Réduisez le délai de protection grâce à l’agent de protection contre les vulnérabilités auto-évolutif de Cato

TL;DR: À l’ère des modèles d’IA de pointe, la découverte des vulnérabilités et le développement d’exploits progressent à un rythme bien plus rapide que celui auquel les humains peuvent s’en défendre manuellement. Les équipes de sécurité sont déjà confrontées à un volume croissant de CVE, à un raccourcissement des délais d’exploitation et à des processus manuels pour rechercher les vulnérabilités, mettre au point des protections, les valider et les préparer en vue de leur déploiement. Les attaquants exploitent les vulnérabilités plus rapidement que les entreprises ne parviennent à les corriger, et le délai d’implémentation des protections devient un indicateur de sécurité essentiel.

Chez Cato, nous avons développé l’agent auto-évolutif de protection multimodale contre les vulnérabilités afin d’accélérer le processus entre la publication d’une CVE et la protection des clients. Au cours de deux phases pilotes, l’agent a généré des protections exploitables pour plusieurs catégories de vulnérabilités, avec des résultats cohérents. Au cours de la première phase, plusieurs mesures de protection générées ont égalé ou dépassé celles déjà mises en place. À la suite des améliorations apportées au processus, la deuxième phase a permis d’obtenir des signatures exploitables pour les six CVE évaluées, la plus rapide ayant été réalisée en 45 minutes. Dans cet article de blog, nous présentons la méthodologie, les résultats et les principaux enseignements tirés de l’évaluation d’un workflow agentique indépendant du modèle, qui s’améliore grâce aux retours de validation, aux journaux d’audit et à l’examen par des chercheurs.

Workflow agentique pour la protection contre les CVE

L’objectif de ce processus est de transformer une vulnérabilité récemment dévoilée en une protection validée aussi rapidement que possible, tout en permettant aux chercheurs en sécurité de garder le contrôle sur les décisions finales.

Dans les grandes lignes, le processus se compose de cinq étapes, incluant une boucle d’apprentissage et d’amélioration :

• Collecte de renseignements sur les vulnérabilités
• Analyse d’exploits
• Génération de protections
• Validation
• Avis des chercheurs

Ce workflow associe plusieurs modèles d’IA et permet d’analyser différents types d’éléments liés à la sécurité, notamment les avis des éditeurs, les enregistrements des CVE, les référentiels privés et publics reconnus, les captures d’écran et les schémas techniques. Cela permet à l’agent d’acquérir une meilleure compréhension de la vulnérabilité avant de générer et de valider une protection. La figure 1 présente une vue d’ensemble du processus de protection contre les CVE implémenté par l’agent, depuis l’analyse des vulnérabilités jusqu’à leur validation et leur examen par les chercheurs.

Figure 1. Workflow de principe sur la protection multimodale par un Agent contre les CVE

Conception multimodèle et multimodale

Le workflow est à la fois multimodèle et multimodal. Il est multimodèle, car il peut utiliser différents modèles d’IA en fonction de la complexité de la tâche, et multimodal, car il est capable d’analyser différents types d’éléments liés à la sécurité, notamment les avis de sécurité, le code source, les captures d’écran, les schémas techniques et les exploits de PoC.

L’un des principaux objectifs de conception était la flexibilité. Les différentes étapes de recherche sur les vulnérabilités exigent des capacités de raisonnement différentes, ce qui rend inefficace l’utilisation d’un même modèle pour toutes les tâches. Au cours de notre évaluation, nous avons principalement utilisé Claude Sonnet 4.6 et Claude Opus 4.7, tout en commençant également à tester Claude Opus 4.8 et OpenAI GPT-5.5-Cyber peu de temps après sa sortie.

Des tâches telles que l’extraction de métadonnées, l’analyse syntaxique des avis et l’orchestration des processus peuvent être prises en charge efficacement par des modèles moins coûteux. Les activités complexes, telles que l’analyse des failles, la génération de signatures et l’affinement de la validation, tirent parti de modèles de raisonnement plus puissants. L’architecture est volontairement indépendante des modèles, ce qui permet au workflow de profiter des améliorations apportées aux modèles de base sans qu’il soit nécessaire de repenser le système sous-jacent.

En coulisses, l’agent est géré par une couche d’orchestration qui coordonne 16 étapes et sous-agents tout au long du workflow de bout en bout. Chaque sous-agent peut également déclencher d’autres sous-agents en parallèle afin d’améliorer l’efficacité. Les contrôles d’intégrité permettent de vérifier si chaque étape a été effectuée comme prévu. Si une étape ne répond pas aux critères requis, elle est automatiquement relancée jusqu’à ce qu’elle passe la validation.

La génération de signatures ne repose pas uniquement sur un modèle générique. Ce workflow s’appuie sur des agents spécialisés, formés à partir des connaissances accumulées par Cato en matière de recherche sur la sécurité, de la logique de détection, des modèles de signatures IPS, des techniques d’évasion et de l’expérience en matière de validation. Chaque agent est conçu pour se spécialiser dans une catégorie spécifique de vulnérabilités, telles que l’exécution de code à distance, le contournement de l’authentification, le parcours de chemin, le déni de service, la divulgation d’informations ou l’exploitation générique. Cette spécialisation propre à chaque classe permet au workflow de mettre en place des protections plus efficaces pour chaque type de vulnérabilité, plutôt que de s’appuyer sur une approche universelle.

Ce processus est également conçu pour analyser des informations provenant de sources et de formats variés, notamment les avis concernant les CVE, les communications des éditeurs, les blogs consacrés à la recherche en sécurité, les référentiels privés et publics reconnus, les schémas techniques, les images et les captures d’écran. La combinaison de ces données permet à l’agent d’acquérir une compréhension plus approfondie du comportement des vulnérabilités avant de proposer des mesures de protection.

La validation est un élément central du processus de travail, et non une étape ajoutée après coup. Les protections générées sont testées à la fois pour détecter les faux positifs et les faux négatifs, en les comparant à des données récentes de trafic réel issues des stocks de données de Cato. Cela permet de s’assurer que les mesures de protection détectent les variantes d’attaques pertinentes sans bloquer le trafic légitime.

Enfin, le workflow est amélioré grâce aux boucles de feedback générées par les résultats des validations, les examens des chercheurs, les traces d’exécution et les logs d’audit. Ces informations sont utilisées pour affiner, au fil du temps, les consignes, les compétences, la logique des processus, les agents spécialisés et les décisions de routage des modèles.

Évolution autonome grâce au feedback opérationnel

L’amélioration continue est un principe de conception essentiel de l’agent de protection multimodal contre les CVE. Chaque fois que l’agent mène à bien un workflow de bout en bout et génère une « pull request », les chercheurs en sécurité examinent la protection proposée et font part de leurs commentaires lorsque des ajustements sont nécessaires. Les corrections peuvent être apportées manuellement par les chercheurs ou automatiquement par des agents spécialisés.

Le processus de feedback ne s’arrête pas à une seule pull request. De manière récurrente, un workflow d’apprentissage automatisé analyse les pull requests clôturées, les commentaires des réviseurs et les tickets résolus. En comparant la protection initiale générée par l’agent avec la version finale approuvée, le système identifie les erreurs récurrentes, les lacunes logiques et les possibilités d’amélioration. Ces informations sont ensuite utilisées pour mettre à jour les compétences, les workflows, la logique de validation et les connaissances utilisées par l’agent, ce qui contribue à réduire les erreurs similaires lors des prochaines exécutions.

De ce fait, l’agent ne reste jamais immobile. Chaque cycle d’évaluation est l’occasion d’améliorer la qualité de la protection, d’accélérer les futures analyses et d’affiner en permanence le processus de recherche sur les vulnérabilités, de bout en bout.

Méthode de recherche

Afin d’évaluer l’efficacité de l’agent de protection multimodal contre les CVE, nous avons mené une étude pilote portant sur plusieurs catégories de vulnérabilités. L’évaluation a porté sur 20 vulnérabilités réelles relevant de six grandes catégories d’attaques. Au cours de la première phase, nous avons évalué 14 vulnérabilités réelles relevant de six grandes catégories d’attaques, en nous appuyant sur des CVE pour lesquelles des mesures de protection existaient déjà. Cela nous a permis de comparer les protections générées par l’agent à celles déjà implémentées. Au cours de la deuxième phase, après avoir optimisé le workflow sur la base des résultats de la première phase, nous avons évalué six CVE supplémentaires pour lesquelles aucune protection n’était en place dans notre environnement. Ces CVE de la deuxième phase provenaient de certaines des mêmes catégories de vulnérabilités, notamment l’exécution de code à distance (RCE), le contournement de l’authentification et le parcours de chemin, mais n’avaient pas pour objectif de couvrir chacune de ces catégories une par une.

Le tableau 1 présente les catégories de vulnérabilités incluses dans le projet pilote ainsi que le nombre de CVE testées dans chaque catégorie.

Tableau 1. Catégories de vulnérabilités prises en compte dans l’évaluation pilote

Processus d’évaluation

Pour chaque vulnérabilité, l’agent a analysé les informations disponibles à ce sujet, a généré des mesures de protection potentielles, puis a validé les résultats à l’aide des données télémétriques disponibles et des workflows de test.

L’évaluation a présenté de légères différences entre les deux phases pilotes. Durant la première phase, les protections existantes ont été supprimées de l’environnement de test, ce qui nous a permis de comparer les protections générées par l’agent à celles déjà en place. Au cours de la deuxième phase, le processus a été testé face à des vulnérabilités pour lesquelles aucune protection n’était en place, ce qui nous a permis d’évaluer le processus amélioré dans des conditions nouvelles et proches de la réalité.

Durant les deux phases, l’évaluation a porté sur le délai de protection, la qualité de la protection et le niveau d’intervention requis de la part des chercheurs.

Résultats

La Figure 2 présente un résumé de la première phase de l’évaluation pilote, qui porte sur 14 vulnérabilités réparties dans plusieurs catégories d’attaques. Ce graphique met en évidence le temps d’exécution, le temps le plus court par CVE, la qualité de la protection et le taux de réussite des workflows.

Figure 2. Résultats de la première phase pilote du pipeline CVE agentique

Les résultats de l’étude pilote montrent que le workflow agentique a permis de générer des protections sur un ensemble de données de CVE variées, avec des caractéristiques cohérentes en termes de temps et de qualité.

Le tableau 2 présente les principaux indicateurs d’évaluation du projet pilote de la première phase.

Tableau 2 : Résumé de l’évaluation pilote de la première phase

Résultats de la deuxième phase pilote

Après avoir affiné le workflow à la lumière des résultats de la première phase pilote, nous avons évalué l’agent sur six vulnérabilités ne faisant l’objet d’aucune protection préalable.

La Figure 3 résume les résultats : Lors de la deuxième phase du projet pilote portant sur 6 CVE, notre agent CVE a généré des signatures de vulnérabilité exploitables pour chaque cas, le temps moyen par CVE s’élevant à 45 minutes au minimum.

Figure 3. Résultats de la deuxième phase du pipeline CVE agentique

Conclusions

Rapide et efficace

Au cours des deux phases pilotes, le processus a permis de mettre en place des mesures de protection en quelques heures plutôt qu’en plusieurs jours. Cela revêt une grande importance, car la création manuelle de protections nécessite généralement plusieurs heures de travail de la part de chercheurs experts en sécurité, notamment pour l’analyse des vulnérabilités, la conception de la logique de détection, la validation, la révision et le perfectionnement. Au cours de la première phase, le délai d’installation d’une protection le plus court a été de 45 minutes. À la suite des améliorations apportées au workflow, la deuxième phase a permis d’obtenir des signatures exploitables pour les six CVE évaluées, avec plusieurs protections générées en moins d’une heure, la plus rapide ayant d’ailleurs été réalisée en 45 minutes.

Taux de réussite élevé

Le processus a permis de générer avec succès des mesures de protection efficaces pour la quasi-totalité des vulnérabilités évaluées. Au cours de la première phase, plusieurs mesures de protection générées ont égalé ou dépassé celles déjà mises en place. Au cours de la deuxième phase, l’agent a généré des signatures de vulnérabilité exploitables pour les six CVE récemment divulguées.

Cohérent et prévisible

Les résultats obtenus au cours des deux phases ont montré un comportement reproductible pour plusieurs classes de vulnérabilité, puisque le temps d’exécution est resté dans des limites raisonnables plutôt que de dépendre de quelques exécutions réussies isolées.

Les dispositifs de sécurité ont fonctionné comme prévu

Dans un cas précis, le processus a correctement interrompu la procédure, car il n’existait pas suffisamment d’informations publiques sur la faille. Cela a mis en évidence l’importance de l’application des politiques et des mécanismes de contrôle au sein des processus de sécurité autonomes.

Le Tableau 3 présente l’ensemble des données et les résultats de l’évaluation pilote.

Tableau 3 : Ensemble de données et résultats de l’évaluation pilote de la première phase

Le Tableau 4 résume les résultats de la deuxième phase pilote.

Tableau 4 : Résultats de la deuxième phase obtenus grâce au processus optimisé

Analyse de la qualité de protection

Au-delà de la rapidité, l’évaluation visait à déterminer si les protections générées étaient précises, efficaces et adaptées à un contrôle par les chercheurs. Au cours de ce projet pilote, plusieurs protections générées ont atteint un niveau de qualité suffisant pour être implémentée, certaines ne nécessitant que quelques ajustements mineurs avant d’être validées.

L’agent a su prendre en compte des aspects importants liés à la détection, telles que les variantes d’attaque, les différences d’encodage, la spécificité des signatures et la réduction des faux positifs. Cela a permis de garantir que les mesures de protection mises en place étaient non seulement rapides à implémenter, mais aussi faciles à appliquer dans la pratique.

Ces résultats suggèrent que la recherche de vulnérabilités par les agents peut contribuer à améliorer la rapidité et l’efficacité de l’ingénierie de la protection, tout en permettant aux chercheurs de garder le contrôle de la validation et de l’approbation finales.

Première évaluation de Claude Opus 4.8

L’un des avantages d’une architecture indépendante du modèle réside dans sa capacité à adopter rapidement de nouveaux modèles de base dès qu’ils sont disponibles.

Peu après la sortie de Claude Opus 4.8, le 28 mai 2026, nous l’avons testé à l’aide de la faille CVE-2026-41940, une vulnérabilité de cPanel dont nous avions déjà parlé. Le Tableau 5 présente les résultats de cette première évaluation de Claude Opus 4.8.

Tableau 5 : Première évaluation de Claude Opus 4.8

Ce processus a permis d’obtenir une protection de haute qualité dès la première exécution, en moins d’une heure.

Pourquoi la plateforme est-elle importante ?

L’efficacité de la protection agentique contre les vulnérabilités ne dépend pas uniquement du modèle d’IA utilisé. Un modèle peut aider à analyser une vulnérabilité ou à proposer une solution de protection, mais sa véritable valeur réside dans l’architecture qui l’entoure, l’orchestration, la validation, les boucles de feedback, ainsi que dans la capacité à mettre en place les protections rapidement et en toute sécurité, à grande échelle.

L’architecture cloud-native de Cato permet à l’agent multimodal de protection contre les CVE de passer de l’analyse des vulnérabilités à la protection des clients sans intervention de ces derniers. Les nouvelles mesures de protection peuvent être validées à l’aide de données de trafic réelles, déployées sur l’ensemble du réseau mondial des points de présence (PoP) de Cato, et fournies via une plateforme de sécurité unifiée, sans fenêtres de maintenance, sans mises à jour des appliances ni intervention manuelle. Cela vient renforcer un principe plus général dont nous avons parlé dans The Mythos Moment : la valeur à long terme de l’IA ne provient pas seulement du modèle de base, mais aussi de l’architecture, de l’orchestration et des boucles de rétroaction qui l’entourent.

Discussion et conclusion

Le pilote de recherche et les études de suivi ont démontré que la recherche agentique de vulnérabilités permettait de réduire de manière significative le délai de protection pour plusieurs catégories de vulnérabilité. L’agent multimodal de protection contre les CVE a systématiquement généré des mesures de protection caractérisées par des délais d’exécution prévisibles, des coûts raisonnables et des résultats de grande qualité. Tout aussi important, cette étude a montré que le goulot d’étranglement est en train de se déplacer : la création de protections n’est plus la partie la plus difficile. C’est lors de leur validation et de leur implémentation en toute sécurité à grande échelle que l’architecture de la plateforme, la télémétrie de la vie réelle et la supervision des chercheurs deviennent essentielles.

Il ne s’agit plus seulement d’un projet pilote. Les chercheurs de Cato utilisent déjà ce processus pour offrir aux clients des protections plus rapides et plus efficaces. L’expertise humaine reste au cœur du processus : les chercheurs examinent les résultats, valident les cas complexes et prennent la décision finale concernant la détection lorsque cela s’avère nécessaire, tandis que l’agent automatise les tâches répétitives de recherche et d’ingénierie au niveau machine. À mesure que les modèles de base continuent d’évoluer, les architectures indépendantes du modèle, telles que celle-ci, offrent une solution concrète pour traduire les avancées liées à l’IA en accélérant la protection pour les clients.