PROJET YNOV CAMPUS — CYBER DEFENSE PLATFORM

OLYMPE L'IA qui protège, apprend et s'adapte.

Une plateforme de cybersécurité autonome et auto-apprenante conçue pour détecter les menaces en temps réel, analyser les comportements suspects et générer des indicateurs de compromission.

5 000TRAMES ANALYSÉES
13ALERTES DÉTECTÉES
10RÈGLES DE DÉTECTION
SCROLL

Un nouveau paradigme de défense

Les infrastructures modernes font face à des menaces toujours plus sophistiquées. Les solutions passives ne suffisent plus — il faut un système qui anticipe, apprend et réagit.


  • Attaques automatisées et malwares polymorphes
  • Menaces zero-day non répertoriées
  • Explosion du volume réseau à analyser
  • Délais de réaction critiques trop importants
  • Besoin d'une aide active, pas passive

Quatre dieux,
une plateforme.

Chaque module est une brique autonome qui s'intègre dans un pipeline de détection continu.

01 — PoC FONCTIONNEL
ZEUS
L'IA Analytique

Le cœur du système. Zeus capture le trafic réseau en temps réel, l'analyse via un pipeline hybride combinant règles regex YAML et modèles de machine learning (Random Forest, Isolation Forest, Neural Networks). Il génère des alertes multi-niveaux et s'auto-améliore via une boucle de feedback continu.

Python Scapy Scikit-Learn TensorFlow SQLite Flask YARA Rules Random Forest Isolation Forest
02 — PoC FONCTIONNEL
TARTARE
Sandbox Kubernetes

Exécution isolée des artefacts suspects dans des environnements éphémères orchestrés par Kubernetes. Chaque analyse s'effectue dans une VM Hardened avec Falco pour la sécurité runtime.

Kubernetes Falco containerd Prometheus
03 — PoC FONCTIONNEL
HADÈS
Agent d'Analyse

Analyse comportementale approfondie des artefacts suspects. Génère des Indicateurs de Compromission (IoC) enrichis et les stocke dans la base de Threat Intelligence pour alimenter la boucle d'apprentissage.

IoC Generation Behavioral Analysis Threat Intel DB
04 — MAQUETTÉ
APOLLON
Interface & Prévention

Dashboard de visualisation centralisé. Présente le score de sécurité global, les alertes live, et les métriques de performance de chaque module. Interface de validation manuelle pour le feedback ML.

Dashboard Real-time Security Score
INFRASTRUCTURE & FLUX

Pipeline de détection
en temps réel.

// FLUX DE TRAITEMENT — ZEUS MODULE
ÉTAPE 1
Capture Réseau
capture_reseau.py · BPF filters · .pcap
ÉTAPE 2
Ingestion PCAP
SQLite · pcap_files, packets, statistics
ÉTAPE 3
Analyse par Règles
10 règles regex YAML · threat_analyzer.py
ÉTAPE 4
Fusion Hybride ML
Random Forest · Isolation Forest · NN · Score confiance
ÉTAPE 5
Alertes
INFO · LOW · MEDIUM · HIGH · CRITICAL
ÉTAPE 6
Apprentissage Continu
trainer.py · F1, AUC · promotion auto si meilleur modèle
// INFRASTRUCTURE LOCALE
Hyperviseur Proxmox VE
IP Serveur 192.168.1.35
Stockage NAS RAID 5
Accès distant WireGuard VPN
// KUBERNETES CLUSTER
Master Node 192.168.1.200
Worker Nodes ×2 (1&2)
Runtime containerd
Réseau Pods 10.244.0.0
// SÉCURITÉ & DNS
DNS + Blocklists Pi-hole
Reverse Proxy HAProxy + Caddy
MDP Manager Vaultwarden
Ticketing GLPI
// MONITORING
Métriques Prometheus
Dashboard Grafana
Alerting Alertmanager
Logs Loki + Promtail

La preuve par les chiffres.

5 000
TRAMES RÉSEAU ANALYSÉES
13
ALERTES GÉNÉRÉES
85%
JALONS JIRA ATTEINTS
75%
OBJECTIFS ACHEVÉS
// DÉTAIL DES ALERTES DÉTECTÉES
CRITIQUE Suspicious_Reverse_Shell ×3
HAUTE Malware_UserAgent ×4
HAUTE Suspicious_SQL_Injection ×3
MOYENNE Suspicious_XSS_Attempt ×3

Vision stratégique.

S
FORCES
  • Système auto-apprenant en continu
  • Génération automatique d'IoC
  • Boucle d'apprentissage fermée
  • Architecture modulaire et scalable
W
FAIBLESSES
  • Dépendance importante aux datasets d'entraînement
  • Projet encore en phase de développement
  • Architecture complexe à déployer
  • Consommation ressources cluster élevée
O
OPPORTUNITÉS
  • Automatisation de la remédiation PRA/PCA
  • Extension vers la simulation et le forecasting
  • Croissance exponentielle des cyberattaques
  • Marché cyber en forte demande
T
MENACES
  • Risques liés aux erreurs de classification IA
  • Saturation des ressources cluster lors d'attaques massives
  • Évolution rapide des techniques d'attaque
  • Concurrence des solutions établies

Bâti sur l'excellence.

🐍
Python
Core ML & Capture
⚙️
Kubernetes
Orchestration
🧠
Scikit-Learn
Machine Learning
🔥
TensorFlow
Neural Networks
📡
Scapy
Packet Analysis
🖥️
Proxmox VE
Virtualisation
📊
Grafana
Observabilité
🛡️
Falco
Security Runtime
YNOV CAMPUS — MAI 2026

La défense
qui évolue
avec la menace.

OLYMPE est une démonstration concrète qu'une plateforme de cybersécurité peut être à la fois autonome, intelligente et auto-apprenante. Le projet continue d'évoluer.

ZEUS + TARTAREPoC Fonctionnel
MODULE APOLLONMaquetté
JALONS JIRA85–90%