Publié il y a 2 jours
Le développement de CyberShield TPE est une aventure faite de montagnes russes, et chaque petite victoire est célébrée comme une étape majeure. Aujourd'hui, je voulais partager l'une d'entre elles, qui, bien que technique, a des implications profondes pour nos futurs utilisateurs.
Nous avons récemment finalisé l'intégration de notre module de détection d'anomalies comportementales sur les postes de travail. Ce n'est pas juste une ligne de code de plus ; c'est le fruit de mois de R&D, d'innombrables itérations et de quelques nuits blanches. Mon expérience en SOC chez Stormshield m'a appris une chose essentielle : les signatures seules ne suffisent plus. Les menaces évoluent trop vite. Pour les TPE, qui n'ont pas les budgets d'un grand groupe pour des équipes de chasseurs de menaces, il faut une solution qui anticipe, qui apprenne des comportements habituels pour mieux repérer l'inhabituel.
Le défi était double. Premièrement, concevoir un algorithme suffisamment léger pour ne pas impacter la performance des machines, souvent modestes, des TPE. Nous ne pouvions pas nous permettre de ralentir leur activité. Deuxièmement, minimiser les faux positifs. Une alerte intempestive est une perte de temps et de confiance pour une petite entreprise. J'ai passé des semaines à affiner les seuils, à tester différents modèles de machine learning, à simuler des scénarios d'usage typiques d'une TPE : de la comptabilité à la gestion de stock, en passant par l'envoi de devis.
La victoire, c'est d'avoir réussi à créer un module qui tourne en arrière-plan, quasi invisible, et qui commence déjà à identifier des schémas d'activité suspects sur nos machines de test, avec un taux de faux positifs que nous jugeons acceptable pour un déploiement initial.
#cyberassurance #sensibilisationcyber #TrouvetonAssocié
25 j'aime0 commentaires0 reposts
