Fonctionnalités basées sur l'IA
GitGuardian utilise l'IA pour enrichir son moteur de détection avec des capacités qui vont au-delà de ce que les systèmes basés sur des règles peuvent réaliser.
Cette liste n'est pas exhaustive. L'IA et les LLM sont largement utilisés sur l'ensemble de la plateforme GitGuardian, et les capacités continuent d'évoluer.
Détection des faux positifs
Ce que cela fait : Détecte les cas limites complexes de faux positifs que la détection basée sur des règles ne peut pas résoudre seule — motifs ambigus, identifiants de test mélangés à ceux de production, tokens révoqués toujours présents dans le code.
Pourquoi c'est important : La détection basée sur des règles rencontre inévitablement des motifs ambigus : des identifiants qui semblent réels mais ne le sont pas, des clés de test mélangées à celles de production, des tokens révoqués toujours présents dans le code. L'IA ajoute une deuxième couche de jugement pour détecter ces cas.
La couverture s'étend désormais au-delà des dépôts de code vers des sources hors code telles que Confluence, Jira, Slack et Microsoft Teams, afin que les secrets génériques puissent être détectés sur ces sources sans inonder votre dashboard de faux positifs.
En savoir plus : Machine learning — False Positive Remover
Priorisation des incidents (score de risque)
Ce que cela fait : Attribue un score de risque de 0 à 100 à chaque incident, accompagné d'une explication lisible par un humain.
Pourquoi c'est important : Sans priorisation, les équipes de sécurité traitent soit tout comme prioritaire, soit s'appuient sur des catégories de sévérité grossières. Le scoring de risque transforme la file d'attente des incidents en une liste classée qui reflète l'impact réel sur l'activité.
En savoir plus : Prioriser les incidents — Score de risque
Sur les incidents publics, ce score basé sur le ML est en cours de remplacement par l'analyse par agents décrite ci-dessous.
Analyse par agents sur les incidents publics (bêta)
Ce que cela fait : Exécute des agents IA sur les incidents de secrets publics pour déterminer si une fuite trouvée sur des sources publiques est réellement liée à votre entreprise, et dans quelle mesure elle est importante. Chaque incident reçoit un verdict Company-related et un score de risque défini par les agents, avec le raisonnement exposé dans un onglet Analysis.
Pourquoi c'est important : Sur les sources publiques, la question coûteuse n'est pas de savoir si quelque chose est un secret, mais s'il est le vôtre. Une fuite peut provenir du projet personnel d'un développeur, d'un prestataire ou d'un tiers sans rapport. Les règles déterministes ne peuvent que dire « ceci correspond à votre périmètre », ce qui laisse les analystes lire les commits à la main. Les agents portent ce jugement et l'expliquent, afin que les équipes consacrent leur temps aux fuites qui leur appartiennent véritablement.
En savoir plus : Analyse par agents
Enrichissement des secrets
Ce que cela fait : Ajoute le fournisseur, la catégorie de service et le contexte de l'entreprise aux détections de secrets génériques. Une « chaîne à haute entropie » générique devient une « clé API Stripe » ou un « identifiant de base de données interne » — avec suffisamment de contexte pour agir immédiatement.
Pourquoi c'est important : Une grande partie des secrets détectés sont génériques — chaînes à haute entropie, URI de connexion, tokens inconnus. Sans enrichissement, ces incidents sont opaques : quelque chose a été trouvé, mais personne ne sait à quel service il appartient, à qui il appartient, ni à quel point il est critique. L'enrichissement basé sur l'IA lit le contexte du code environnant et déduit le fournisseur, la catégorie et le modèle d'utilisation — amenant les secrets génériques près du niveau de qualité des détections spécifiques.
En savoir plus : Machine learning — Secret Enricher
Problèmes similaires
Ce que cela fait : Regroupe automatiquement les incidents liés afin que les équipes puissent remédier aux motifs récurrents par lots plutôt que de traiter chaque incident individuellement.
Pourquoi c'est important : Dans les grandes organisations, le même secret apparaît souvent à de nombreux endroits. Sans regroupement, chaque occurrence nécessite un tri distinct. Avec le regroupement, une équipe peut remédier à l'ensemble du motif en une seule fois.
En savoir plus : Examiner les incidents — Regroupement d'incidents similaires
GitGuardian Assistant (alpha)
Ce que cela fait : Un assistant IA conversationnel qui aide les analystes à examiner les incidents de manière interactive — en expliquant le risque, en fournissant du contexte et en suggérant les prochaines étapes.
Pourquoi c'est important : L'investigation est la partie la plus chronophage de la remédiation. Les analystes doivent comprendre ce qu'est un secret, où il est utilisé, qui l'a commité et quel est le rayon d'impact. L'assistant met ce contexte à portée de main grâce à une conversation naturelle.
Pour tous les détails sur l'assistant, consultez la documentation GitGuardian Assistant.
Pour plus de détails sur la manière dont vos données sont traitées et sur les modèles d'IA utilisés, consultez la Politique de gestion de l'IA. Pour contrôler quelles fonctionnalités d'IA sont actives, consultez Paramètres d'IA.
