Ce projet permet de surveiller et détecter les problèmes dans les systèmes informatiques, en particulier dans les clusters Kubernetes. Il utilise des chartes Helm pour faciliter le déploiement et la configuration des composants nécessaires à la détection des anomalies et des pannes. Les données collectées sont ensuite analysées pour fournir des diagnostics précis et des recommandations d'actions correctives.

Outil conçu pour identifier et signaler automatiquement les problèmes dans les environnements Kubernetes. Il permet aux administrateurs système de détecter des anomalies matérielles ou logicielles, facilitant ainsi la maintenance proactive des clusters. Intégré aux workflows DevOps, il contribue à améliorer la stabilité et la performance des infrastructures conteneurisées.

Outil dédié à l'identification et au signalement des anomalies affectant les conteneurs et les environnements Kubernetes. Il permet aux équipes opérationnelles de détecter rapidement les dysfonctionnements, d'analyser les causes racines et d'agir pour maintenir la stabilité et la performance des services déployés en production.

Plateforme d'intelligence artificielle dédiée à l'analyse d'images médicales pour assister les professionnels de santé. Elle permet de détecter des anomalies, de suivre l'évolution de pathologies et d'optimiser les diagnostics grâce à des algorithmes avancés. Destinée aux hôpitaux, cliniques et centres de recherche, elle améliore la précision et la rapidité des analyses médicales.

Ce projet permet de surveiller des métriques et de détecter des anomalies grâce à VictoriaMetrics. Lorsqu'une anomalie est détectée, une alerte est envoyée à une API tierce pour notification.

Outil dédié à l'amélioration de la détection d'anomalies (OOD) dans les modèles d'apprentissage profond. Il permet d'appliquer la méthode LogitNorm pour normaliser les logits lors de l'entraînement, renforçant ainsi la robustesse des modèles face à des données hors distribution. Le projet inclut également des fonctionnalités d'évaluation comparative de différentes méthodes de détection d'anomalies sur des jeux de données prédéfinis.

Ce projet vise à fournir un outil permettant de vérifier l'authenticité et la légitimité des parties d'échecs jouées en ligne. Il analyse les coups, détecte les anomalies ou comportements suspects, et valide les résultats pour garantir l'intégrité des compétitions. Destiné aux joueurs, arbitres et organisateurs de tournois, il contribue à maintenir un environnement de jeu équitable et transparent.

Bootcode_parser est un script Python conçu pour effectuer une analyse hors ligne rapide des enregistrements de démarrage utilisés par les systèmes basés sur BIOS (UEFI n'est pas pris en charge). Il est destiné à aider l'analyste à trier les dumps d'enregistrements de démarrage individuels ou les images disque entières. Ce script ne détecte que les anomalies qui doivent être étudiées manuellement par un analyste.

HazardNet est un framework de prédiction des risques thermiques pour les datacenters. Il s'appuie sur une méthodologie de définition des anomalies thermiques et propose un pipeline complet de modèles de deep learning pour la détection et la prévision des anomalies. Les données sont collectées via une infrastructure de surveillance de datacenter sophistiquée et analysées pour prédire les risques thermiques potentiels dans les datacenters, évitant ainsi d'éventuels dommages aux équipements et interruptions de service.

Outil autonome conçu pour détecter des fichiers PE (Portable Executable) anormaux parmi les données NTFSInfo collectées par DFIR-ORC sur des systèmes Microsoft Windows. Il classe les fichiers PE du plus au moins anormal, permettant aux analystes en réponse aux incidents de prioriser leurs investigations. L'outil utilise des algorithmes de détection d'anomalies traditionnels et basés sur des graphes, sans analyser en profondeur le contenu binaire des fichiers. Il s'intègre facilement aux workflows de forensic et génère des rapports visuels et des fichiers CSV pour une analyse approfondie.