Architecturer la sécurité des LLM : garde-fous en couches, caviardage des DCP et registres d’audit

Le passage d'applications basées sur les grands modèles de langage (LLM) en production exige des mécanismes de sécurité structurés allant bien au-delà de simples filtres de modération post-génération. Selon Stack Overflow le 7 octobre 2026, la construction d'une architecture LLM de niveau 4 fiable requiert des stratégies de défense en profondeur englobant des garde-fous en couches, un nettoyage des données à caractère personnel (DCP) appliqué aux frontières et des registres d'audit infalsifiables.

Garde-fous en couches et exécution à défaillance sécurisée

Plutôt que de s'appuyer sur un contrôle de modération unique, des garde-fous multi-niveaux évaluent les requêtes à travers des étapes séquentielles. Les vérifications du système commencent par le contrôle de pré-prompt en entrée pour bloquer les injections d'instructions et les données malformées, puis passent aux contraintes d'ancrage qui restreignent les actions du modèle. Après la génération par le modèle, le nettoyage en sortie élimine les violations de règles et les données personnelles reproduites, suivi d'une vérification déterministe du code par rapport aux règles métier, d'une évaluation par un second modèle pour détecter les erreurs plausibles et d'un routage final fondé sur l'indice de confiance.

Une règle architecturale critique pour ce pipeline d'exécution est la défaillance sécurisée (« fail-closed ») : si un garde-fou rencontre une exception non gérée ou une panne de service, la requête est automatiquement bloquée ou réorientée vers une intervention humaine plutôt qu'autorisée. La standardisation des garde-fous via un protocole de code uniforme garantit que chaque vérification peut être testée, réordonnée et enregistrée indépendamment en tant que métrique de production.

Contrôle aux frontières pour les données sensibles

La gestion des informations personnelles sensibles exige d'assainir les données à chaque frontière du système avant qu'elles n'atteignent des modèles tiers, des journaux d'application ou des couches de stockage. La gestion des données repose sur des règles de classification centralisées allant des champs publics et internes jusqu'aux DCP et aux secrets.

Les frontières de données utilisent une logique de caviardage récursif pour masquer les objets imbriqués et supprimer les champs secrets avant le hachage. Afin de prouver les décisions passées sans conserver les données sensibles brutes, les valeurs à faible entropie sont transformées en hachages HMAC-SHA256 à l'aide de clés propres à chaque client, associées à des représentations JSON canoniques telles que la norme RFC 8785.

Registres de décision infalsifiables

Le suivi dans le temps des actions automatisées des LLM nécessite des registres d'audit en ajout seul plutôt que des fichiers de journalisation rotatifs. Le registre enregistre les identifiants de décision, les hachages d'entrée, les résumés caviardés, les versions du modèle, les versions du prompt et les scores de confiance au sein de tables de base de données structurées.

Pour préserver l'historique, les corrections n'écrasent jamais les entrées existantes de la base de données ; les décisions mises à jour sont insérées sous forme de nouvelles lignes faisant référence aux entrées passées via une colonne dédiée de remplacement (« supersedes »). Les autorisations de la base de données révoquent strictement les modifications directes et les suppressions sur les colonnes principales, tandis que la preuve d'infalsifiabilité cryptographique est maintenue en chaînant les numéros de séquence avec les hachages d'entrée SHA-256.

Illustration éditoriale générée par IA ; ce n’est pas une photographie documentaire.

Source: Part 4: Safety and governance for LLM systems: guardrails, PII, audit, and memory