ThreatBytes
Super Intelligence pour la recherche sur les malwares inédits. Fondateur et chercheur principal.
Programme →Recherche
Analyse de malwares, IA agentique et ML adverse.
Analyse de malwares, IA agentique et ML adverse — ThreatBytes et artefacts ouverts.
- Programme
- ThreatBytes
- Questions
- 5 open
- Cycle de vie
- 10 stages
- Artefacts
- 2 open resources
Programmes
Artefacts
Artefacts ouverts d'analyse de malwares.
Template · Licence MIT · v1.0
Malware Analysis Report Template
Un format de rapport standardisé avec JSON Schema et modèle Markdown, aligné sur MITRE ATT&CK.
YARA · Licence MIT · v1.0
YARA Rule Starter Kit
Des règles YARA testées et documentées, avec jeux de test sûrs et une CI qui vérifie chaque règle à chaque push.
Questions
Questions de recherche
- RQ-001Les modèles SI intégrant deep learning, reinforcement learning et modules de raisonnement peuvent-ils prédire avec précision des comportements de malware jamais vus avant exécution ?En développement
- RQ-002Comment une SI cognitive agentique peut-elle inférer l'intention d'un malware à partir d'indicateurs comportementaux incomplets ou évolutifs ?Prévu
- RQ-003Quelle combinaison de reconnaissance de motifs, reinforcement learning et stratégies de raisonnement donne une défense malware prédictive et préventive optimale ?Prévu
- RQ-004Comment des agents SI autonomes peuvent-ils exécuter des mitigations préventives fiables tout en maintenant un faible taux de faux positifs et en évitant les perturbations collatérales ?Prévu
- RQ-005Comment des échantillons de malware soumis par la communauté peuvent-ils renforcer l'apprentissage et la capacité prédictive du cadre SI agentique ?Prévu
Cycle de vie
Cycle de vie en dix étapes
01
Observer
02
Collecter
03
Analyser
04
Raisonner
05
Prédire
06
Décider
07
Atténuer
08
Évaluer
09
Apprendre
10
Contribuer
Gouvernance
Éthique et gouvernance
Admission quarantine-firstjournalisation de provenance · revue éthique · sandboxing
Aller plus loin