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
AI-Threat-Modeler — Projet OWASP pour la modélisation des menaces assistée par IA, aidant les équipes à identifier, analyser et documenter les menaces de sécurité et les mesures d'atténuation dans les conceptions de systèmes. | Kitploit
Outils/GitHubGitHub/owasp/ai-threat-modeler
Outils DéfensifsAnalyse des VulnérabilitésRenseignement sur les MenacesArticles et RechercheSécurité de l'IA
GitHubowasp/ai-threat-modeler

AI-Threat-Modeler

Projet OWASP pour la modélisation des menaces assistée par IA, aidant les équipes à identifier, analyser et documenter les menaces de sécurité et les mesures d'atténuation dans les conceptions de systèmes.

Voir le dépôt
2109il y a 29 joursPas encore vérifié
Partager

AI Threat Modeler

Pointez-le vers une base de code. Obtenez en retour un modèle de menace ancré dans le code — prêt à être examiné, contesté et exploité. Les éléments que le code ne peut pas voir — le contexte métier et l'architecture sous-jacente — c'est là que vous et vos architectes intervenez.

Importez un ZIP ou un dépôt GitHub, et AI Threat Modeler produit un artefact de modèle de menace de type STRIDE : un diagramme de flux de données, des menaces candidates et un registre des risques — avec des liens vers les fichiers sources et numéros de ligne exacts chaque fois que l'agent IA peut les ancrer dans du code réel. Une passe adversariale optionnelle écarte les constats dépourvus de preuve dans le code.

Conçu pour les équipes AppSec qui veulent une modélisation des menaces ancrée dans le code réel — traçable, vérifiable et toujours à jour.

Ce que c'est (et ce que ce n'est pas)

Soyez clair sur ce que vous obtenez, car la distinction compte :

  • C'est un modélisateur de menaces IA ancré dans le code. Il transforme une base de code en un catalogue de départ de constats DFD + STRIDE + risques, chacun rattaché à un véritable file:line.
  • C'est ancré dans le code. Notre principe de travail est court et concret : identifier la menace, ancrer la vérité dans le code, puis agir. Chaque constat est rattaché à un véritable file:line, et les affirmations sans preuve dans le code sont écartées. Le résultat est une matière concrète et vérifiable sur laquelle votre équipe peut agir — le code est la source de vérité, et votre équipe apporte le jugement nécessaire pour agir.

La valeur que vous en retirez est proportionnelle à ce que vous y mettez (garbage in, garbage out) et à la rigueur avec laquelle votre équipe agit sur les constats — vérifier le diagramme, recouper les affirmations avec le code et ajouter le contexte métier/conception qui vit en dehors de la base de code. Voir Comment utiliser la sortie pour le flux de travail complet, et comment l'utiliser comme contrôle avons-nous fait un travail suffisamment bon face à un modèle de menace existant construit manuellement.

📹 Démo

Vidéo de démonstration

Ou regardez sur la page du fichier.

Essayez en 3 étapes

Vous aurez besoin de Docker et d'une clé API pour l'un des fournisseurs pris en charge — Anthropic (Claude), OpenAI ou DeepInfra pour exécuter des modèles à poids ouverts (Kimi, GLM, DeepSeek).

  1. Configurez votre environnement. Copiez le fichier d'environnement et ajoutez un JWT_SECRET aléatoire :

    cp .env.example .env
    echo "JWT_SECRET=$(openssl rand -hex 32)" >> .env
    
  2. Compiler et démarrer :

    docker-compose up -d --build
    
  3. Ouvrez http://localhost:3000, connectez-vous avec admin / admin, ajoutez votre clé API dans Settings, et soumettez un dépôt.

👉 Nouveau ici ? Suivez le guide de démarrage pour la procédure complète avec des détails équivalents à des captures d'écran.

Ce que vous obtenez

Une fois une tâche terminée, ouvrez le rapport — un ensemble d'artefacts pour votre revue, et non un verdict final :

OngletContenu
Diagramme de flux de donnéesDiagramme interactif avec frontières de confiance ; cliquez sur un nœud pour voir les menaces candidates associées et les fichiers sources. Vérifiez d'abord ce diagramme par rapport à votre architecture réelle — des conclusions fondées sur un diagramme erroné sont suspectes.
Modèle de menacesMenaces STRIDE candidates avec gravité, mesure d'atténuation et Emplacement (fichier:ligne, extrait, lien GitHub lorsqu'importé depuis GitHub). Traitez chacune comme une hypothèse à vérifier dans le code, et non comme une conclusion.
Registre des risquesRisques liés aux menaces, avec plans de remédiation — matière première pour les décisions de votre équipe et la remédiation suivie.

Exportez en PDF, CSV (compatible Excel) ou JSON, afin de pouvoir intégrer les conclusions dans votre outil de suivi de tickets et votre pratique de modélisation des menaces de référence.

Comment ça fonctionne

Chaque tâche exécute un court flux stage → run afin que l'IA comprenne votre déploiement, et pas seulement votre code :

  1. Analyze — l'application pré-remplit six champs de contexte modifiables (résumé du projet, contexte de sécurité, contexte de déploiement, conseils aux développeurs, exclusions suggérées et notes). C'est votre contribution la plus déterminante — modifiez-la avec le contexte réel de déploiement et d'activité ; l'artefact ne sera jamais meilleur que ce que vous y mettez.
  2. Run — l'agent produit l'artefact STRIDE complet, et son statut s'affiche en direct sur le tableau de bord. Ensuite, votre équipe le révise (voir Comment utiliser la sortie).

Fournisseurs de modèles

Apportez votre propre clé pour le fournisseur qui correspond à votre budget et à vos exigences de conformité — choisissez le fournisseur et le modèle dans Settings :

  • Anthropic (Claude) et OpenAI — modèles de pointe hébergés.
  • DeepInfra — modèles à poids ouverts. Exécutez les familles Kimi, GLM et DeepSeek derrière une API compatible OpenAI sur un cloud d'inférence certifié HIPAA et SOC 2. Le sélecteur de modèles liste chaque option avec son prix par million de tokens et sa fenêtre de contexte, et le coût par tâche est rapporté exactement. Les modèles à poids ouverts peuvent être nettement moins chers — une tâche typique sur DeepSeek V4 Flash coûte des centimes, pas des dollars.

Vous pouvez également ajuster reasoning_effort et activer la seconde passe adversariale par instance. Voir la référence des paramètres.

Documentation

GuidePour
DémarrageNouveaux utilisateurs — de l'installation au premier rapport
Importation depuis GitHubDépôts publics et privés, branches, limites
Référence des paramètresRéglage du coût, de la profondeur et des fournisseurs
DépannageQuand quelque chose ne va pas
FonctionnalitésListe complète des capacités
DéploiementExécution avec Docker Compose en production
SETUP.mdDéveloppement local sans Docker
CHANGELOG.mdHistorique des versions

Index complet de la documentation : docs/. Spécification API interactive : http://localhost:3001/api-docs (lorsque le backend est en cours d'exécution).

Contribution / développement

npm test                                             # backend + frontend unit tests
cd frontend && npm run e2e:install && npm run e2e    # Playwright end-to-end tests
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.

    755
  • 2

    ghostlock-app

    yukonga/ghostlock-app

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

    510
  • 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.

    415
  • 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.

    343
  • 5

    antifox

    antifox-ai/antifox

    Plateforme de test d'intrusion autonome multi-agents par IA qui exécute la reconnaissance, la découverte de la surface d'attaque, la validation de l'exploitation et la livraison de rapports étayés par des preuves.

    259
  • 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.

    258

Explorer tous les outils

Parcourez notre collection d'outils

Voir tous les outils →