VoidAccess apporte l'intelligence sur les menaces auto-hébergée et l'IA locale aux chercheurs en sécurité

Les chercheurs en sécurité et les équipes informatiques gérant leur propre infrastructure disposent désormais d'une nouvelle option pour organiser une intelligence complexe sur les menaces. VoidAccess, publié fin octobre 2026, est une plateforme auto-hébergée conçue pour agréger des données issues à la fois du web public et de sources accessibles via Tor. Il vise à remplacer les onglets de navigateur dispersés par une interface unifiée permettant de suivre les domaines, les adresses IP et les indicateurs de logiciels malveillants.

Ce qui s'est passé

VoidAccess répond au problème courant de la fragmentation des preuves lors des investigations de sécurité. Au lieu de croiser manuellement des rapports disparates, l'outil interroge simultanément plusieurs sources. Il extrait des indicateurs techniques tels que les empreintes de fichiers (hash), les domaines et les références connues de menaces. Le système organise ensuite ces résultats en graphes relationnels, permettant aux analystes de visualiser les liens entre différents éléments d'infrastructure sans changer constamment de contexte.

Le logiciel est conçu pour des investigations autorisées et met l'accent sur la souveraineté des données. En exécutant la pile localement, les équipes maintiennent leurs requêtes de recherche et leurs découvertes au sein de leurs propres limites réseau. L'outil prend en charge l'exportation de données dans des formats standards de l'industrie comme STIX et MISP, ainsi que dans des fichiers CSV et Markdown plus simples, garantissant que le renseignement collecté peut être intégré aux flux de travail de sécurité existants ou partagé avec les parties prenantes concernées.

Détails clés

• VoidAccess est un projet sous licence MIT doté d'une politique de sécurité documentée et d'un guide d'auto-hébergement.
• Le déploiement officiel utilise Docker Compose pour exécuter quatre services : PostgreSQL, Tor, un backend FastAPI et un frontend Next.js.
• Une interface en ligne de commande Python est disponible pour les utilisateurs préférant les flux de travail basés sur le terminal plutôt que l'interface web.
• La plateforme prend en charge le traitement IA local via Ollama, permettant l'interprétation des résultats sans envoyer de données à des fournisseurs commerciaux externes.
• Les services d'enrichissement externes nécessitant des clés API sont optionnels et peuvent être désactivés pour maintenir un mode d'analyse entièrement hors ligne pour le composant IA.
• L'assistant de configuration génère automatiquement les secrets de l'application et les identifiants de base de données pour simplifier la configuration initiale.

Contexte

L'intelligence sur les menaces implique souvent de corréler des points de données disparates pour identifier des acteurs malveillants ou des systèmes compromis. Traditionnellement, cela nécessite l'accès à divers flux publics, rapports privés et parfois sources du dark web. Faire cela manuellement est chronophage et sujet aux erreurs. L'auto-hébergement de tels outils permet aux organisations de garder le contrôle sur les données sensibles, en veillant à ce que les détails des investigations ne fuient pas vers des plateformes SaaS tierces.

VoidAccess exploite les technologies web modernes pour séparer la couche de collecte de la couche de présentation. Le backend effectue le travail lourd consistant à interroger les réseaux Tor et à analyser les flux de sécurité, tandis que le frontend fournit une interface graphique visuelle. Cette architecture est courante dans les piles DevOps modernes, où les services sont conteneurisés pour faciliter la gestion et l'isolation. L'inclusion de modèles d'IA locaux reflète une tendance croissante dans les logiciels axés sur la confidentialité, où les tâches de calcul sont effectuées sur site pour éviter les risques d'exfiltration de données.

Pourquoi c'est important

Pour les équipes qui exploitent leurs propres logiciels, maintenir le contrôle sur les données de recherche en sécurité est crucial. L'utilisation de plateformes d'intelligence sur les menaces basées sur le cloud signifie souvent l'envoi d'indicateurs internes de compromission vers des serveurs externes. VoidAccess permet à ces équipes de mener des investigations approfondies sans exposer leurs cibles spécifiques ou leurs découvertes à des tiers. Cela est particulièrement important pour les industries ayant des exigences strictes de conformité ou celles traitant des propriétés intellectuelles hautement sensibles.

La capacité à visualiser les relations entre les menaces aide les analystes à prioriser leurs efforts de réponse. Une simple liste d'IP suspectes peut ne pas révéler une campagne plus large, mais un graphe montrant une infrastructure partagée peut mettre en évidence une attaque coordonnée. Cependant, la documentation de l'outil avertit que ces connexions ne constituent pas une preuve de propriété. L'hébergement partagé et l'infrastructure recyclée peuvent créer des faux positifs, la vérification humaine reste donc essentielle. L'outil sert d'aide à la prise de décision, et non d'autorité autonome.

De plus, l'option d'utiliser des modèles d'IA locaux réduit les coûts opérationnels et les préoccupations en matière de confidentialité. Les équipes peuvent tirer parti des grands modèles de langage pour résumer les résultats ou suggérer les prochaines étapes sans encourir de frais par jeton ni risquer une fuite de données. Cela rend l'analyse avancée accessible aux petites équipes ou aux passionnés de homelab qui n'ont peut-être pas de budget pour des suites de sécurité d'entreprise.

Ce que vous pouvez faire

• Consultez le dépôt GitHub de VoidAccess et lisez attentivement la documentation d'auto-hébergement avant le déploiement.
• Déployez l'outil sur un segment de réseau restreint plutôt que de l'exposer directement à Internet public via un proxy inverse.
• Configurez l'assistant de configuration pour générer des secrets forts et uniques pour la base de données et l'authentification API.
• Testez l'interface en ligne de commande Python si votre équipe préfère des flux de travail d'investigation scriptables et basés sur le terminal.
• Installez Ollama localement si vous souhaitez une assistance IA, en veillant à comprendre les exigences en ressources pour l'exécution de modèles locaux.
• Traitez toutes les explications générées par l'IA et les connexions de graphes comme des pistes nécessitant une vérification manuelle, et non comme des conclusions définitives.