Documentation

Sommaire

1. Installez le CLI:

   pip install rednblue

2. Créez un compte: sur dashboard.rednblue.io/register.
3. Achetez un token: dans le tableau de bord, allez dans Crédits → Acheter et choisissez le niveau adapté à votre besoin.
4. Exportez votre token:

   # Linux / macOS
   export RNB_TOKEN=RB-XXXXXX-XXXXXX
   
   # Windows
   set RNB_TOKEN=RB-XXXXXX-XXXXXX

5. Lancez votre premier test:

   # Classifieur d'imagesrnb preview --model resnet50.pth \
       --input ./images/ \
       --submit

6. Récupérez votre rapport: dans le tableau de bord, sous Tests, téléchargez le rapport PDF et le certificat.

• Python 3.10+ (recommandé 3.11 ou 3.12)
• pip 23+
• RAM: 8 GB minimum, 16 GB recommandé
• GPU: optionnel mais fortement recommandé pour la vision (CUDA 11.8+ ou MPS sur Apple Silicon)
• Espace disque: 2 GB
• Connexion Internet: requise uniquement pour la soumission des résultats (l'audit lui-même est 100% local)

Installation standard en une commande :

pip install rednblue

Recommandé : utilisez un environnement virtuel.

python3 -m venv rednblue-env
source rednblue-env/bin/activate
pip install rednblue
rnb --version

À noter pour Windows

Certaines dépendances optionnelles (interface graphique de bureau) nécessitent Microsoft C++ Build Tools sur Windows. Pour l'éviter, installez uniquement le CLI :

# CLI seul (recommandé)pip install rednblue

# Avec interface graphique de bureau# nécessite Microsoft C++ Build Toolspip install rednblue[ui]

En cas d'erreur « Microsoft Visual C++ 14.0 or greater is required », consultez la section Dépannage.

rnb --version
# Sortie attendue : rnb 3.0.0

rnb --help
# Liste des commandes disponibles

RednBlue détecte automatiquement votre GPU. Pour utiliser CUDA, installez PyTorch avec le bon driver :

# CUDA 11.8
pip install torch --index-url https://download.pytorch.org/whl/cu118

# CUDA 12.1
pip install torch --index-url https://download.pytorch.org/whl/cu121

# Vérifier la disponibilitépython -c "import torch; print(torch.cuda.is_available())"

Pour forcer le périphérique : --device auto | cpu | cuda | mps.

Architectures supportées: ResNet, VGG, DenseNet, MobileNet, EfficientNet, ConvNeXt, SqueezeNet, ShuffleNet, AlexNet, GoogLeNet, ViT, timm.

# Audit Freelancerrnb preview --model resnet50.pth --input ./images/ --submit

# Audit Enterprise (suite complète)rnb preview --model resnet50.pth --input ./images/ --submit --tier enterprise

Dimensions évaluées

• Résilience au bruit — stabilité face au bruit capteur et aux artefacts de compression
• Défense aux perturbations d'entrée — résistance aux modifications subtiles et calculées
• Cohérence de classification — stabilité sous stress gradient-based
• Défense évasion ciblée — résistance aux tentatives de classification erronée volontaire
• Résilience boîte noire — résistance sans accès aux internes du modèle
• Tolérance au stress itératif — défense face à une pression multi-étapes soutenue
• Défense à requêtes limitées — résistance avec budget d'interaction restreint
• Stabilité de frontière de décision — robustesse de la frontière de décision

Le tier Freelancer évalue un sous-ensemble de dimensions ; le tier Enterprise les évalue toutes avec plusieurs niveaux d'intensité.

Versions supportées: YOLOv5, YOLOv8, YOLOv9, YOLOv10, YOLOv11 (via API Ultralytics).

# Freelancer
rnb preview --model-type yolo --model best.pt --input ./images/ --submit

# Enterprise
rnb preview --model-type yolo --model best.pt --input ./images/ --submit \
    --tier enterprise --device cuda

Dimensions évaluées

• Résilience au bruit — stabilité face aux interférences environnementales
• Défense aux perturbations d'entrée — résistance aux modifications imperceptibles
• Cohérence de détection — fiabilité de détection sous stress
• Défense évasion ciblée — résistance aux disparitions/apparitions forcées
• Stabilité multi-objet — précision sur scènes encombrées
• Persistance des objets — maintien de la détection sous perturbation
• Résilience boîte noire — résistance sans accès au modèle
• Tolérance au stress itératif — résistance multi-étapes
• Défense à requêtes limitées — défense efficace en requêtes

Détection intégrée d'éventuel masquage de gradient (vérification de cohérence entre méthodes gradient-based et black-box).

RednBlue analyse votre code Python, identifie le type de système (LLM simple, RAG, agent autonome), et propose la suite d'évaluation adaptée.

# Détection auto + audit completrnb llm --file my_chatbot.py --auto

# Fournisseur API directrnb llm --provider openai --model gpt-4 --api-key $OPENAI_KEY

# Endpoint HTTP personnalisérnb llm --endpoint https://api.example.com/chat \
    --auth-header "Authorization: Bearer $TOKEN"

Fournisseurs supportés: OpenAI, Anthropic, Gemini, Mistral, Cohere, et tout endpoint HTTP compatible.
Frameworks reconnus: principaux frameworks de chaînage et stockage vectoriel.

Plusieurs familles de dimensions, chacune testée selon plusieurs scénarios pour couvrir différents niveaux de sophistication.

• Résistance aux contournements — maintien des garde-fous de sécurité face aux requêtes adversariales
• Confidentialité du prompt système — protection contre les fuites d'instructions internes
• Défense aux injections indirectes — résistance face aux injections via contenu externe
• Robustesse de tokenisation — stabilité face aux manipulations au niveau caractère
• Intégrité du corpus RAG — détection d'empoisonnement et de manipulation contextuelle
• Sécurité des outils d'agent — résistance face au détournement d'outils et à l'escalade de privilèges
• Stabilité d'objectif — maintien de l'objectif initial sur exécutions longues
• Détection de backdoor — identification de comportements déclenchés par marqueurs
• Résistance à l'extraction — protection contre les tentatives de reconstruction du modèle

rnb preview

Lance un audit de robustesse vision (classifieur ou détecteur).

rnb preview [OPTIONS]

--model PATH              Chemin vers le fichier modèle (.pt, .pth, .onnx)--model-type TYPE         classifier (défaut) | yolo
--input PATH              Dossier d'images de test--tier TIER               freelancer (défaut) | enterprise
--device DEVICE           auto (défaut) | cpu | cuda | mps
--submit                  Soumet les résultats au tableau de bord--verbose                 Sortie détaillée

rnb llm

Lance un audit LLM, RAG ou agent.

rnb llm [OPTIONS]

--file PATH               Fichier Python contenant le pipeline--provider NAME           openai | anthropic | gemini | mistral | cohere
--model NAME              Nom du modèle--api-key STRING          Clé API (ou via variable d'env)--endpoint URL            Endpoint HTTP personnalisé--auto                    Détection automatique de la suite--tier TIER               freelancer | enterprise

rnb status

Affiche l'état du token et des sessions actives.

rnb status              # état du token courantrnb status --sessions   # liste des sessions

rnb ui

Lance l'interface graphique de bureau (nécessite pip install rednblue[ui]).

rnb ui

Chaque token offre :

• 3 essais CLI — pour itérer sur les paramètres
• 1 téléchargement de rapport PDF
• 1 téléchargement de certificat

Le token se consomme au téléchargement du rapport. Le certificat peut être re-téléchargé tant que le token est valide.

"Microsoft Visual C++ 14.0 or greater is required" (Windows)

Cause: une dépendance optionnelle (interface graphique de bureau) nécessite un compilateur C++ sur Windows.

Solution:

# Option 1 : installer le CLI seul (recommandé)pip install rednblue

# Option 2 : installer les Build Tools# https://visualstudio.microsoft.com/visual-cpp-build-tools/
# puis :pip install rednblue[ui]

"CUDA not available" / GPU non détecté

# Vérifier CUDApython -c "import torch; print(torch.cuda.is_available(), torch.version.cuda)"

# Réinstaller PyTorch avec CUDApip uninstall torch torchvision -y
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118

# Forcer le CPU si pas de GPUrnb preview --device cpu ...

"Token validation failed" / "Token consumed"

Causes possibles:

• Token expiré (1 an depuis l'achat)
• Token déjà consommé (rapport téléchargé)
• Variable RNB_TOKEN mal définie

rnb status

export RNB_TOKEN=RB-XXXXXX-XXXXXX  # Linux/macOS
set RNB_TOKEN=RB-XXXXXX-XXXXXX     # Windows

"Submit failed" / erreur réseau

# Test de connectivitécurl -I https://api.rednblue.io/health

# Si derrière un proxy d'entrepriseexport HTTPS_PROXY=http://proxy.company.com:8080
rnb preview ... --submit

"CUDA out of memory"

# Réduire la taille du batchrnb preview ... --batch-size 1

# Forcer le CPUrnb preview ... --device cpu

"Unsupported model architecture"

Vérifiez que votre modèle est dans la liste des architectures supportées. Pour les modèles Hugging Face, évitez les dépôts timm/ (non directement chargeables comme classifieurs).