Ci-dessous, l'article initial (16 décembre 2021).Blumira's CTO @Owenwarner discovered a new vector for the #Log4j vuln that significantly expands its attack surface.
Anyone with a vulnerable Log4j version on their machine or local private network can potentially trigger the vulnerability. https://t.co/SiXUQaIpOz — Blumira (@blumirasec) December 17, 2021
Le mot « algorithme » est utilisé couramment dans la presse pour désigner le fonctionnement opaque des moteurs de recherche et des réseaux sociaux.
Mais de quoi parlons-nous exactement ? Qu’est-ce qu’un algorithme ? Cette notion a traversé l’histoire, depuis Euclide jusqu’aux algorithmes des GAFAM. Les algorithmes peuvent-ils résoudre n’importe quel problème ? Quelles garanties a-t-on sur leur comportement ? Quels sont leurs impacts sociétaux ?
L’étymologie fait remonter l’histoire des algorithmes au savant persan Muhammad Ibn Mūsā al-Khuwārizmī, qui aux alentours de l’an 800 a publié les premiers manuels de résolution d’équations. Ses méthodes, à l’origine de l’algèbre, concernent typiquement des problèmes de calcul pratiques : des questions d’héritage ou de mesure.
Ses ouvrages sont traduits en latin au cours du XIIe siècle et popularisés par des personnalités telles que le mathématicien italien Leonardo Fibonacci. C’est son nom, latinisé en « algoritmi » ou « algorismi », qui est à l’origine du terme « algorithme ». Près d’un millénaire avant lui, Euclide avait décrit dans les Éléments une méthode pour calculer le plus grand diviseur commun de deux nombres.
Il faut pourtant attendre le début du XXe siècle pour que la notion d’algorithme soit formalisée. Dans son célèbre discours au deuxième congrès international des mathématiciens à Paris en 1900, le mathématicien allemand David Hilbert propose 23 problèmes ouverts, 23 défis à relever pour la communauté mathématique, dont les énoncés auront une influence considérable sur le développement des mathématiques dans les décennies suivantes. Le dixième problème porte sur l’existence d’une « méthode par laquelle, au moyen d’un nombre fini d’opérations, on pourra déterminer l’existence d’une solution en nombres entiers à une équation polynomiale à coefficients entiers » (les équations « Diophantiennes »). C’est bien de l’existence d’un algorithme qu’il s’agit.
C’est par les travaux fondateurs d’Alan Turing et d’Alonzo Church, entre autres, que les algorithmes deviennent des objets mathématiques à part entière. Dans son article de 1936, Alan Turing donne sa définition de la « calculabilité » d’une fonction : il doit exister une machine qui donne sa valeur en un nombre fini d’étapes élémentaires, guidées par un système de transitions et le contenu d’un ruban, qui joue le rôle de mémoire. C’est la célèbre « machine de Turing ».
Alan Turing comprend le lien entre la calculabilité d’une fonction et le caractère démontrable d’une assertion mathématique dans un système d’axiomes. L’informatique théorique devient une branche des mathématiques.
On circonscrit la puissance des algorithmes, et certains problèmes sont démontrés indécidables : aucun algorithme n’existe pour les résoudre. En 1970, Julia Robinson et Youri Matiiassevitch résolvent finalement le dixième problème de Hilbert : la résolution des équations diophantiennes est un problème indécidable !
Au cours des années 1970, on établit des hiérarchies de problèmes en fonction du temps et de l’espace qu’un algorithme requiert pour les résoudre : c’est la théorie de la complexité.
Les algorithmes sont souvent comparés à des recettes de cuisine : une suite d’instructions précises permettant d’obtenir un résultat en un nombre fini d’étapes.
Cette image est juste, mais occulte sans doute un aspect fondamental, le fait qu’un algorithme reçoit des données à traiter (nombres, texte, relations), et certaines instructions sont conditionnelles : les étapes suivies dépendent de ces données, et les exécutions peuvent suivre un cours difficilement prévisible. On peut donner ces instructions sous différentes formes bien définies (organigramme, langage de description), ou même, avec les précautions de rigueur, en langage naturel.
Nous avons tous appris l’algorithme de multiplication de deux nombres à l’école primaire, sans l’aide d’un formalisme avancé. Les algorithmes sont en principe destinés à être mis en œuvre sous forme de programme, dans un langage de programmation compréhensible par un ordinateur. Mais l’algorithme existe indépendamment de cette traduction.
Pour mieux comprendre les enjeux et les défis actuels autour des algorithmes, il est important de cerner leur portée et les propriétés que nous sommes à même de garantir sur leurs résultats et leurs comportements. Une typologie des algorithmes est indispensable à cette compréhension.
On peut d’abord distinguer une famille d’algorithmes tellement omniprésents dans notre quotidien qu’ils y sont presque devenus invisibles. Il s’agit d’algorithmes exacts pour des tâches parfaitement bien définies, dont le résultat est facilement vérifiable : multiplier deux nombres, trier une liste de noms par ordre alphabétique, stocker et retrouver efficacement une information, effectuer la conversion d’un signal analogique vers un signal numérique, interpréter un programme.
Il s’agit là des algorithmes fondamentaux étudiés depuis les balbutiements des sciences informatiques. Ils ne font pas moins pour autant l’objet de recherches actuelles, tant des mystères subsistent autour de la complexité de certaines opérations fondamentales. La complexité exacte du problème de multiplication de deux nombres entiers, par exemple, est d’un point de vue théorique encore ouverte : nous sommes actuellement incapables de démontrer que la multiplication prend nécessairement plus de temps que l’addition ! Le meilleur algorithme de multiplication connu n’a été publié que très récemment.
Les algorithmes d’optimisation constituent une deuxième famille importante. Ils résolvent des problèmes dans lesquels on cherche à identifier des paramètres ou une configuration qui maximise ou minimise une valeur, appelée « fonction objectif ». Les applications concrètes consistent par exemple en la recherche d’un chemin le plus court entre deux points, l’ordonnancement des phases d’un projet pour en minimiser la durée, le choix des emplacements d’antennes pour couvrir à moindre coût une zone donnée, ou celui des paramètres des routeurs d’un réseau pour en minimiser la latence.
Les objectifs des algorithmes de ces deux familles sont quantifiables et leurs résultats sont mathématiquement garantis. Les méthodes formelles permettent de vérifier rigoureusement les propriétés d’un algorithme. Les algorithmes d’optimisation linéaire sont bien compris.
Une troisième famille d’algorithmes, plus spécialisés, est celle des algorithmes cryptographiques, destinés à garantir la sécurité des communications et transactions. Cette sécurité repose souvent sur des hypothèses liées à la complexité de problèmes algorithmiques. Le célèbre algorithme RSA (du nom de ses inventeurs : Ronald Rivest, Adi Shamir et Leonard Adleman), par exemple, fait reposer la sécurité des transactions commerciales électroniques sur l’hypothèse qu’il n’existe pas d’algorithme efficace pour décomposer un nombre en ses facteurs premiers.
Certaines procédures issues des recherches en intelligence artificielle, en revanche, ne se soumettent pas facilement à une analyse rigoureuse.
Parmi ceux-ci, les algorithmes de classification cherchent à placer les données reçues en entrée dans une catégorie correspondant à une réalité extérieure. Un algorithme de reconnaissance d’animaux, par exemple, recevra en entrée une image sous forme d’un tableau de pixels, et devra déterminer si cette image représente plutôt un chat ou un dauphin. Cette tâche n’est pas formellement bien définie : on peut probablement trouver une image ambiguë pour laquelle les réponses fournies par des humains pourraient être différentes. Le caractère correct de ces algorithmes dépend d’une réalité extérieure, qui n’est pas formalisée, et leur exactitude, ou précision, ne peut être établie qu’expérimentalement.
De la même manière, les algorithmes de prédiction cherchent à anticiper l’évolution de certaines quantités mesurées dans le monde physique, ou des comportements dans une population. Ils sont utilisés par exemple en finance pour prédire l’évolution des marchés, ou en marketing, pour présenter aux visiteurs d’un site web les produits ou publicités les plus susceptibles d’attirer leur attention. La pertinence des résultats est ici encore validée empiriquement, et non mathématiquement. À tel point qu’en 2006, la société Netflix a lancé un concours pour améliorer les performances de son algorithme de prédiction d’évaluations de films, avec un prix d’un million de dollars à la clé.
Le développement des ces algorithmes fait massivement appel à des modèles probabilistes, mais aussi à des structures difficilement analysables rigoureusement. C’est le cas en particulier pour les algorithmes de réseaux de neurones artificiels utilisés dans ce qu’on appelle désormais l’« apprentissage profond », en référence au nombre de couches utilisées dans ces réseaux. Ces réseaux encodent implicitement la mémoire des données fournies lors d’une phase d’apprentissage, et permettent de classifier de nouvelles données en entrée.
À lire aussi : Intelligence artificielle : les défis de l’apprentissage profond
L’omniprésence des algorithmes fait légitimement l’objet de craintes. Quelles sont les garanties que nous pouvons exiger ?
Un premier type de garantie porte sur l’efficacité. Combien de temps doit-on attendre pour avoir une réponse ? De quelle quantité de mémoire doit-on disposer ? Ces questions sont bien étudiées et ont des formulations et des réponses rigoureuses, mais partielles. Les lacunes dans notre compréhension de la complexité algorithmique laissent en particulier ouverte la possibilité d’attaques inédites mettant en péril la cryptographie basée sur l’algorithme RSA.
La question traditionnelle des performances est intimement liée aux questions de consommation de ressources, qui ont des impacts écologiques. On peut donner à cette question un cadre plus large, et s’interroger sur les ressources consommées par les logiciels, les serveurs. Dans le domaine des algorithmes cryptographiques, certains mécanismes au cœur du fonctionnement des cryptomonnaies, en particulier le principe de la « preuve de travail », ont un impact énergétique dramatique.
À lire aussi : Krach du bitcoin : cybercriminalité et surconsommation d’électricité, la face cachée des cryptomonnaies
Lorsque les objectifs sont facilement vérifiables, comme dans le cas d’un algorithme de tri, ou quantifiés explicitement, comme dans le cas d’un algorithme d’optimisation, il existe une mesure objective de la qualité de la solution. Dans le cas des algorithmes d’optimisation, cependant, le choix de la fonction objectif, la quantité que l’on optimise, peut avoir un impact humain considérable.
Les questions d’équité et de transparence des algorithmes de classification et de prédiction deviennent pressantes. Dans un ouvrage devenu classique, Cathy O’Neil alerte sur les dérives des systèmes de prise de décision dans les domaines de la justice, de l’action policière, des assurances, de l’évaluation des enseignants, entre autres.
L’algorithme de Gale-Shapley, utilisé par la plate-forme Parcoursup satisfait des propriétés d’optimalité, mais garantit également qu’un comportement stratégique de la part des postulants est impossible.
Les méthodes d’apprentissage supervisé pour la classification consistent classiquement en une collection d’exemples, de paires « entrée-sortie », dont on espère qu’ils peuvent être généralisés, de façon qu’une nouvelle donnée en entrée puisse être associée à une réponse en sortie qui fasse sens. En ne fournissant que des exemples connus lors de ces phases d’apprentissage, on inculque au système tous les biais présents de facto dans les exemples dont on dispose, et l’on apprend ainsi à la machine à les reproduire. C’est le thème du documentaire Coded Bias, relatant l’expérience d’une étudiante du MIT avec les algorithmes de reconnaissance faciale.
À lire aussi : Emploi, sécurité, justice : d’où viennent les « biais » des IA et peut-on les éviter ?
Le caractère parfois inexplicable des résultats termine d’expliquer le glissement sémantique récent du mot algorithme : de simple méthode de calcul, l’algorithme est perçu comme une boîte noire omnipotente, dont le fonctionnement interne est inaccessible, et dont les réponses finissent par se substituer à la réalité. Cette perception s’explique notamment par la résurgence des méthodes de réseaux de neurones, dont la complexité défie toute analyse formelle. Les succès expérimentaux dans les tâches confiées aux réseaux profonds sont indéniables et fascinants. Mais certaines expériences mettent en évidence leur fragilité : des chercheurs ont montré qu’en modifiant de manière imperceptible quelques pixels bien choisis d’une image, on peut changer du tout au tout la réponse fournie. En l’absence d’explicitation de la réponse (« c’est un chat, car il a des oreilles pointues et des moustaches »), les questions de confiance et de responsabilités se posent.
À lire aussi : Peut-on faire confiance aux IA ?
La communauté de recherche en intelligence artificielle et en apprentissage automatique s’est emparée des questions d’équité et d’explicabilité : le développement de méthodes d’apprentissage incluant des critères d’équité (fairness in AI) est en plein essor, tandis que le domaine de l’intelligence artificielle « explicable » (explainable AI) traite de la justification des résultats et de la confiance.
Al-Khuwārizmī aurait sûrement été surpris de la postérité de son patronyme !
Jean Cardinal ne travaille pas, ne conseille pas, ne possède pas de parts, ne reçoit pas de fonds d'une organisation qui pourrait tirer profit de cet article, et n'a déclaré aucune autre affiliation que son organisme de recherche.
Bulletin d’actualité du 29/11/2021 Nous voici de nouveau ensemble dans notre rendez-vous de fin de semaine pour revenir sur les différents bulletins de sécurité publiés par le CERT-FR ! Durant la période du 22 novembre au 28 novembre 2021, le CERT-FR (Centre gouvernemental de veille, d’alerte et de réponse aux attaques informatiques en France) a …
L’article Bulletin d’actualité du CERT-FR – 29/11/2021 est apparu en premier sur Tech2Tech | News, Astuces, Tutos, Vidéos autour de l'informatique.
Bulletin d’actualité du 15/11/2021 Nous voici de nouveau ensemble dans notre rendez-vous de fin de semaine pour revenir sur les différents bulletins de sécurité publiés par le CERT-FR ! Durant la période du 1er novembre au 7 novembre 2021, le CERT-FR (Centre gouvernemental de veille, d’alerte et de réponse aux attaques informatiques en France) a …
L’article Bulletin d’actualité du CERT-FR – 15/11/2021 est apparu en premier sur Tech2Tech | News, Astuces, Tutos, Vidéos autour de l'informatique.
Bonjour à toutes et tous ! Nous voici de nouveau ensemble, afin de clôturer, notre découverte de la solution Veeam Agent for Microsoft Windows. Jusqu’à présent, nous avons vu la présentation et l’installation de cette solution ainsi que les étapes à suivre afin de faire la configuration d’un job de sauvegarde et également la procédure …
L’article Veeam Agent for Microsoft Windows – Création d’un média de restauration est apparu en premier sur Tech2Tech | News, Astuces, Tutos, Vidéos autour de l'informatique.
La cybersécurité est au cœur des débats et fait partie des principales préoccupations des dirigeants d’entreprise. C’est pour cette raison que les certificats numériques, plus connus sous le nom de certificats SSL (Secure Sockets Layer), sont de plus en plus utilisés. Voici les quatre questions les plus fréquemment posées sur le certificat SSL.
Le certificat SSL a vu le jour en 1996 et se déclinait à l’époque dans plusieurs versions. Ces dernières ont toutes rencontré d’importants problèmes de sécurité, c’est pourquoi le protocole TLS (Transport Layer Security) est rapidement apparu. Aujourd’hui, les initiales « SSL » sont toujours utilisées pour le désigner. En tant que professionnel, il est capital de renforcer la confiance de vos clients avec un certificat SSL. Ce protocole de sécurité sert à créer une connexion chiffrée entre un navigateur web et un serveur web et permet d’authentifier l’identité d’un site. En bref, un certificat SSL sécurise les connexions Internet et empêche les cybercriminels de mener à bien leur mission : accéder aux données échangées entre deux systèmes. Si une URL est précédée de l’acronyme HTTPS et d’un cadenas, cela qu’un certificat SSL est utilisé et que le site est bien protégé.
Voici quelques chiffres pour mieux comprendre l’importance du SSL :
| Sites web utilisant SSL par défaut en 2021 | Plus de 46 millions |
| Sites web sur Google utilisant HTTPS | 95 % |
| Entreprises ayant entièrement chiffré leur trafic Internet en 2020 | 56 % |
La mise en place d’un certificat SSL sur son site web permet de rendre indéchiffrables les données transférées entre le serveur et les utilisateurs. Pour être efficace, il utilise plusieurs algorithmes de chiffrement afin de brouiller les données envoyées. Ainsi, les cybercriminels ne peuvent plus y accéder pendant leur transfert.
La négociation SSL est un processus ultra rapide se déroulant en six étapes. Quelques millisecondes seulement suffisent au déroulé des opérations suivantes :
L’installation d’un certificat SSL permet de :
Il est primordial de posséder un certificat SSL pour obtenir une adresse web HTTPS. Cet acronyme est gage de confiance pour les internautes. Un certificat numérique sécurise de nombreuses informations : identifiants, transactions par carte de crédit, données bancaires, informations personnelles liées à l’identité, documents juridiques, dossiers médicaux, etc.
Mettre en place un certificat SSL sur son site web favoriserait également son positionnement sur Google, ce qui reste un critère très intéressant pour optimiser sa visibilité sur la Toile et être mieux référencé.
Un certificat SSL s’obtient auprès d’une Autorité de Certification. Cela est gratuit ou peut coûter quelques euros par an. Bon à savoir : un certificat numérique doit être renouvelé chaque année. Lorsque vous avez sélectionné votre type de certificat, quatre étapes sont à suivre :
Vous savez maintenant ce qu’est un certificat SSL et comprenez son importance quant à la protection des données des internautes, indispensable à l’heure où les cybercriminels sont de plus en plus nombreux.
L’article 4 questions fréquemment posées sur le certificat SSL est apparu en premier sur Actualité Informatique.
Vous cherchez à récupérer la liste des IP publiques d'une entreprise facilement ?
NetblockTool est un outil Opensource qui permet de récolter en quelques secondes l'ensemble des plages IP appartenant à une entreprise.
Les données récupérées par le script proviennent de différentes sources d'information : les API ARIN, des recherches sur le portail ARIN et du "dorking" Google.
L'outil NetblockTool n'est pas disponible sous forme de package Linux, l'installation de celui-ci se fait en quelques secondes grâce à Git et fonctionne très bien depuis un Kali Linux sous WSL2.
$ git clone https://github.com/NetSPI/NetblockTool.git
$ cd NetblockTool && pip3 install -r requirements.txt
$ python3 NetblockTool.py -v Company
Son usage est très simple et prend par défaut le nom de l'entreprise que vous souhaitez analyser.
$ python NetblockTool.py -v NomDeLentreprise
Le résultat de la commande produira un fichier CSV portant le nom de l'entreprise recherchée. Ce fichier contiendra l'ensemble des adresses plages d'IP appartenant à l'entreprise ciblée.
Pour extraire la liste des IP générées dans le rapport produit, la commande suivante permet de générer un fichier texte contenant uniquement les plages d'IP trouvées :
cat company.csv | sed '1d' | cut -d, -f1 > ipranges.txt
Il est ensuite possible d'identifier très facilement tous les services exposés par une entreprise sur Internet, la solution la plus simple est d'utiliser l'outil Masscan qui permet de scanner des ports sur de nombreuses IP dans un temps record.
Voici à titre d'exemple la commande Masscan qui permettra d'identifier l'ensemble des serveurs Web d'une entreprise sur la base du fichier "ipranges.txt" produit précédemment.
sudo masscan -iL ipranges.txt -p80,443 > result.txt
Le fichier "result.txt" contiendra l'ensemble des IP hébergeant un serveur Web sur le port 80 ou 443. Vous pourrez ensuite mener une analyse plus approfondie sur les IP de ce fichier et identifier des failles de sécurité de ces différents serveurs.
Cet article permet de démontrer qu'il est possible en 3 lignes de commandes Linux d'identifier l'ensemble des serveurs Web d'une entreprise.
Ces analyses Masscan se complexifient dès lors que des plages IPV6 sont retournées par NetblockTool. Les plages dépassent généralement la capacité maximum de scan de Masscan.
J'espère que vous avez trouvé cet article utile, n'hésitez pas à rejoindre le Discord Geeek pour échanger sur la cybersécurité et poser vos questions relatives à la lecture de cet article.
Les logiciels d'espionnage pour Smartphone sont devenus assez courants sur la toile. Cela est d'autant plus vrai sur la plateforme Android qui offre des privilèges plus élevés et des capacités de simulation d'applications plus importantes (background app, broadcast ...).
Pour lutter contre l'espionnage et défendre la liberté, Amnesty International maintient un référentiel d'empreintes de logiciels espions sur GitHub visant principalement le logiciel Pegasus du NSO Group qui est considéré comme un risque important contre la liberté.
On estime que le logiciel Pegasus permet d'espionner pas moins de 50 000 smartphones autour du globe et 1 000 smartphones en France. Le coût d'entrée de ce logiciel espion serait de 25 000€ par Smartphone si l'on croit les informations trouvées sur la toile et l'installation du logiciel espion serait à priori possible à distance au travers de l'exploitation de failles de type Zero-day ne necessitant aucune interaction humaine de la personne visée. Un simple MMS par exemple peut permettre d'infecter un Smartphone Android ou iOS à distance.
Pour savoir si votre smartphone est espionné par Pegasus, un logiciel Opensource développé en Python au nom de MVT pour Mobile Verification Toolkit permet d'analyser la présence de traces soit sur une sauvegarde de votre téléphone ou soit sur le système de votre téléphone si vous l'avez Jailbreaké.
Pour utiliser MVT de manière simple, il vous suffit d'installer l'outil puis ensuite, de lancer une analyse sur l'une des sauvegardes de votre smartphone Android ou iOS. L'option Jailbreak n'est pas recommandée sauf si vous savez exactement ce que vous faites.
Pour analyser mon iPhone depuis mon PC, j'ai tout simplement installé iTunes pour capturer une sauvegarde de mon iPhone sur mon PC.
Une fois la sauvegarde réalisée, j'ai installé MVT sur mon Kali Linux WSL2 sur mon PC sous Windows.
$ sudo apt install python3 python3-pip libusb-1.0-0 sqlite3
$ pip3 install mvt
La première commande consiste à déchiffrer la sauvegarde du terminal avec la commande suivante.
$ cd /mnt/c/Users/MON-USER/Apple/MobileSync/Backup/
$ mvt-ios decrypt-backup -d ./decrypted ./00000-IDENTIFIANT-DU-BACKUP
L'outil prend deux arguments en paramètre :
Installez ensuite la base de connaissances IOCS partagée par Amnesty International pour identifier la trace d'une présence de Pegasus sur votre iPhone.
$ git clone https://github.com/AmnestyTech/investigations.git
Une fois le déchiffrement de la sauvegarde réalisé, l'analyse des traces est possible au travers de la commande suivante :
mvt-ios check-backup --iocs ./investigations/2021-07-18_nso/pegasus.stix2 --output ./result ./decrypted/
Le répertoire indiqué par l'option "--output" permet de préciser dans quel endroit stocker les résultats de l'analyse.
Dans l'exemple ci-dessus, mon analyse se base sur le dernier fichier Stix partagé par Amnesty International qui date de juillet 2021.
Le script Pyhton MVT va extraire une synthèse des données personnelles stockées dans le backup et tenter de trouver des patterns de la présence d'une infection.
Voici à titre d'exemple les données que MVT a réussi à produire sur la base d'un backup iOS.
| Nom du fichier | Description |
|---|---|
| backup_info.json | Les informations du backup et du terminal |
| calls.json | La synthèse de l'ensemble des appels entrants et sortants |
| configuration_profiles.json | La synthèse des profils installés |
| contacts.json | La liste des contacts présents sur le terminal. |
| datausage.json | La synthèse des usages de données. |
| interaction_c.json | La synthèse des échanges d'email |
| locationd_clients.json | La synthèse des processus utilisant les données de géolocalisation |
| manifest.json | La synthèse des fichiers de données |
| os_analytics_ad_daily.json | L'analyse de la bande passante sortante et entrante par application. |
| profile_events.json | La synthèse des profiles |
| sms_attachments.json | La synthèse des attachements reçus par MMS / iMessage. |
| sms.json | La liste des SMS échangés. |
| timeline.csv | Synthèse des interactions sur le terminal |
| safari_history.json | L'historique de Safari |
| whatsapp.json | La synthèse des messages échangés par Whatsapp |
L'exhaustivité des données extraites par l'outil est disponible sur la documentation en ligne du logiciel MVT.
Si l'un des fichiers extraits contient une trace pouvant confirmer la présence du logiciel Pegasus, le fichier JSON contenant la trace est suffixé par "_detected".
Si votre Smartphone est infecté, le meilleur moyen pour faire avancer les analyses est de contacter Amnesty International pour capturer des traces et améliorer les fichiers Stix mis à disposition.
Malheuresement, le NSO Group avance probablement plus vite que les empreintes partagées par Amnesty International. L'analyse faite par le logiciel MVT avec les derniers fichiers STIX d'Amnesty International est probablement pas 100% fiable, mais il a comme avantage d'exister et d'être maintenu à jour avec les dernières analyses d'attaques connues.
