Le moteur de détection IA multi-couche de DataDome empêche la cyberfraude avant qu’elle ne se produise, en bloquant les intentions malveillantes en temps réel, à la périphérie du réseau.
Il ne s’agit pas seulement d’humains ou de bots, mais aussi d’intention. Notre IA détecte les intentions malveillantes par opposition aux intentions légitimes, qu’il s’agisse d’un bot, d’un humain ou d’un agent d’IA.
Notre moteur de détection traite 5 000 milliards de signaux par jour et apprend en temps réel — non seulement à partir de votre environnement, mais aussi des menaces observées sur l’ensemble de notre base clients.
Notre IA fonctionne en périphérie 24h/24 et 7j/7, analysant chaque requête, et non un échantillon. Cela signifie que les menaces sont stoppées avant même d’atteindre vos sites web, applications ou API, contrairement aux CDN ou WAF qui laissent passer du trafic malveillant.
Tous les modèles d’IA qui alimentent DataDome sont développés en interne par notre propre équipe d’experts en recherche sur les menaces. Nous ne dépendons pas de modèles pré-entraînés par des tiers ou de fournisseurs externes.
La plupart des outils de détection des bots reposent sur une logique statique basée sur des règles, incapable de suivre l’évolution des menaces. Le moteur d’IA de DataDome est différent. Il apprend et s’adapte en continu, en temps réel, grâce à des modèles supervisés et non supervisés, ce qui lui permet d’identifier et de répondre instantanément aux nouveaux modèles d’attaque. C’est pourquoi les grandes marques nous font confiance pour arrêter les menaces que d’autres ne détectent pas.
Intégrée à des informations basées sur l’IA pour améliorer la détection et la réponse, la détection basée sur les signatures identifie instantanément les menaces connues à partir des empreintes digitales, des modèles de trafic et des anomalies comportementales.
Détecte les activités suspectes en analysant le comportement des utilisateurs au fil du temps. Nous recherchons les micro-signaux qui indiquent une intention frauduleuse.
Notre IA distingue les automatisations légitimes (comme les crawlers des moteurs de recherche ou les agents IA utiles) des bots malveillants, garantissant une détection précise avec un minimum de faux positifs.
L’IA de DataDome apprend en permanence des menaces réelles et s’adapte aux nouvelles tactiques des bots plus rapidement que les fraudeurs ne peuvent évoluer.
L’IA de DataDome se réentraîne en temps réel pour rester ultra-performante. Avec plus de 90 % de nos modèles générés automatiquement chaque jour, nous nous adaptons plus vite que les fraudeurs ne peuvent pivoter — tandis que nos experts internes veillent à ce que chaque modèle fonctionne avec précision.
Des centaines de modèles analysent les comportements, les empreintes digitales et les schémas de trafic afin de détecter la fraude. Plus de 85000 modèles sont adaptés à chaque client et à chaque cas d’utilisation, grâce à 300 000 règles de précision. Le système fonctionne en mode automatique pour les utilisateurs et des règles personnalisées sont disponibles lorsque vous en avez besoin.
Nous utilisons des algorithmes avancés tels que CatBoost ML, des algorithmes génétiques, la logique floue, etc. pour détecter les modèles d’attaque en constante évolution. En appliquant des centaines de modèles d’IA et d’apprentissage automatique, nous pouvons détecter et arrêter la fraude avant même qu’elle ne se produise.
Grâce à une modélisation statistique avancée, à l’exploration de données et de contrastes, nous découvrons des anomalies et des corrélations cachées que d’autres solutions ne détectent pas. Nous exploitons un volume élevé de données entrantes et de boucles de rétroaction pour détecter et corriger les divergences entre les modèles.
Grâce aux modèles comportementaux, à la détection des anomalies et à la modélisation basée sur les intentions, nous distinguons les bots utiles et les agents d’IA bienveillants des bots malveillants.
Notre moteur combine la détection basée sur les signatures et l’adaptation en temps réel, en utilisant l’intelligence collective pour apprendre en permanence de chaque demande provenant de centaines de clients. C’est comme cela que l’on garde une longueur d’avance sur les menaces, qui ne cessent d’évoluer.
Conçus sur mesure par l’équipe de recherche sur les menaces de DataDome, nos modèles d’IA portent le nom de grands esprits : philosophes, inventeurs et pionniers qui ont changé le monde. Découvrez ci-dessous comment chaque modèle joue un rôle spécifique dans la lutte contre la cyberfraude.
Lovelace
Ce modèle porte le nom d’Ada Lovelace, pionnière de l’informatique. Il est spécialisé dans la notation d’empreintes digitales pour les serveurs API.
Cardano
Nommé d’après Girolamo Cardano, pionnier de la théorie des probabilités. Ce modèle effectue une notation de confiance sur les décisions de la couche 1.
Leibniz
Nommé d’après Gottfried Wilhelm Leibniz, qui a fait progresser la logique formelle. Ce modèle fournit une notation normalisée des comptes à l’aide de réseaux neuronaux graphiques.
Franklin
Nommé d’après Benjamin Franklin, innovateur et penseur polyvalent. Ce modèle évalue la fiabilité des e-mails à l’aide d’une logique floue appliquée au modèle de l’e-mail.
Bernoulli
Nommé d’après Jacob Bernoulli, l’un des pères de la probabilité moderne. Ce modèle évalue la réputation des adresses IP et AS, ainsi que des agents utilisateurs, à l’aide du PU-Learning.
Arendt
Nommé d’après Hannah Arendt, théoricienne politique et éthique. Ce modèle bloque les adresses IP ayant obtenu un score élevé à l’aide de la logique floue.
Spinoza
Nommé d’après Baruch Spinoza, connu pour la construction de systèmes rationnalistes. Ce modèle bloque les adresses IP en utilisant le scoring et des règles strictes.
Descartes
Nommé d’après René Descartes, penseur de la raison et de la dualité. Ce modèle détecte le comportement du client en utilisant la modélisation des signaux en temps réel.
Hume
Nommé d’après David Hume, un philosophe empiriste qui se concentre sur les comportements observés. Ce modèle ajuste automatiquement les seuils comportementaux en fonction des statistiques de la session.
Pascal
Nommé d’après Blaise Pascal, pionnier de la théorie des probabilités et de la décision. Ce modèle détecte les anomalies de session à partir des comportements agrégés des adresses IP et des sessions.
Kant
Nommé d’après Emmanuel Kant, qui a étudié la façon dont nous percevons le monde et les structures. Ce modèle interprète les entrées clavier JS en temps réel pour détecter les bots.
Venn
Nommé d’après John Venn, inventeur du diagramme de Venn. Ce modèle applique un marquage basé sur l’agrégation d’adresses IP et le chevauchement comportemental.
Turing
Ce modèle porte le nom d’Alan Turing, pionnier du raisonnement automatique. Ce modèle génère des règles de détection à partir de modèles de signaux basés sur le temps.
Curie
Nommé d’après Marie Curie, connue pour avoir découvert des éléments cachés et pour la découverte de signaux. Ce modèle extrait des règles de détection à partir d’anomalies dans l’évaluation des empreintes digitales.
Darwin
Nommé d’après Charles Darwin pour ses travaux sur l’évolution biologique. Ce modèle explore la génération de règles à l’aide de techniques de modélisation génétique.
Popper
Nommé d’après Karl Popper, philosophe des sciences et de la falsifiabilité. Ce modèle identifie les anomalies par le biais de changements de distribution.
Bayes
Nommé d’après Thomas Bayes, théoricien des probabilités. Ce modèle utilise l’heuristique du point de changement pour détecter les changements soudains de trafic.
Godel
Nommé d’après Kurt Gödel, logicien de l’incomplétude. Ce modèle signale les anomalies marginales dans les champs de grande cardinalité.
Searle
Nommé d’après John Searle, connu pour ses théories sur l’interprétation. Ce modèle affine les règles de protection des comptes sur la base de boucles de rétroaction.
Foucault
Nommé d’après Michel Foucault, théoricien des systèmes cachés et des structures de pouvoir. Ce modèle détecte les différences subtiles de signaux TCP au niveau du navigateur.
Russell
Nommé d’après Bertrand Russell, logicien et critique du système. Ce modèle génère des règles de repli en temps réel pendant l’escalade d’une attaque.
Babbage
Nommé d’après Charles Babbage, le père de l’informatique des modèles. Ce modèle généralise les règles de détection à l’ensemble des clients.
Chomsky
Nommé d’après Noam Chomsky, linguiste et théoricien de la cognition. Ce modèle permet d’affiner structurellement les règles de détection.
Socrates
Nommé d’après Socrate, maître du questionnement et de la critique. Ce modèle crée des intégrations basées sur des signatures et détecte les bots à l’aide d’un regroupement en temps réel sur ces intégrations.
Marconi
Nommé d’après Guglielmo Marconi, inventeur de la transmission sans fil et de la radiotélépathie. Ce modèle détecte les proxys résidentiels en retraçant les chemins des signaux cachés.
Avec l’omniprésence de l’IA, la fraude évolue : il ne s’agit plus seulement de savoir si c’est un bot ou pas. Les humains utilisent des agents d’IA pour effectuer des transactions, et les bots ne sont pas toujours nuisibles. Le moteur de détection de DataDome va au-delà de la vérification d’identité pour analyser également l’intention, en distinguant une automatisation légitime d’une activité malveillante, afin d’arrêter la fraude avant qu’elle ne se produise. L’identité vous dit qui ou quoi. L’intention vous dit pourquoi. Et à l’ère de l’IA, vous avez besoin des deux.
En savoir plus
En savoir plus
En savoir plus
En savoir plus
En savoir plus
En savoir plus
En savoir plus
La protection de votre entreprise contre la cyberfraude commence ici.
