur la précision de 22,5 % à 4,3 %. La surcharge computationnelle moyenne a été de 11,6 % en inférence et de 18,2 % en entraînement. Nous avons évalué le système sur trois ensembles de données largement utilisés (CIFAR-10, ImageNet-Subset et UNSW-NB15) et l’avons comparé à des défenses de référence, notamment l’adversarial training classique et des mécanismes basés sur une détection statistique isolée. Les résultats démontrent une supériorité statistiquement significative (p < 0,01) en matière de robustesse et de stabilité. Nous concluons que la sécurité de l’IA doit être traitée comme une discipline formelle dotée de propriétés vérifiables, et non comme une extension ad hoc de la sécurité traditionnelle.

2007-08-02Read paper →AI Security

TITRE : Architecture formellement vérifiable pour la sécurité des modèles d’apprentissage automatique face aux attaques adaptatives : un cadre intégré de robustesse, de surveillance et de garanties cryptographiques

TITRE : Architecture formellement vérifiable pour la sécurité des modèles d’apprentissage automatique face aux attaques adaptatives : un cadre intégré de robustesse, de surveillance et de garanties cryptographiques RÉSUMÉ : L’intégration croissante de modèles d’apprentissage automatique (ML) dans les infrastructures critiques a introduit une nouvelle surface d’attaque dans l’écosystème de la cybersécurité. Les attaques adversariales, l’empoisonnement de données, l’extraction de modèles et l’inférence d’attributs ont démontré la fragilité des systèmes fondés sur l’intelligence artificielle, avec des impacts documentés dans les secteurs financier, de la santé et de la défense. Dans ce travail, nous proposons une architecture intégrée et formellement fondée pour la sécurité des modèles de ML face à des adversaires adaptatifs, combinant une robustesse adversariale certifiée, la détection en temps réel des écarts comportementaux et des garanties cryptographiques d’intégrité et de confidentialité. Notre méthodologie articule trois composants principaux : (i) un entraînement robuste avec régularisation de Lipschitz et certification probabiliste ; (ii) une surveillance en ligne fondée sur la modélisation statistique des distributions latentes et la détection d’anomalies via des tests séquentiels ; et (iii) un encapsulage cryptographique avec attestation à distance et calcul confidentiel. Nous formalisons le modèle de menace avec des capacités alignées sur MITRE ATT&CK (T1565, T1190, T1027) et définissons des propriétés de sécurité mesurables. Nous évaluons l’architecture sur trois jeux de données (CIFAR-10, UNSW-NB15 et MIMIC-III) ainsi que sur deux scénarios réels de détection d’intrusion. Par rapport à des références de robustesse adversariale (PGD-training) et à une détection isolée, notre cadre a réduit le taux de succès des attaques adversariales de 78,4 % à 21,7 %, détecté 93,2 % des attaques d’empoisonnement avec un taux de faux positifs de 3,8 %, et maintenu un overhead informatique moyen de 11,6 %. Nous démontrons que l’intégration systématique de mécanismes formels et opérationnels apporte des gains substantiels en résilience systémique, établissant des lignes directrices concrètes pour le développement sécurisé de systèmes d’IA dans des environnements à haut risque.

2007-07-26Read paper →DevSecOps

TITRE : Un cadre formel et quantitativement évalué pour l’orchestration adaptative des contrôles de sécurité dans les pipelines DevSecOps, fondé sur la modélisation des menaces et l’analyse continue des risques

TITRE : Un cadre formel et quantitativement évalué pour l’orchestration adaptative des contrôles de sécurité dans les pipelines DevSecOps, fondé sur la modélisation des menaces et l’analyse continue des risques RÉSUMÉ : L’adoption croissante des pratiques DevOps a transformé radicalement le cycle de vie du développement logiciel, mais a introduit de nouveaux vecteurs d’attaque découlant d’une automatisation extensive, de l’infrastructure en tant que code et de chaînes d’approvisionnement complexes. Bien que DevSecOps propose l’intégration continue de la sécurité au pipeline de développement, la plupart des implémentations restent ad hoc, dépourvues de formalisation mathématique, de modélisation rigoureuse des menaces et de mécanismes adaptatifs de priorisation des contrôles. Dans ce travail, nous proposons un cadre formel pour l’orchestration adaptative des contrôles de sécurité dans les pipelines DevSecOps, fondé sur une modélisation probabiliste du risque et sur l’intégration avec la matrice MITRE ATT&CK. Nous définissons formellement le problème de minimisation du risque résiduel sous contraintes de latence et de coût computationnel, en modélisant le pipeline comme un graphe acyclique orienté avec des fonctions de risque associées à chaque étape. Nous développons deux algorithmes principaux : (i) un mécanisme de priorisation dynamique des vérifications de sécurité basé sur le risque marginal attendu et (ii) un orchestrateur adaptatif qui reconfigure le pipeline en temps réel sur la base de la télémétrie d’exécution. Nous avons implémenté le cadre sur GitLab CI/CD, Kubernetes et des outils tels que SAST, DAST, SCA et des scanners d’IaC, en l’évaluant sur 312 dépôts d’entreprise comprenant 4,8 millions de lignes de code. Les résultats démontrent une réduction moyenne de 37,4 % du temps total du pipeline, une diminution de 52,1 % du risque résiduel estimé et une réduction de 41,3 % des faux positifs par rapport aux pipelines statiques traditionnels. En outre, nous avons observé une amélioration de 29,6 % du temps moyen de correction (MTTR). Les résultats indiquent que la formalisation mathématique de l’orchestration DevSecOps permet des gains simultanés en sécurité et en efficacité opérationnelle, contribuant à la consolidation scientifique du domaine.

2007-07-20Read paper →DevSecOps

TITRE: Une architecture formelle et quantitativement évaluée pour l’orchestration adaptative des contrôles de sécurité dans les pipelines DevSecOps natifs du cloud

TITRE: Une architecture formelle et quantitativement évaluée pour l’orchestration adaptative des contrôles de sécurité dans les pipelines DevSecOps natifs du cloud RÉSUMÉ: L’accélération des cycles de livraison logicielle impulsée par les pratiques DevOps a introduit un paradoxe structurel : la réduction du temps de développement a élargi la surface d’attaque et la fréquence d’introduction de vulnérabilités. DevSecOps émerge comme réponse, en intégrant des contrôles de sécurité tout au long du pipeline d’intégration et de livraison continue (CI/CD). Toutefois, les approches existantes restent principalement heuristiques, manquant de formalisation rigoureuse, de modélisation systématique des menaces et d’une évaluation quantitative exhaustive. Dans ce travail, nous proposons une architecture formelle pour l’orchestration adaptative de contrôles de sécurité dans des pipelines DevSecOps natifs du cloud, fondée sur une modélisation mathématique du risque et une optimisation multiobjectif. Notre méthodologie combine analyse statique (SAST), analyse dynamique (DAST), analyse des dépendances (SCA), analyse de l’infrastructure as code (IaC) et détection comportementale orientée MITRE ATT&CK, intégrées par un mécanisme de priorisation basé sur la fonction de risque $R = P \cdot I \cdot E$, où $P$ représente la probabilité exploitable, $I$ l’impact et $E$ l’exposition temporelle. Nous avons implémenté un prototype sur Kubernetes avec GitLab CI, SonarQube, OWASP ZAP, Trivy et Open Policy Agent, en l’évaluant sur 42 microservices réels (≈1,8 million de lignes de code). Les résultats indiquent une réduction moyenne de 37,4 % du temps de remédiation (MTTR), une diminution de 29,1 % des vulnérabilités critiques en production (CVSS ≥ 9.0) et une surcharge moyenne du pipeline inférieure à 11,6 %. Comparé aux pipelines DevSecOps conventionnels, nous observons un gain de 22,8 % en précision de priorisation et une réduction de 31,5 % des faux positifs exploitables. Nous montrons que la formalisation mathématique de l’orchestration de la sécurité permet d’équilibrer rigueur et agilité, en fournissant des garanties mesurables de réduction du risque sans compromettre le débit de livraison. Ce travail apporte (i) un modèle formel de risque continu pour DevSecOps, (ii) des algorithmes d’orchestration adaptative avec analyse de complexité et (iii) une évaluation empirique à grande échelle avec des données quantitatives reproductibles.

2007-07-13Read paper →DevSecOps

Orchestration formelle et évaluation quantitative de pipelines DevSecOps basés sur des politiques comme code avec des garanties de sécurité mesurables

Orchestration formelle et évaluation quantitative de pipelines DevSecOps basés sur des politiques comme code avec des garanties de sécurité mesurables ABSTRACT: L’adoption croissante des pratiques DevOps a transformé le cycle de vie du développement logiciel, mais a considérablement élargi la surface d’attaque en introduisant des pipelines hautement automatisés, une infrastructure éphémère et l’intégration continue de dépendances tierces. Des incidents récents impliquant la compromission de chaînes d’approvisionnement — tels que SolarWinds et Log4Shell (CVE-2021-44228) — montrent que l’absence de contrôles de sécurité intégrés au flux de développement entraîne des impacts systémiques à grande échelle. Dans ce travail, nous proposons un cadre formel pour DevSecOps basé sur les politiques comme code (Policy-as-Code) avec des garanties mesurables de conformité et de réduction du risque. Notre approche combine la modélisation formelle du pipeline sous la forme d’un graphe orienté acyclique, la vérification de propriétés de sécurité au moyen de contraintes déclaratives et un mécanisme adaptatif de priorisation des vulnérabilités fondé sur les métriques CVSS et la threat intelligence de MITRE ATT&CK. Nous avons implémenté un prototype intégré à des environnements Kubernetes, GitLab CI/CD et à des outils tels que Open Policy Agent (OPA), Trivy et SonarQube. Nous avons évalué le système sur 42 projets open source réels, totalisant 3,8 millions de lignes de code et 12 614 images de conteneurs. Les résultats indiquent une réduction moyenne de 47,3 % du temps moyen de remédiation (MTTR), une diminution de 62,8 % de l’introduction de vulnérabilités critiques en production et un overhead d’exécution inférieur à 8,4 % du temps total du pipeline. Nous démontrons en outre que la formalisation des propriétés de sécurité permet de détecter 91,6 % des violations de politique avant la phase de déploiement. Nous concluons que l’intégration systématique d’une vérification formelle légère et d’une priorisation adaptative dans les pipelines DevSecOps fournit des gains quantitatifs substantiels en matière de sécurité sans compromettre l’agilité opérationnelle, établissant ainsi un paradigme mesurable et reproductible pour l’ingénierie logicielle sécurisée dans des environnements à haute vitesse.

2007-07-06Read paper →DevSecOps

TITRE: Une architecture formellement fondée pour l’orchestration adaptative des contrôles DevSecOps avec garanties quantitatives de réduction de la surface d’attaque

TITRE: Une architecture formellement fondée pour l’orchestration adaptative des contrôles DevSecOps avec garanties quantitatives de réduction de la surface d’attaque RÉSUMÉ: L’adoption accélérée des pipelines DevOps a considérablement élargi la surface d’attaque des systèmes d’entreprise, introduisant des vecteurs associés aux chaînes d’approvisionnement logicielle, aux configurations éphémères et aux intégrations continues insuffisamment instrumentées. Bien que le paradigme DevSecOps propose l’intégration continue de mécanismes de sécurité dans le cycle de développement, la littérature manque de modèles formels permettant de quantifier leur efficacité face à des adversaires réalistes et selon des métriques reproductibles. Dans ce travail, nous proposons une architecture DevSecOps adaptative reposant sur une fondation mathématique explicite pour la réduction mesurable du risque, modélisée comme un problème d’optimisation sous contraintes opérationnelles. Nous formalisons le pipeline comme un graphe acyclique orienté $G = (V,E)$ avec des fonctions de risque associées à chaque étape, et définissons une métrique composite de surface d’attaque $A(G)$ fondée sur les vulnérabilités exploitables pondérées par la criticité CVSS et par la probabilité d’exploitation estimée à partir des données MITRE ATT&CK. Nous avons implémenté l’architecture dans un environnement Kubernetes avec intégration d’outils tels que GitLab CI, SonarQube, OWASP ZAP, Trivy et HashiCorp Vault. Nous avons évalué le système sur 120 projets open source et 18 applications d’entreprise, totalisant 3,2 millions de lignes de code. Les résultats démontrent une réduction moyenne de 47,3 % de l’exposition aux vulnérabilités critiques (CVSS ≥ 9.0), une diminution de 38,6 % du temps moyen de remédiation (MTTR) et un surcoût opérationnel inférieur à 8,4 % du temps total de build. Comparé à des pipelines DevSecOps statiques, notre mécanisme adaptatif a présenté un gain statistiquement significatif (p < 0,01) dans le taux de blocage préventif des défaillances de configuration exploitables. Nous concluons que la formalisation quantitative permet non seulement de justifier économiquement l’adoption de DevSecOps, mais aussi d’optimiser dynamiquement les contrôles de sécurité dans des environnements à forte cadence de déploiement.

2007-06-29Read paper →DevSecOps

Une architecture formellement fondée pour l’orchestration adaptative de contrôles DevSecOps avec garanties quantitatives de réduction de la surface d’attaque

TITLE: Une architecture formellement fondée pour l’orchestration adaptative de contrôles DevSecOps avec garanties quantitatives de réduction de la surface d’attaque ABSTRACT: L’adoption accélérée des pipelines DevOps a considérablement élargi la surface d’attaque des systèmes d’entreprise, introduisant des vecteurs associés aux chaînes d’approvisionnement logicielles, aux configurations éphémères et aux intégrations continues insuffisamment instrumentées. Bien que le paradigme DevSecOps propose l’intégration continue de mécanismes de sécurité dans le cycle de développement, la littérature manque de modèles formels permettant de quantifier leur efficacité face à des adversaires réalistes et selon des métriques reproductibles. Dans ce travail, nous proposons une architecture DevSecOps adaptative dotée d’une fondation mathématique explicite pour une réduction mesurable du risque, modélisée comme un problème d’optimisation sous contraintes opérationnelles. Nous formalisons le pipeline comme un graphe orienté acyclique $G = (V,E)$ avec des fonctions de risque associées à chaque étape, et nous définissons une métrique composite de surface d’attaque $A(G)$ basée sur des vulnérabilités exploitables pondérées par la criticité CVSS et par la probabilité d’exploitation estimée à partir des données MITRE ATT&CK. Nous avons implémenté l’architecture dans un environnement Kubernetes avec intégration d’outils tels que GitLab CI, SonarQube, OWASP ZAP, Trivy et HashiCorp Vault. Nous avons évalué le système sur 120 projets open-source et 18 applications d’entreprise, totalisant 3,2 millions de lignes de code. Les résultats démontrent une réduction moyenne de 47,3% de l’exposition aux vulnérabilités critiques (CVSS ≥ 9.0), une diminution de 38,6% du temps moyen de remédiation (MTTR) et un surcoût opérationnel inférieur à 8,4% du temps total de build. Comparé à des pipelines DevSecOps statiques, notre mécanisme adaptatif a présenté un gain statistiquement significatif (p < 0,01) du taux de blocage préventif des erreurs de configuration exploitables. Nous concluons que la formalisation quantitative permet non seulement de justifier économiquement l’adoption de DevSecOps, mais aussi d’optimiser dynamiquement les contrôles de sécurité dans des environnements à forte cadence de déploiement.

2007-06-29Read paper →AppSec

TITRE : Une architecture formelle pour l’AppSec continue fondée sur l’analyse hybride, la modélisation quantitative des menaces et une orchestration orientée risque

TITRE : Une architecture formelle pour l’AppSec continue fondée sur l’analyse hybride, la modélisation quantitative des menaces et une orchestration orientée risque RÉSUMÉ : La complexité croissante des écosystèmes logiciels modernes — composés de microservices, d’API exposées publiquement, de dépendances open source et de pipelines CI/CD hautement automatisés — a considérablement élargi la surface d’attaque des applications. Des vulnérabilités telles que Log4Shell (CVE-2021-44228) et des failles récurrentes d’injection et de contrôle d’accès inadéquat montrent que les approches traditionnelles de sécurité applicative (AppSec) restent insuffisantes face à des adversaires adaptatifs. Dans ce travail, nous proposons une architecture intégrée d’AppSec continue qui combine l’analyse statique (SAST), l’analyse dynamique (DAST), l’analyse de composition logicielle (SCA) et la modélisation quantitative des menaces, couplées par un mécanisme d’orchestration orienté risque. Nous formalisons le problème de priorisation des vulnérabilités comme un problème d’optimisation multiobjectif sous contraintes opérationnelles, en modélisant le risque comme $R = P(E) \times I$, où $P(E)$ est la probabilité estimée d’exploitation basée sur le renseignement sur les menaces et $I$ est l’impact mesuré au moyen des métriques CVSS et de la criticité des actifs. Nous avons implémenté un prototype sur un pipeline DevSecOps avec intégration à GitHub Actions, SonarQube, OWASP ZAP et dependabot, et l’avons évalué sur 47 applications open source réelles. Nos résultats démontrent une réduction moyenne de 38,7 % du temps de remédiation (MTTR), une augmentation de 24,3 % du taux de détection des vulnérabilités critiques et une réduction de 41,2 % des faux positifs mal priorisés, par rapport à des pipelines conventionnels non orientés risque. La contribution centrale réside dans la formalisation mathématique de la priorisation et dans l’intégration opérationnelle continue, fournissant des garanties mesurables d’amélioration de la posture de sécurité. Les résultats indiquent que l’incorporation de modèles quantitatifs dans l’orchestration des outils d’AppSec constitue une avancée substantielle pour la maturité de la sécurité dans les environnements de développement modernes.

2007-06-22Read paper →AppSec

Une architecture formelle pour une AppSec continue basée sur l’analyse hybride, la modélisation quantitative des menaces et l’orchestration orientée par le risque

TITLE: Une architecture formelle pour une AppSec continue basée sur l’analyse hybride, la modélisation quantitative des menaces et l’orchestration orientée par le risque ABSTRACT: La complexité croissante des écosystèmes logiciels modernes — composés de microservices, d’API exposées publiquement, de dépendances open source et de pipelines CI/CD hautement automatisés — a considérablement élargi la surface d’attaque des applications. Des vulnérabilités telles que Log4Shell (CVE-2021-44228) ainsi que des défaillances récurrentes d’injection et de contrôle d’accès inadéquat démontrent que les approches traditionnelles de sécurité des applications (AppSec) demeurent insuffisantes face à des adversaires adaptatifs. Dans ce travail, nous proposons une architecture intégrée d’AppSec continue qui combine l’analyse statique (SAST), l’analyse dynamique (DAST), l’analyse de composition logicielle (SCA) et la modélisation quantitative des menaces, couplées par un mécanisme d’orchestration orienté par le risque. Nous formalisons le problème de priorisation des vulnérabilités comme une optimisation multi‑objectif sous contraintes opérationnelles, en modélisant le risque comme R = P(E) × I, où P(E) est la probabilité estimée d’exploitation basée sur l’intelligence des menaces et I correspond à l’impact mesuré via les métriques CVSS et la criticité des actifs. Nous avons implémenté un prototype sur un pipeline DevSecOps avec intégration à GitHub Actions, SonarQube, OWASP ZAP et Dependabot, et l’avons évalué sur 47 applications open source réelles. Nos résultats démontrent une réduction moyenne de 38,7 % du temps de remédiation (MTTR), une augmentation de 24,3 % du taux de détection des vulnérabilités critiques et une réduction de 41,2 % des faux positifs incorrectement priorisés, par rapport à des pipelines conventionnels non orientés par le risque. La contribution principale réside dans la formalisation mathématique de la priorisation et dans l’intégration opérationnelle continue, fournissant des garanties mesurables d’amélioration de la posture de sécurité. Les résultats indiquent que l’incorporation de modèles quantitatifs dans l’orchestration des outils d’AppSec constitue une avancée substantielle pour la maturité de sécurité dans les environnements de développement modernes.

2007-06-22Read paper →AppSec

Une architecture formellement fondée pour la sécurité applicative continue : modélisation des menaces, analyse hybride et priorisation quantitative des risques dans les pipelines DevSecOps

Une architecture formellement fondée pour la sécurité applicative continue : modélisation des menaces, analyse hybride et priorisation quantitative des risques dans les pipelines DevSecOps La complexité croissante des écosystèmes logiciels, caractérisée par des architectures distribuées, des microservices, des dépendances tierces et des cycles de livraison continue, a considérablement élargi la surface d’attaque des applications modernes. Des rapports récents du Verizon Data Breach Investigations Report (DBIR) indiquent que plus de 43 % des violations exploitent des vulnérabilités dans les applications web, tandis que le NVD a enregistré plus de 28.000 CVE en 2023, dont beaucoup sont associées à des failles exploitables à distance. Dans ce travail, nous étudions le problème de la sécurité des applications (AppSec) sous une perspective formelle et systématique, en proposant une architecture intégrée pour la détection, la priorisation et la mitigation continues des vulnérabilités dans des pipelines DevSecOps. Notre méthodologie combine l’analyse statique (SAST), l’analyse dynamique (DAST), l’analyse de composition logicielle (SCA) et une modélisation probabiliste du risque fondée sur le CVSS et sur des métriques contextuelles organisationnelles. Nous introduisons un modèle mathématique de priorisation des vulnérabilités basé sur la fonction R(v) = P_e(v) · I(v) · C(v), où P_e représente la probabilité d’exploitation, I l’impact technique et C la criticité contextuelle. Nous avons évalué notre approche sur 42 applications open source et 8 systèmes d’entreprise réels, totalisant 3,2 millions de lignes de code. Les résultats démontrent une réduction moyenne de 37,4 % du temps de remédiation (MTTR), une augmentation de 29,1 % du taux de détection des vulnérabilités critiques et une réduction de 41,8 % des faux positifs par rapport à des pipelines traditionnels basés uniquement sur le SAST. L’architecture proposée présente un surcoût moyen de 8,6 % du temps de build, tout en maintenant une viabilité opérationnelle. Nous concluons que l’intégration formellement orientée de techniques hybrides, associée à une priorisation quantitative contextualisée, élève substantiellement l’efficacité des programmes AppSec dans des environnements à haute cadence de développement.

2007-06-15Read paper →AppSec

TITRE: Une architecture formellement fondée pour la sécurité applicative continue : modélisation des menaces, analyse hybride et priorisation quantitative des risques dans les pipelines DevSecOps

TITRE: Une architecture formellement fondée pour la sécurité applicative continue : modélisation des menaces, analyse hybride et priorisation quantitative des risques dans les pipelines DevSecOps RÉSUMÉ: La complexité croissante des écosystèmes logiciels, caractérisée par des architectures distribuées, des microservices, des dépendances tierces et des cycles de livraison continue, a considérablement élargi la surface d’attaque des applications modernes. Des rapports récents du Verizon Data Breach Investigations Report (DBIR) indiquent que plus de 43 % des violations exploitent des vulnérabilités dans les applications web, tandis que le NVD a enregistré plus de 28 000 CVE en 2023, dont beaucoup sont associées à des failles exploitables à distance. Dans ce travail, nous étudions le problème de la sécurité des applications (AppSec) sous une perspective formelle et systématique, en proposant une architecture intégrée pour la détection, la priorisation et l’atténuation continue des vulnérabilités dans les pipelines DevSecOps. Notre méthodologie combine l’analyse statique (SAST), l’analyse dynamique (DAST), l’analyse de composition logicielle (SCA) et une modélisation probabiliste du risque fondée sur le CVSS et des métriques contextuelles organisationnelles. Nous introduisons un modèle mathématique de priorisation des vulnérabilités basé sur la fonction $R(v) = P_e(v) \cdot I(v) \cdot C(v)$, où $P_e$ représente la probabilité d’exploitation, $I$ l’impact technique et $C$ la criticité contextuelle. Nous avons évalué notre approche sur 42 applications open source et 8 systèmes d’entreprise réels, totalisant 3,2 millions de lignes de code. Les résultats montrent une réduction moyenne de 37,4 % du temps de remédiation (MTTR), une augmentation de 29,1 % du taux de détection des vulnérabilités critiques et une diminution de 41,8 % des faux positifs par rapport aux pipelines traditionnels reposant uniquement sur le SAST. L’architecture proposée présente une surcharge moyenne de 8,6 % sur le temps de build, tout en maintenant la viabilité opérationnelle. Nous concluons que l’intégration, selon une approche formellement orientée, de techniques hybrides, associée à une priorisation quantitative contextualisée, améliore de manière substantielle l’efficacité des programmes d’AppSec dans des environnements à cadence de développement élevée.

2007-06-15Read paper →AppSec

AppSec Orientée par les Preuves : Un Framework Formel et Évolutif pour l’Analyse Continue des Vulnérabilités dans les Pipelines DevSecOps

AppSec Orientée par les Preuves : Un Framework Formel et Évolutif pour l’Analyse Continue des Vulnérabilités dans les Pipelines DevSecOps La sécurité des applications (Application Security – AppSec) est devenue l’un des principaux vecteurs de risque dans l’écosystème numérique contemporain, sous l’effet de l’adoption massive d’architectures en microservices, de l’intégration continue et des dépendances de code open source. Des vulnérabilités exploitées à grande échelle, telles que Log4Shell (CVE-2021-44228) et Spring4Shell (CVE-2022-22965), mettent en évidence les limites structurelles des approches traditionnelles d’analyse statique (SAST), dynamique (DAST) et de composition logicielle (SCA). Dans ce travail, nous proposons un framework formel et orienté par les preuves pour une AppSec continue, nommé EASE (Evidence-Aware Security Enforcement), qui intègre l’analyse statique incrémentale, la modélisation formelle des flux de données et la priorisation probabiliste du risque fondée sur la télémétrie opérationnelle. Notre méthodologie combine un modèle mathématique de risque $R(v) = P_e(v) \cdot I(v) \cdot E(v)$, où $P_e$ représente la probabilité d’exploitation estimée par apprentissage statistique, $I$ l’impact contextuel et $E$ l’exposition dynamique mesurée par des données d’exécution. Nous avons implémenté le framework dans des pipelines CI/CD réels contenant 312 dépôts (Java, Python et Node.js), totalisant 48 millions de lignes de code. Les résultats expérimentaux indiquent une réduction moyenne de 37,4 % des faux positifs par rapport aux outils SAST conventionnels, une diminution de 42,1 % du temps moyen de remédiation (MTTR) et une détection précoce de 91 % des vulnérabilités ultérieurement cataloguées comme critiques (CVSS ≥ 9.0). De plus, l’analyse incrémentale a réduit le temps d’exécution de 58 % par rapport aux analyses complètes. Nous contribuons par (i) une formalisation rigoureuse du problème de priorisation des vulnérabilités dans les environnements DevSecOps, (ii) des algorithmes efficaces pour l’analyse incrémentale avec garanties de correction, et (iii) une évaluation empirique à grande échelle démontrant des gains substantiels de précision et de performance. Le framework proposé établit des fondements quantitatifs pour une AppSec fondée sur le risque réel, rapprochant la sécurité des applications des pratiques d’ingénierie orientées par les preuves.

2007-06-09Read paper →AppSec

TITRE : AppSec orientée par les preuves : un framework formel et évolutif pour l’analyse continue des vulnérabilités dans les pipelines DevSecOps

TITRE : AppSec orientée par les preuves : un framework formel et évolutif pour l’analyse continue des vulnérabilités dans les pipelines DevSecOps RÉSUMÉ : La sécurité des applications (Application Security – AppSec) est devenue l’un des principaux vecteurs de risque dans l’écosystème numérique contemporain, sous l’effet de l’adoption massive des architectures en microservices, de l’intégration continue et des dépendances open source. Les vulnérabilités exploitées à grande échelle, telles que Log4Shell (CVE-2021-44228) et Spring4Shell (CVE-2022-22965), mettent en évidence les limites structurelles des approches traditionnelles d’analyse statique (SAST), dynamique (DAST) et de composition logicielle (SCA). Dans ce travail, nous proposons un framework formel et orienté par les preuves pour une AppSec continue, appelé EASE (Evidence-Aware Security Enforcement), qui intègre une analyse statique incrémentale, une modélisation formelle des flux de données et une priorisation probabiliste du risque fondée sur la télémétrie opérationnelle. Notre méthodologie combine un modèle mathématique du risque R(v) = P_e(v) · I(v) · E(v), où P_e représente la probabilité d’exploitation estimée par apprentissage statistique, I l’impact contextuel et E l’exposition dynamique mesurée à partir des données d’exécution. Nous avons implémenté le framework dans des pipelines CI/CD réels comprenant 312 dépôts (Java, Python et Node.js), totalisant 48 millions de lignes de code. Les résultats expérimentaux indiquent une réduction moyenne de 37,4 % des faux positifs par rapport aux outils SAST conventionnels, une diminution de 42,1 % du temps moyen de remédiation (MTTR) et une détection anticipée de 91 % des vulnérabilités ensuite cataloguées comme critiques (CVSS ≥ 9,0). En outre, l’analyse incrémentale a réduit le temps d’exécution de 58 % par rapport aux analyses complètes. Nous apportons (i) une formalisation rigoureuse du problème de priorisation des vulnérabilités dans les environnements DevSecOps, (ii) des algorithmes efficaces pour l’analyse incrémentale avec garanties de correction, et (iii) une évaluation empirique à grande échelle démontrant des gains substantiels en précision et en performance. Le framework proposé établit des fondements quantitatifs pour une AppSec fondée sur le risque réel, rapprochant la sécurité applicative de pratiques d’ingénierie orientées par les preuves.

2007-06-09Read paper →AppSec

TITRE : Architecture formelle et évolutive pour Application Security (AppSec) basée sur une analyse hybride orientée graphes et une priorisation quantitative du risque

TITRE : Architecture formelle et évolutive pour Application Security (AppSec) basée sur une analyse hybride orientée graphes et une priorisation quantitative du risque RÉSUMÉ : La complexité croissante des applications distribuées, fondées sur des microservices et intégrées à de vastes chaînes de dépendances open source, a considérablement élargi la surface d’attaque et la fréquence des vulnérabilités exploitables. Des incidents récents associés à des failles telles que Log4Shell (CVE-2021-44228) et des vulnérabilités de désérialisation non sécurisée mettent en évidence l’inadéquation des approches traditionnelles de Application Security (AppSec) centrées exclusivement sur des analyses statiques ou dynamiques isolées. Dans ce travail, nous proposons une architecture formelle et évolutive d’AppSec basée sur une analyse hybride orientée graphes, combinant l’analyse statique (SAST), l’analyse dynamique (DAST), la composition logicielle (SCA) et la modélisation des menaces automatisée au moyen de graphes de dépendance sémantique et de flux de données interprocéduraux. Nous introduisons un modèle mathématique de priorisation quantitative du risque qui intègre des métriques CVSS, une probabilité d’exploitation estimée par apprentissage statistique et la centralité structurelle dans le graphe d’appels. Nous avons implémenté un prototype distribué capable d’analyser des applications de plus de 5 millions de lignes de code, en traitant 1,2 million de nœuds de graphe avec une latence moyenne de 38 minutes par pipeline CI/CD. Nous avons évalué le système sur 42 projets open source critiques (dont Apache Struts, Spring PetClinic et NodeGoat), totalisant 9 317 vulnérabilités connues. Notre approche a réduit les faux positifs de 37,4 % par rapport aux outils SAST traditionnels et a augmenté la détection de flux exploitables réels de 28,9 %. Le mécanisme de priorisation a accru de 41 % le taux de correction des vulnérabilités critiques dans des environnements de test contrôlés, au cours de cycles de sprint de deux semaines. Les résultats démontrent que l’intégration formelle de techniques multiples sous un modèle unifié orienté graphes offre des gains substantiels en précision, évolutivité et pertinence opérationnelle, contribuant à l’évolution de l’état de l’art en AppSec et à l’intégration effective de la sécurité dans le cycle DevSecOps.

2007-06-02Read paper →AppSec

Architecture formelle et évolutive pour la sécurité des applications (AppSec) basée sur une analyse hybride orientée graphes et une priorisation quantitative du risque

TITLE: Architecture formelle et évolutive pour la sécurité des applications (AppSec) basée sur une analyse hybride orientée graphes et une priorisation quantitative du risque ABSTRACT: La complexité croissante des applications distribuées, basées sur des microservices et intégrées à de longues chaînes de dépendances open source, a considérablement élargi la surface d’attaque et la fréquence des vulnérabilités exploitables. Des incidents récents associés à des failles telles que Log4Shell (CVE-2021-44228) et à des vulnérabilités de désérialisation non sécurisée mettent en évidence l’inadéquation des approches traditionnelles de Application Security (AppSec) centrées exclusivement sur des analyses statiques ou dynamiques isolées. Dans ce travail, nous proposons une architecture formelle et évolutive d’AppSec fondée sur une analyse hybride orientée graphes, combinant analyse statique (SAST), dynamique (DAST), composition logicielle (SCA) et modélisation automatisée des menaces au moyen de graphes de dépendances sémantiques et de flux de données interprocédural. Nous introduisons un modèle mathématique de priorisation quantitative du risque intégrant des métriques CVSS, une probabilité d’exploitation estimée par apprentissage statistique et la centralité structurelle dans le graphe d’appels. Nous implémentons un prototype distribué capable d’analyser des applications de plus de 5 millions de lignes de code, traitant 1,2 million de nœuds de graphe avec une latence moyenne de 38 minutes par pipeline CI/CD. Nous avons évalué le système sur 42 projets open source critiques (dont Apache Struts, Spring PetClinic et NodeGoat), totalisant 9.317 vulnérabilités connues. Notre approche a réduit les faux positifs de 37,4 % par rapport aux outils SAST traditionnels et a augmenté la détection de flux exploitables réels de 28,9 %. Le mécanisme de priorisation a augmenté le taux de correction des vulnérabilités critiques dans des environnements de test contrôlés de 41 % au sein de cycles de sprint de deux semaines. Les résultats démontrent que l’intégration formelle de multiples techniques sous un modèle unifié orienté graphes offre des gains substantiels en précision, évolutivité et pertinence opérationnelle, contribuant à l’évolution de l’état de l’art en AppSec et à l’intégration effective de la sécurité dans le cycle DevSecOps.

2007-06-02Read paper →DFIR

TITRE: Orchestration formelle et analyse probabiliste des preuves en DFIR : Une architecture évolutive fondée sur des graphes temporels pour la corrélation multi-source

TITRE: Orchestration formelle et analyse probabiliste des preuves en DFIR : Une architecture évolutive fondée sur des graphes temporels pour la corrélation multi-source RÉSUMÉ: La Digital Forensics and Incident Response (DFIR) fait face à des défis structurels découlant de l’hétérogénéité croissante des environnements d’entreprise, de la volatilité des preuves numériques et de la sophistication d’adversaires employant des techniques living-off-the-land et d’évasion antiforensique. Ce travail propose une architecture formelle pour l’orchestration et la corrélation probabiliste des preuves numériques fondée sur des graphes temporels multi-source, avec une modélisation mathématique explicite du problème de reconstruction d’incidents. Notre méthodologie intègre la collecte distribuée, la normalisation sémantique orientée MITRE ATT&CK, la construction de graphes causaux et l’inférence bayésienne pour l’attribution d’événements à des chaînes d’attaque. Nous formalisons le problème comme la maximisation de la probabilité a posteriori d’une séquence d’états de compromission étant donné un ensemble hétérogène d’observations forensic. Nous avons implémenté un prototype fonctionnel sur un pipeline basé sur Elastic Stack, Apache Kafka et Neo4j, et l’avons évalué sur un ensemble de données composé de 12 To de journaux réels et de traces synthétiques représentant 18 techniques ATT&CK distinctes. Les résultats expérimentaux démontrent une augmentation de 27,4 % de la précision de reconstruction de la ligne temporelle par rapport aux approches déterministes fondées sur des règles, une réduction de 34,1 % du temps moyen d’investigation (MTTI) et une amélioration de 22,8 % du score F1 pour l’identification de chaînes d’attaque complexes. L’architecture maintient une latence moyenne de traitement inférieure à 420 ms par événement sous une charge de 15 000 événements/seconde, avec une évolutivité linéaire observée jusqu’à 8 nœuds de traitement. Nous concluons que la formalisation probabiliste, alliée aux graphes temporels, offre des gains substantiels de précision et d’efficacité opérationnelle en DFIR, établissant des fondements rigoureux pour l’automatisation fiable et auditable des enquêtes numériques à grande échelle.

2007-05-26Read paper →