Training a ML Model on Real Exploitation Data — and Avoiding the accuracy=1.0 Trap
I plugged my RandomForest model into 6 million real Metasploit hosts and got accuracy=1.0. Here’s why that was a bug, not a success, and how I actually fixed it.
Machine-Learning
Entraîner un Modèle ML sur de Vraies Données d'Exploitation — et Éviter le Piège de l'Accuracy=1.0
J’ai branché mon modèle RandomForest sur 6 millions de vrais hosts Metasploit — et obtenu accuracy=1.0. Voilà pourquoi c’était un bug, pas un succès, et comment j’ai vraiment corrigé le tir.
Bojemoi Lab : l'architecture complète d'un homelab offensif/défensif sur Docker Swarm
Tour d’horizon complet de Bojemoi Lab : 4 nœuds Docker Swarm, 43 services, un pipeline de scan réseau massif, de la threat intelligence multi-sources et un stack d’observabilité full.
Bojemoi Lab — Architecture Globale
Schéma complet de Bojemoi Lab : 4 nœuds Swarm, 12 stacks, 43 services — scan internet, threat intel multi-sources, honeypot, IDS/IPS, et intégration MCP/Claude.
Construire une Plateforme de Threat Intelligence avec ML dans son Homelab
Comment j’ai construit, en partant de zéro, une plateforme de threat intelligence de niveau production qui prédit les attaques DDoS en surveillant les canaux Telegram hacktivistes.
Building a Homelab Threat Intelligence Platform with ML: A Beginner's Journey
How I built, from scratch, a production-grade threat intelligence platform that predicts DDoS attacks by monitoring hacktivist Telegram channels.