Moteur IA — Mécanique interne¶
Le moteur IA/ML de Nyroxis est conçu pour fonctionner entièrement en local, effectuant une analyse intelligente sur des événements de sécurité chiffrés sans dépendre de services cloud.
Principes de conception fondamentaux¶
1. Confidentialité en premier¶
- Aucun traitement cloud
- Aucune API externe
- Aucun partage de données
Toute l'intelligence s'exécute sur l'appareil propre de l'utilisateur.
2. Implémentation légère¶
Entièrement développé en Rust sans bibliothèques ML externes : - ~Faible utilisation CPU - Empreinte mémoire minimale - Exécution en temps réel
3. Compréhension comportementale¶
Au lieu d'analyser les événements individuellement, le moteur comprend les modèles qui se produisent dans le temps et à travers plusieurs dimensions d'événements.
4. Fonctionnement entièrement hors ligne¶
Toute l'analyse, la notation et l'extraction de caractéristiques se déroulent localement — aucune connexion internet requise à aucun stade.
Isolation Forest — Comment ça fonctionne¶
L'algorithme Isolation Forest isole les anomalies en construisant des arbres de décision aléatoires et en mesurant à quelle vitesse chaque point de données est séparé des autres.
Le principe : - Les événements normaux nécessitent de nombreuses divisions pour être isolés (ils se fondent avec les autres) - Les événements anormaux nécessitent moins de divisions (ils se distinguent) - Chemin d'isolation plus court = score d'anomalie plus élevé
Implémentation Nyroxis : - 100 arbres d'isolation construits par cycle d'analyse - 256 échantillons aléatoires utilisés par arbre - Les 8 caractéristiques comportementales normalisées avant l'analyse - Seuil du score d'anomalie : 0,6 (au-dessus = détection déclenchée) - Caractéristiques contributives identifiées via la déviation Z-score (seuil : 2,0 écarts-types)
Pipeline d'analyse statistique¶
Classification Z-Score¶
Chaque valeur surveillée est évaluée par rapport à sa ligne de base historique :
| |z| | Gravité | Confiance | |------|----------|------------| | > 3,0 | Critique | 99,7 % | | > 2,0 | Élevé | 95 % | | > 1,5 | Moyen | 86 % | | > 1,0 | Faible | 68 % |
Détection des valeurs aberrantes IQR¶
Les valeurs en dehors de cette plage sont signalées comme des valeurs aberrantes statistiques.Moyennes mobiles¶
- Moyenne mobile simple — tendance de la ligne de base sur des fenêtres temporelles configurables
- Moyenne mobile exponentielle — pondère davantage l'activité récente pour une réponse plus rapide aux modèles émergents
Détection des pics¶
Ce que le moteur produit¶
Pour chaque cycle d'analyse :
- is_anomaly — indicateur booléen
- anomaly_score — 0,0 à 1,0 (plus élevé = plus anormal)
- confidence — 0,0 à 0,95
- contributing_features — liste de caractéristiques avec Z-scores qui ont conduit à la détection
Ces sorties sont affichées dans la section Analyse IA / ML du tableau de bord.
Ligne de base comportementale locale¶
Le moteur construit une ligne de base privée par appareil : - Modèles de processus normaux - Comportement typique des connexions réseau - Activité de fichiers attendue - Comportement habituel selon l'heure du jour et le jour de la semaine
La ligne de base est : - Stockée localement sous forme chiffrée - Réinitialisable par l'utilisateur à tout moment - Jamais transmise ni partagée
Résumé¶
Le moteur IA combine Isolation Forest avec une analyse statistique pour offrir une détection d'anomalies transparente, explicable et respectueuse de la vie privée — entièrement sur l'appareil de l'utilisateur, sans dépendance cloud.