Le dispositif multi-agents de sécurité de Cloudflare réduit la fatigue liée aux alertes

Le 7 octobre 2026, Cloudflare a détaillé sa nouvelle architecture multi-agents IA pour les opérations de sécurité au sein de son service Managed Defense. Le système répond au « paradoxe des alertes », où le volume élevé de notifications de sécurité submerge les analystes humains en automatisant la collecte de données et le triage initial. Cette approche utilise des agents spécialisés plutôt qu'un modèle généraliste unique afin d'améliorer la précision et de réduire les hallucinations.

Ce qui s'est passé

Les équipes de sécurité font souvent face à une avalanche d'alertes nécessitant une corrélation manuelle pour déterminer si elles représentent une menace réelle ou du bruit. L'équipe d'ingénierie de Cloudflare a constaté que leur prototype initial, qui reposait sur un seul agent IA généraliste pour gérer l'ensemble des investigations, peinait en termes de fiabilité. L'agent hallucinait fréquemment des affirmations non étayées par des preuves, car la télémétrie, les détails des politiques et le renseignement sur les menaces étaient aplatis dans une seule invite (prompt). Cela entraînait la fusion des rôles distincts des différentes sources de données, provoquant trois modes de défaillance spécifiques : le contexte étant pris pour de l'autorité, la dérive du périmètre entre différents comptes ou plages temporelles, et des états d'échec ambigus où les délais dépassés ressemblaient à des résultats négatifs.

Pour résoudre ces problèmes, Cloudflare a restructuré son flux de travail en une phase de reconnaissance déterministe suivie d'une analyse IA spécialisée. Avant toute invocation d'un grand modèle de langage, le code de l'application exécute des workflows de reconnaissance fixes utilisant des appels API versionnés. Ce processus recueille l'identité du client, l'historique des détections, les lignes de base du trafic et les résultats de l'application des règles, en stockant chaque élément de donnée avec sa source et son horodatage. En séparant la collecte de preuves de l'inférence, le système garantit que les données d'entrée sont cohérentes et reproductibles, permettant aux spécialistes d'interpréter des instantanés statiques plutôt que de récupérer des données en direct susceptibles de changer entre les exécutions.

Le nouveau dispositif filtre le bruit dès le départ en utilisant Clef, le modèle de décision open-source de Cloudflare fonctionnant sur Workers AI. Les alertes ayant une forte probabilité d'être des faux positifs sont classées comme passives et exclues de la file active. Pour les alertes nécessitant un examen plus approfondi, un agent coordinateur dispatche quatre agents spécialisés en parallèle : un pour l'analyse du trafic, un pour le contexte client, un pour la télémétrie globale et un pour le renseignement sur les menaces. Un agent de synthèse combine ensuite ces conclusions typées en un seul avis, restreint à un vocabulaire approuvé et incapable de récupérer indépendamment de nouvelles preuves.

Comment cela fonctionne

L'innovation centrale réside dans le maintien de la collecte de preuves et de l'application du périmètre dans le code de l'application, plutôt que de compter sur l'ingénierie des invites (prompt engineering). Le système crée un paquet de preuves versionné incluant le sujet, le périmètre, l'ancre temporelle et les preuves admises. Les agents spécialisés doivent citer des éléments issus de ce paquet, et le code de l'application valide que chaque citation existe et soutient l'affirmation. Si une recherche échoue ou dépasse le délai, le système enregistre explicitement le manque comme « non vérifié » plutôt que de le confondre avec « vérifié et non trouvé ». Cette distinction empêche le modèle de formuler des hypothèses basées sur des données manquantes.

Le contexte global est intégré sans compromettre la confidentialité des clients. Le spécialiste de la télémétrie globale compare une alerte aux motifs agrégés observés à travers le réseau de Cloudflare, tels que la présence d'une IP scannant des milliers de sites ou apparaissant pour la première fois. Il n'accède jamais aux enregistrements individuels d'autres clients. L'agent de synthèse pondère cette réputation globale par rapport à l'historique spécifique du client, garantissant que les motifs répandus ne déclenchent pas automatiquement des réponses aux incidents pour des activités isolées et bénignes. Enfin, Clef évalue les preuves collectées pour déterminer si elles sont suffisantes pour prendre une décision, sélectionnant parmi une liste réduite de classifications d'attaques.

Détails clés

• Cloudflare utilise OpenAI Daybreak et les modèles d'Anthropic, y compris GPT-5.6 Cyber et Mythos, pour une analyse approfondie après le triage initial.
• Le système distingue trois états de preuve : non vérifié, vérifié sans correspondance, et vérifié avec preuves soutenant l'absence.
• Les agents spécialisés s'exécutent en parallèle sous la direction d'un coordinateur, tandis qu'un agent de synthèse combine leurs conclusions en un avis final.
• Le code déterministe gère l'admission et la validation des preuves, empêchant les modèles de franchir les limites des locataires (tenants) ou d'agir de manière autonome.
• L'architecture repose sur Cloudflare Workers, Workflows, D1, R2 et Durable Objects pour maintenir l'état et coordonner les étapes.
• Les analystes humains restent responsables des décisions finales, l'IA fournissant des vues consolidées des alertes associées et les prochaines étapes recommandées.

Pourquoi c'est important

Pour les ingénieurs logiciels et les responsables de la sécurité, ce passage d'une architecture mono-agent à une architecture multi-agents met en lumière une leçon cruciale dans la construction de systèmes IA fiables : il ne faut pas faire confiance aux modèles pour la récupération de données ou la définition du périmètre. En transférant ces responsabilités vers du code déterministe, Cloudflare réduit le risque d'hallucinations et de dérive du périmètre, pièges courants dans les workflows agentiques. Ce modèle de « reconnaissance d'abord, inférence ensuite » garantit que les modèles IA opèrent sur des contextes statiques vérifiés, rendant leurs sorties plus auditables et cohérentes.

L'impact pratique est une réduction significative du temps que les analystes passent à corréler des alertes disparates. Au lieu de vérifier manuellement les journaux de trafic, les dispositions historiques et les flux mondiaux de menaces, les analystes reçoivent un avis pré-packagé avec des preuves citées. Cela permet aux équipes de se concentrer sur la remédiation et la mitigation stratégique plutôt que sur la collecte répétitive de données. À mesure que les outils IA deviennent plus présents dans les opérations de sécurité, comprendre comment les ancrer dans des preuves vérifiables sera essentiel pour maintenir la confiance et l'efficacité opérationnelle.

Ce que vous pouvez faire

• Séparez la récupération de données de l'inférence du modèle dans vos applications IA pour éviter la dérive du périmètre et garantir des entrées reproductibles.
• Implémentez des couches de validation strictes qui vérifient si les citations du modèle existent dans le paquet de preuves fourni avant d'accepter les sorties.
• Utilisez des agents spécialisés à périmètre étroit pour des tâches distinctes comme l'analyse du trafic ou le renseignement sur les menaces, plutôt que de compter sur un seul modèle généraliste.
• Suivez et étiquetez explicitement les états de données manquantes pour distinguer « non trouvé » de « non vérifié » dans vos journaux système.
• Maintenez des contrôles humains dans la boucle (human-in-the-loop) pour la prise de décision finale, surtout dans des domaines critiques comme la sécurité et la conformité.
• Évaluez vos processus actuels de triage des alertes pour identifier les tâches répétitives pouvant être automatisées via des règles déterministes avant d'impliquer l'IA.