Skip to content
KitploitKITPLOIT
OutilsExploitsBlog
Log in
Soumettre
OutilsExploitsBlog
Soumettre

Outils de Hacking, PenTest et Cybersécurité pour votre Arsenal de Sécurité !

Kitploit est un répertoire d'outils de hacking, de cybersécurité et de pentesting. Découvrez les dernières mises à jour des projets pour trouver des vulnérabilités, analyser des systèmes, automatiser les tests et renforcer votre sécurité.

FluxContactConfidentialité© 2026 Kitploit

Répertoire d'outils

Catégories

Voir toutes les catégories
Loading categories
Adversarial-Detection-Engineering-Framework — Un framework et une taxonomie pour identifier, classer et raisonner sur les bogues de logique de détection dans les règles SIEM, EDR et XDR, avec des exemples concrets et des contournements réels. | Kitploit
Outils/GitHubGitHub/adversarial-detection-engineering/adversarial-detection-engineering-framework
Outils DéfensifsAnalyse des VulnérabilitésÉvasion IDS/IPSTests d'IntrusionRenseignement sur les MenacesApprentissage et ÉducationRed TeamingRéponse aux IncidentsRessources Organisées
Analyse de Journaux
GitHubadversarial-detection-engineering/adversarial-detection-engineering-framework

Adversarial-Detection-Engineering-Framework

Un framework et une taxonomie pour identifier, classer et raisonner sur les bogues de logique de détection dans les règles SIEM, EDR et XDR, avec des exemples concrets et des contournements réels.

Voir le dépôt
59849il y a 21 joursVérifié par Kitploit
Partager

Framework d'Ingénierie de Détection Adversariale (ADE)

Author GitHub Last Commit GitHub License

Prenez de l'avance sur les faux négatifs en comprenant comment la logique de détection échoue avant que les acteurs malveillants ne l'exploitent.

Consultez le site web : https://adeframework.org/

Qu'est-ce que l'ADE ?

L'Ingénierie de Détection Adversariale (ADE) est la discipline consistant à raisonner sur les faux négatifs dans les règles de détection. Le Framework ADE fournit une formalisation open-source moderne des Bugs de Logique de Détection - les inadéquations entre ce qu'une règle de détection cherche à détecter et ce qu'elle détecte réellement.

L'avantage de l'ADE

Au lieu d'attendre des faux négatifs dans le monde réel, les ingénieurs en détection peuvent proactivement se demander :

« Quelles variations feraient en sorte que la logique de détection de cette règle manque ce qu'elle était censée attraper ? »

Ce raisonnement adversarial reflète la manière dont les acteurs malveillants peuvent abuser des faiblesses dans la logique de détection.

Fonctionnalités clés

  • ✅ Identifier les bugs de logique de détection reproductibles et les mapper à des catégories ADE formelles
  • ✅ Intégrer le modèle mental d'un attaquant dans la conception et la revue de la logique de détection
  • ✅ Exposer les faiblesses structurelles des règles utilisées pour les chasses ou les outils MDR en production (SIEM, XDR, EDR)
  • ✅ Équiper les équipes de sécurité avec des renseignements exploitables sur les bugs de logique de détection
  • ✅ Prendre de l'avance sur les faux négatifs avant que les acteurs malveillants ne les découvrent et les exploitent

Objectif de l'ADE

Le but de l'ADE n'est pas d'imposer la perfection dans la conception, bien que ce soit un objectif idéal - mais de sensibiliser et de suivre les limitations, même si elles sont intentionnelles :

  • L'ADE ne consiste pas à exiger des règles de détection parfaites ; il s'agit de rendre visible le risque de faux négatifs.
  • De nombreuses règles contiennent intentionnellement des limitations dues à la portée, à la qualité du signal ou à des contraintes opérationnelles, et celles-ci peuvent toujours être mappées à des types de bugs ADE sans être « fausses ».
  • L'ADE fournit un moyen partagé de documenter, accepter, atténuer ou compenser ces risques à travers un ensemble de règles, plutôt que de juger des règles individuelles isolément.

Lien entre l'ADE et les Expositions de Logique de Détection (DLE)

  • L'ADE fournit une taxonomie canonique et des classes de bugs pour les bugs de logique de détection.
  • DLE fournit une liste reconnue de contournements divulgués publiquement avec des mappings ADE.

Contournements observés dans la nature

  • In-the-Wild documente les acteurs malveillants observés utilisant des techniques de contournement de détection dans de véritables intrusions, mappées aux classes de bugs ADE.
  • Ces cas sont rares. Chacun est la preuve qu'une classe de bugs ADE est exploitée en pratique, et pas seulement en théorie.

Démarrage rapide

Nouveau dans l'ADE ? Commencez ici :

  1. Introduction - Comprendre ce qu'est l'ADE et pourquoi il importe
  2. Concepts fondamentaux - Apprendre la terminologie fondamentale
  3. Guide de démarrage rapide - Appliquer l'ADE à votre première règle de détection
  4. Test de probabilité de bugs - Liste de vérification rapide pour évaluer les règles à la recherche de bugs

Prêt à approfondir ?

  • Théorie des bugs de logique de détection - Fondements formels
  • Aperçu de la taxonomie - Toutes les catégories de bugs
  • Exemples - Exemples du monde réel
  • Contournements observés dans la nature - Acteurs malveillants observés utilisant des techniques de contournement

Taxonomie des bugs de logique de détection ADE

Le framework identifie 4 catégories majeures et 16 sous-catégories de bugs de logique de détection :

🌳 ADE1 – Reformatting in Actions
    ├─ ADE1-01 Substring Manipulation
    └─ ADE1-02 Normalization Asymmetry

🌳 ADE2 – Omit Alternatives
    ├─ ADE2-01 Method/Binary
    ├─ ADE2-02 Versioning
    ├─ ADE2-03 Locations
    └─ ADE2-04 File Types

🌳 ADE3 – Context Development
    ├─ ADE3-01 Process Cloning
    ├─ ADE3-02 Aggregation Hijacking
    ├─ ADE3-03 Timing and Scheduling
    ├─ ADE3-04 Event Fragmentation
    ├─ ADE3-05 Lineage Spoofing
    └─ ADE3-06 Limit Saturation

🌳 ADE4 – Logic Manipulation
    ├─ ADE4-01 Gate Inversion
    ├─ ADE4-02 Conjunction Inversion
    ├─ ADE4-03 Incorrect Expression
    └─ ADE4-04 Field Mismapping & Semantics

→ Explorer la taxonomie complète

Ce que le framework fournit

1. Théorie des bugs de logique de détection

Définitions formelles et fondement théorique :

  • Ce qui constitue un bug de logique de détection
  • Comment les bugs créent des faux négatifs
  • Relation entre la portée et la logique de détection
  • Concept de contournement de règles

2. Taxonomie formelle des bugs

Classification complète avec une terminologie claire :

  • 4 catégories principales
  • 16 sous-catégories détaillées
  • Système d'étiquetage cohérent (ADE1-01, ADE2-01, etc.)
  • Correspondance avec des règles de détection réelles

3. Exemples concrets

Exemples concrets issus de jeux de règles en production :

  • Règles de détection Sigma
  • Analyses Microsoft Sentinel
  • Règles SIEM & EDR Elastic Security
Télécharger l’outil

Populaires

Voir tout →

Découvrez les outils les plus utilisés par notre communauté.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 La boîte à outils OSINT ultime : graphe d'enquête, notation de confiance, familles d'alias, carte, chronologie et rapports. 49 modules, plus de 400 sites, aucune clé API requise.

    831
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Application d'exécution en un clic GhostLock (CVE-2026-43499)

    534
  • 3

    ARTEX

    baarai/artex

    Plateforme autonome de tests d'intrusion multi-agents basée sur des LLM, avec agents planificateur/ouvrier, graphes d'actifs et d'exploration, enregistrement du trafic MITM et retest des vulnérabilités.

    429
  • 4

    redforge

    cybersecurity91/redforge

    Boîte à outils red team côté navigateur avec 102 outils hors ligne pour la reconnaissance, la génération de payloads, les attaques par identifiants, la cryptographie, l'encodage et le reporting d'engagement.

    355
  • 5

    looking-glass

    anonghosty/looking-glass

    Plateforme CSIRT qui ingère les rapports Shadowserver dans MongoDB et les rejoue sous forme de cartes interactives, d'analyses, de constats, d'avis et de tableaux de bord exécutifs.

    284
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    Le système d'action pour la cybersécurité native IA—où l'intention devient une exécution gouvernée, les preuves deviennent une mémoire opérationnelle, et chaque opération améliore la suivante.

    275

Explorer tous les outils

Parcourez notre collection d'outils

Voir tous les outils →