
Teknik - Complexité à la détection du malveillant - Parce que... c'est l'épisode 0x369!
Parce que… c’est l’épisode 0x369!
Shameless plug
- 25 et 26 février 2027 - Québec, Canada - SéQCure 2027
- 9 au 11 mars 2027 - Lilles, France - Forum INCYBER - Europe 2027
- I.A. Café - Enquête au cœur de la recherche sur l’intelligence artificielle
- Boostsecurity - Dazio
Description
Cette description a été faite à l’aide de GLM 5.3 Flash, à partir de la transcription qui a été effectuée par ElevenLabs Scribev2. Aucune vérification humaine n’a été faite. Si vous découvrez des erreurs ou des inexactitudes, vous pouvez m’en faire part afin que je procède aux modifications appropriées.
Une expertise au service de la détection
Dans cet épisode technique de Polysécure, Sylvio Hoarau, analyste malware avec un volet CTI chez Glimps depuis plus de quatre ans, explique son quotidien fait de dissection de malwares, fichiers ou mails, pour que les solutions de l’entreprise les détectent et pour construire une base de connaissances.
Le verdict binaire, un problème difficile
Le cœur de l’échange porte sur la difficulté d’une analyse automatisée à fournir un verdict binaire. Un analyste humain dispose de temps pour contextualiser les verdicts de plusieurs moteurs avec son expérience. Une solution en flux doit trancher immédiatement pour permettre le filtrage et la remédiation. Or autant de moteurs donnent des verdicts que fournissent des résultats d’analyse approfondis, ce qui impose une pluralité de technologies.
L’évolution du paysage des menaces
Le MTTE, temps moyen entre la découverte d’une vulnérabilité et son exploitation, s’est effondré, passant de plusieurs mois à une heure ou deux. Les attaquants sont outillés et augmentés par des technologies d’intelligence artificielle qui dépassent les LLM classiques. Les défenseurs cherchent à réduire le temps de détection et de réponse, par exemple en bloquant des IP ou en créant de nouvelles signatures antivirales.
La complémentarité des moteurs de détection
La détection par signature reste pertinente pour les menaces connues et participe à réduire les mailles du filet. Le problème se situe dans la fenêtre qui suit l’exploitation d’une vulnérabilité inédite, quand aucune signature n’existe encore. Un moteur spécialisé dans l’analyse de code compilé comble ce vide en identifiant des fonctions de prise en main à distance ou de chiffrement, et des ensembles de fonctions caractéristiques de malwares connus. Éduqué par la labellisation, il repère des variants sans signature à jour, même recompilés par l’attaquant. Combiné à des moteurs d’analyse des métadonnées et des chaînes de caractères, il alimente un modèle de plus haut niveau qui agrège les résultats.
Le défi des scripts et des faux positifs
Les scripts sont polymorphes et polyglottes, mêlant PowerShell ou Python sous obfuscation XOR ou Base64. L’idée qu’un script obfusqué soit forcément malveillant s’est révélée fausse. Les administrateurs système, privés d’outils, écrivent des scripts de déploiement au style peu orthodoxe qui déclenchent des alertes alors que le code est sain. Le mail demeure le vecteur dominant. Grâce aux fuites de données, les attaquants forgent des spear phishing pertinents, usurpant des sources légitimes et menant vers de fausses mires de connexion Microsoft après plusieurs rebonds.
Le méta modèle et la réduction du bruit
Pour les mails, les réflexes classiques demeurent, examinant destinataires, signatures DKIM et DMARC, objet, pièces jointes et URL. La première redirection vers un domaine légitime ne peut être bannie, mais l’âge du domaine suivant, de son certificat SSL ou la détection de typosquatting offrent des indices. Des modèles spécialisés par élément sont combinés dans un méta modèle qui agrège les verdicts pour réduire les faux positifs, l’analyste recevant dix alertes au lieu de dix mille. Un fichier Python signalé par un antivirus s’est avéré un artefact légitime de l’installateur Anaconda, connu du modèle de connaissance.
Le compromis entre vitesse, coût et profondeur
L’optimisation du déploiement conditionne l’adoption des solutions, en latence comme en coût d’infrastructure. Le modèle de détection de scripts, étendu de PowerShell au bat, au sh, au JavaScript et au Python, est devenu deux fois plus petit et deux fois plus performant grâce au travail des spécialistes IA. Une sandbox met du temps à instancier et à exécuter un fichier, incompatible avec un flux de mails, comme l’illustre ce client ayant raté cinq contrats en quatre heures d’attente. Le niveau de sécurité se négocie avec chaque client, une analyse plus profonde augmentant soit les faux positifs, soit le délai.
La labellisation, un travail d’analyste
La labellisation occupe une part importante du travail de Sylvio au service des équipes IA. Un script nommé Set Wallpaper, qui se contente de changer le fond d’écran, fait partie de la suite offensive PowerShell Empire. Inversant la logique, l’équipe l’a labellisé sain pour éviter que le modèle ne classe tout script similaire comme malveillant. Les plateformes communautaires comme Malware Bazaar taguent LockBit des fichiers qui ne sont que des étapes de la chaîne de compromission, tel un Remcos de déploiement. Cette expertise rend le modèle plus pertinent et débruite les datasets, un dataset plus petit mais mieux labellisé valant mieux qu’un gros dataset mal étiqueté.
L’explicabilité des modèles
Les modèles ne se limitent pas aux verdicts binaires. Les collègues de Sylvio ont présenté au STIC leurs travaux sur l’explicabilité. Un outil analyse un binaire sans décompilation et remonte les capabilities, prise en main à distance, persistance ou chiffrement avec reconnaissance de bibliothèques publiques. Pour les scripts, des représentations visuelles surlignent les zones ayant déclenché les décisions du modèle. Ces outils facilitent la labellisation et offrent des retours lisibles.
L’agentique au quotidien de l’analyste
À titre personnel, Sylvio développe un agent d’analyse verrouillé au travers de skills. Une campagne récente, Crashfix, aurait exigé des semaines d’analyse manuelle, l’agent l’a réalisée en quelques heures. Partant de la veille et de l’OSINT, il préqualifie les artefacts avec les moteurs internes, dégage du temps pour l’analyse approfondie, enrichit semi-automatiquement la threat intel et les bases de fichiers sains, puis nourrit un agent de hunting. Un cycle vertueux se met en place, les rapports produits enrichissant les modèles. Sur l’augmentation, la question ne porte pas sur l’opportunité mais sur le moment, le plus tôt étant le mieux.
Garder l’humain dans la boucle
Sylvio refuse de laisser son agent remplir sa threat intel, un modèle pouvant donner des verdicts différents sur les mêmes artefacts. L’agent, qu’il compare à un enfant doué à qui il faut expliquer le travail, s’appuie sur des outils, des MCP et des skills. Il reste effrayant quand il dérape, comme lorsqu’il a traité un fichier sur l’hôte au lieu du conteneur Docker faute de droits d’écriture. Sylvio privilégie le dialogue pour corriger les prompts et garde l’humain au centre des décisions.
Contributeurs
.contributors-table { border-collapse: separate; border-spacing: 20px 8px; } .contributors-table td, .contributors-table th { border: none; background: transparent; text-align: center; vertical-align: top; } .contributors-table img.contributor-photo { width: 100px; height: 100px; object-fit: cover; border-radius: 50%; } .contributors-table .contributor-name { display: block; margin-bottom: 4px; font-weight: bold; } .contributors-table .contributor-socials img { margin: 0 2px; } Nicolas-Loïc Fortin Sylvio HoarauCrédits
- Montage par Intrasecure inc
- Locaux réels par ECW
D'autres épisodes de "PolySécure Podcast"



Ne ratez aucun épisode de “PolySécure Podcast” et abonnez-vous gratuitement à ce podcast dans l'application GetPodcast.








