Gitleaks

🔍 Contexte Publié sur GitHub (HotStartLabs/sift), cet article présente Sift Secrets, un outil de triage de credentials et de données sensibles exposées sur des partages de fichiers réseau (SMB/DFS). Il est conçu pour les analystes en réponse à incident (IR) opérant sur des machines isolées. 🛠️ Fonctionnalités principales Scan de partages réseau (SMB, DFS) à la recherche de credentials et secrets exposés Interface de triage interactive avec raccourcis clavier, contexte élargi, et ouverture directe dans VS Code ou Notepad Boucle de feedback : création de règles à la volée depuis l’interface, avec rescan incrémental (~1 seconde) Copie locale rate-limitée (5 MB/s par défaut, résumable) pour préserver l’intégrité du partage source Exportation en PDF, CSV, MD et JSON, avec redaction automatique des valeurs sensibles Import de règles depuis gitleaks (TOML), Kingfisher/Titus (YAML), trufflehog (JSON) Mode portable : archive zip ~11 MB avec runtime Python embarqué, sans installation ni droits admin 🎯 Types de fichiers ciblés (non couverts par les outils CI classiques) web.config avec chaînes de connexion SQL Scripts PowerShell avec net use ... /user: Fichiers Office (.docx, .xlsx) contenant des mots de passe unattend.xml, GPP Groups.xml (artefacts de déploiement Windows) confCons.xml, .rdg, WinSCP.ini (mots de passe réversibles stockés) Fichiers .kdbx, .pfx, id_rsa (détection par nom de fichier) Fichiers .bak contenant des chaînes de connexion 🔐 Sécurité de l’outil lui-même Interface web liée à 127.0.0.1 uniquement Token aléatoire par lancement, cookie SameSite=Strict Validation du header Host (protection contre DNS rebinding) CSP sans origines externes API /api/context et /api/open limitées aux chemins déjà indexés 📊 Système de règles (3 niveaux) Tier 1 : formats de clés vendor, blocs PEM, GPP cpassword, dumps NTLM — non ambigus Tier 2 (défaut) : règles de proximité (mot-clé secret + valeur) Tier 3 : chaînes haute entropie, hex long, IBANs — haute sensibilité, bruit élevé 📝 Type d’article Il s’agit d’une présentation d’outil open-source (nouveaux outils) destinée aux analystes IR et CTI, visant à combler les lacunes des scanners CI (gitleaks, trufflehog) dans le contexte spécifique du triage de partages de fichiers exposés. ...

🔍 Contexte Publié le 11 septembre 2026 sur GitHub, cet article présente la version 2.0.0 de Rekono, une plateforme de sécurité offensive open source maintenue par un seul développeur (pablosnt). Le projet est licencié sous GPL-3.0 et compte 603 étoiles, 95 forks et 4 contributeurs. ⚙️ Fonctionnement Rekono automatise l’enchaînement des outils de pentest : les résultats d’un outil deviennent automatiquement les entrées du suivant. Le processus couvre : Collecte d’informations OSINT Découverte d’hôtes, ports et services Énumération de répertoires et technologies Scan SSL/TLS, secrets exposés, SSH, SMB Scan de vulnérabilités web et génériques Recherche d’exploits publics 🛠️ Outils intégrés (19 au total) OSINT : theHarvester, EmailHarvester Énumération : Nmap, Dirsearch, Gobuster SSL/TLS : Sslscan, SSLyze Secrets : GitLeaks SSH/SMB : SSH Audit, SMBMap Web : Log4j Scan, Spring4Shell Scan, CMSeeK, OWASP JoomScan, OWASP ZAP, Nikto Vulnérabilités : Nuclei Exploits : SearchSploit, Metasploit 🔗 Intégrations externes Rekono s’intègre avec DefectDojo, VirusTotal, HackTricks, CVE Crowd, FIRST EPSS, NVD NIST, VulnCheck, OSV, GHSA, la base européenne de vulnérabilités, ainsi que des notifications via SMTP et Telegram. ...

🎯 Contexte Cet article publié le 21 juillet 2026 par Cato CTRL (équipe de threat intelligence de Cato Networks) documente l’évolution d’un acteur cybercriminel russophone opérant sous le pseudonyme “Trim”, depuis un tutoriel de jailbreaking IA jusqu’à la commercialisation d’une plateforme offensive automatisée. 📅 Chronologie des activités 13 mars 2026 — Phase 1 : Partage de connaissances Trim publie sur un forum cybercriminel russophone un guide détaillé de contournement des filtres de sécurité de Claude Opus (Anthropic). Il documente six techniques nommées : ...

🧭 Contexte Publié le 12 mai 2026 par Ross McKerchar (CSO de Sophos), cet article de recherche traite des risques de sécurité liés au déploiement d’agents IA en entreprise, en particulier face à la menace d’injection de prompt indirecte (indirect prompt injection). L’article s’appuie sur des travaux de recherche récents, notamment une étude Google d’avril 2026 sur le dépôt Common Crawl. ⚠️ La menace : la « trifecta létale » Les agents IA opèrent souvent au centre de ce que Simon Wilson nomme la « lethal trifecta » : ils accèdent à des données privées, traitent du contenu non fiable, et communiquent vers l’extérieur. Cette combinaison les rend vulnérables à l’injection de prompt indirecte, où un attaquant plante des instructions dans du contenu lu par l’agent (email, page web, document), qui les exécute avec les privilèges de l’utilisateur légitime. ...

🔍 Contexte Publié sur GitHub par BoostSecurity Labs, SmokedMeat est un framework red team post-exploitation ciblant les pipelines CI/CD. Il est présenté comme l’équivalent de Metasploit pour les environnements d’intégration et de déploiement continus. 🛠️ Description technique SmokedMeat est composé de trois composants principaux : Counter : interface TUI opérateur (terminal) Kitchen : serveur C2 (teamserver) gérant les sessions, stagers, callbacks et graphe d’attaque Brisket : implant déployé sur les runners CI compromis, assurant le beaconing, l’exécution de commandes et le pivoting Le framework intègre également un scanner SAST de pipelines (poutine, embarqué) et un scanner de secrets (gitleaks, embarqué). ...

🔬 Contexte Publication de recherche académique (arXiv, mars 2026) conduite par des chercheurs de Stanford University, UC Davis et TU Delft. L’étude porte sur l’exposition de credentials API sur le web public via l’analyse dynamique de 10 millions de pages web issues du dataset HTTP Archive (crawl septembre 2025). 📊 Périmètre et méthodologie Les chercheurs ont utilisé TruffleHog (v3.90.8) pour détecter les credentials dans les fichiers HAR (HTTP Archive), couvrant environ 200 TB de données. Seuls les credentials vérifiés via les API officielles des fournisseurs ont été retenus, constituant une borne inférieure des expositions réelles. 14 types de services ont été analysés : AWS, Azure, Alibaba, Cloudflare, Stripe, RazorPay, Telegram, Mailchimp, SendGrid, Twilio, Slack, OpenAI, GitHub, Bitly. ...