SYLink
การวินิจฉัยฟรี
การกำกับดูแลที่เสริมด้วย AI

SYLink AI — Elite Cybersecurity AI

AI รุ่นใหม่ที่เชี่ยวชาญด้านความปลอดภัยไซเบอร์โดย SYLink Technologie ตระกูลโมเดลภาษาในสามขนาด ตั้งแต่การติดตั้ง edge ไปจนถึงเซิร์ฟเวอร์เฉพาะ

ความปลอดภัยไซเบอร์อธิปไตยสองภาษา FR / EN3 ขนาด

ภาพรวม

SYLink AI เป็นตระกูลของโมเดลภาษาเฉพาะด้านความปลอดภัยไซเบอร์ที่พัฒนาโดย SYLink Technologie มีให้เลือกในสามขนาดเพื่อปรับให้เข้ากับการติดตั้งใดๆ — ตั้งแต่อุปกรณ์ edge ไปจนถึงเซิร์ฟเวอร์เฉพาะ — พร้อมการให้เหตุผลแบบมีโครงสร้าง สองภาษาฝรั่งเศส / อังกฤษ และข้อมูลที่ฝึกบนเฟรมเวิร์ก NATO / กองทัพ, MITRE ATT&CK, NIS2 และ GDPR

9BEdge27BProduction80BServer MoESYLink AI familyEdge → Production → Server

สามโมเดล หนึ่งตระกูล — ตั้งแต่แล็ปท็อปของนักวิเคราะห์ไปจนถึงคลัสเตอร์ GPU เฉพาะ

เวอร์ชันของโมเดล

  • Edge & Laptop Deployment

    sylinkai:9b

    พารามิเตอร์
    9.6B (dense)
    สถาปัตยกรรม
    Qwen3.5 Hybrid Attention
    ขนาด (GGUF)
    6.1 GB (Q5_K_M)
    RAM ขั้นต่ำ
    8+ GB RAM
    ollama run sylink/sylinkai:9b
  • Production & Benchmark-Grade

    sylinkai:27b

    พารามิเตอร์
    27B (dense)
    สถาปัตยกรรม
    Qwen3.5 Hybrid Attention
    ขนาด (GGUF)
    18 GB (Q5_K_M)
    RAM ขั้นต่ำ
    32+ GB RAM
    ollama run sylink/sylinkai:27b
  • Server-Grade MoE

    sylinkai:80b

    พารามิเตอร์
    80B (MoE, ~3B active)
    สถาปัตยกรรม
    Qwen3 MoE (512 experts)
    ขนาด (GGUF)
    48 GB (Q4_K_M)
    RAM ขั้นต่ำ
    64+ GB RAM
    ollama run sylink/sylinkai:80b

รายละเอียดสถาปัตยกรรม

Input tokenRouter10active / 512+ 1 shared expertOutput10 active experts (routed)1 shared expert502 inactive expertsRouter top-k = 10

การกำหนดเส้นทาง MoE ของ sylinkai:80b: แต่ละโทเค็นผ่าน 10 expert เฉพาะจากทั้งหมด 512 บวกกับ 1 expert ที่ใช้ร่วมกัน

sylinkai:80b — Server-Grade MoE

สถาปัตยกรรม Mixture-of-Experts: เพียง ~3B จาก 80B พารามิเตอร์ทำงานต่อโทเค็น การกำหนดเส้นทางไปยัง 10 expert ที่เกี่ยวข้องที่สุด (จาก 512) บวก 1 expert ที่ใช้ร่วมกัน

Total Parameters80B
Active Parameters per Token~3B
Layers48
Hidden Size2,048
Attention Heads16 (Q) / 2 (KV), GQA 8:1
Total Experts512
Active Experts10 routed + 1 shared
Attention TypeHybrid (Gated DeltaNet + Gated Attention)
Native Context262K tokens
QuantizationQ4_K_M

sylinkai:27b — Production & Benchmark-Grade

โมเดล dense 27B สำหรับการวิเคราะห์เชิงลึกและการผลิต รุ่นเรือธงของตระกูล dense พร้อมคุณภาพการให้เหตุผลที่ดีที่สุดสำหรับรายงาน audit, forensic และ benchmark

Parameters27B (dense)
Layers64
Hidden Size5,120
Attention Heads24 (Q) / 4 (KV), GQA 6:1
Head Dimension256
Attention TypeHybrid (Linear + Full)
Native Context262K tokens
Vocabulary248,320
Available QuantizationsQ4_K_M (16 GB), Q5_K_M (18 GB), Q8_0 (27 GB)

sylinkai:9b — Edge & Laptop Deployment

Transformer dense พร้อม hybrid attention (linear + full), fine-tune สองขั้นตอนบน 85,000 ตัวอย่างความปลอดภัยไซเบอร์ ทำงานบนฮาร์ดแวร์สำหรับผู้บริโภคตั้งแต่ 8 GB RAM

Parameters9.6B (dense)
Layers32
Hidden Size4,096
Attention Heads16 (Q) / 4 (KV), GQA 4:1
Head Dimension256
Attention TypeHybrid (3 Linear + 1 Full, repeating)
Native Context262K tokens
Vocabulary248,320
Available QuantizationsQ4_K_M (5.3 GB), Q5_K_M (6.1 GB), Q8_0 (8.9 GB)

การฝึก

9B & 27B — การ fine-tune ความปลอดภัยไซเบอร์สองขั้นตอน

โมเดล 9B และ 27B ถูก fine-tune จากฐาน Qwen3.5-Claude-4.6-Opus-Reasoning-Distilled ตามแนวทางสองขั้นตอน:

1
Knowledge Injection
LoRA r=64, 2 epochs

ฉีดความรู้ด้านความปลอดภัยไซเบอร์: CVE, MITRE ATT&CK, เฟรมเวิร์กการปฏิบัติตาม, การดำเนินงาน SOC, ระเบียบวิธี pentest Learning rate 2e-5 เพื่อดูดซับความรู้อย่างรวดเร็ว

2
Reasoning Refinement
LoRA r=32, 3 epochs

ปรับการให้เหตุผลแบบมีโครงสร้างบนปัญหาไซเบอร์จริง Learning rate 1e-5 สำหรับการ fine-tune อย่างระมัดระวังที่รักษาความรู้ที่ได้รับ

คุณสมบัติ9B27B
Base ModelQwen3.5-9B-Opus-DistilledQwen3.5-27B-Opus-Distilled
Training Samples85,00085,000
Stage 1 Final Loss0.0850.107
Stage 2 Final Loss0.0500.042
InfrastructureNVIDIA DGX Spark (GB10)NVIDIA DGX Spark (GB10)

27B บรรลุ loss สุดท้ายที่ต่ำที่สุดในตระกูล (0.042) — เป็นโมเดล dense ที่มีประสิทธิภาพมากที่สุดในงานไซเบอร์ที่ผ่าน benchmark

80B — LoRA Cybersecurity Fine-Tuning

MethodLoRA (r=32, alpha=64)
Training Samples72,745 records ความปลอดภัยไซเบอร์
MITRE References83,294 mapping ของเทคนิค
Epochs2

หมวดหมู่ข้อมูลการฝึก

โมเดล dense ทั้งหมด (9B, 27B) ถูกฝึกบน corpus ความปลอดภัยไซเบอร์ที่คัดสรร:

หมวดหมู่ตัวอย่างความครอบคลุม
Threat Intelligence
MITRE ATT&CK, APT, IOC
20,472การวิเคราะห์ CTI, การแมปเทคนิค, การโปรไฟล์ APT
Vulnerability Analysis
CVE, CVSS, CWE
18,420การ triage CVE, การประเมินความเสี่ยง, การแก้ไข
Compliance & Governance
NIS2, GDPR, ISO 27001
15,794การใช้งานเฟรมเวิร์ก, การสนับสนุน audit
ความปลอดภัยไซเบอร์ฝรั่งเศส
NATO / กองทัพ, CERT-FR
13,753รายงานภาษาฝรั่งเศส, แนวทาง NATO / กองทัพ
Network Security
Firewall, IDS/IPS, NDR
7,008Firewall, IDS/IPS, forensic เครือข่าย
SOC Operations
Triage, IR, SIEM
3,529การ triage alert, การจัดการเหตุการณ์, SIEM
Pentest & Red Team
ระเบียบวิธี, รายงาน
1,774ระเบียบวิธี, การรายงาน, findings

กรณีใช้งาน

SYLink AISOC analystTriage / IREdge — Box9B localAuditISO 27001 · NIS2NATO / Armed Forces / CERT-FRFR complianceCVE-2024-3400MITRE T1059ISO 27001 A.5NIS2 Art. 23

SYLink AI ผสานเข้ากับการทำงานประจำวันของทีมไซเบอร์: SOC, edge SYLink Box, audit ISO 27001 / NIS2, การปฏิบัติตาม NATO / กองทัพ / CERT-FR

ความสามารถ

  • Threat Intelligence & Analysis

    • การแมป MITRE ATT&CK กับ 14 tactic และ 200+ เทคนิค
    • การวิเคราะห์ APT และการระบุตัวตน
    • การเชื่อมโยงและการวิเคราะห์ IOC
    • การประเมินภัยคุกคาม zero-day และที่เกิดขึ้นใหม่

  • Incident Response

    • วงจร IR เต็มรูปแบบที่สอดคล้องกับ NIST CSF
    • การสร้างห่วงโซ่การโจมตีหลายขั้นตอนขึ้นใหม่
    • Forensic หน่วยความจำ / ดิสก์ / เครือข่าย
    • กลยุทธ์การ triage, การควบคุม, การกำจัด

  • Vulnerability Management

    • การวิเคราะห์ CVE พร้อมการตีความ CVSS
    • การจัดลำดับความสำคัญของแพตช์ตามความเสี่ยงจริง
    • Attack Surface Management
    • ระเบียบวิธี pentest / red team

  • Compliance & Governance

    • NIST 800-53, ISO 27001, CIS, NIS2, GDPR
    • SOC 2, PCI-DSS, HIPAA, GDPR
    • การประเมินความสมบูรณ์ของโปรแกรม
    • การสนับสนุน audit และ gap analysis

  • Detection Engineering

    • การสร้างกฎ Sigma / YARA / Suricata
    • การปรับ query SIEM ให้เหมาะสม
    • Threat hunting ที่ขับเคลื่อนด้วยสมมติฐาน
    • การวิเคราะห์ log และการตรวจจับความผิดปกติ

  • ความปลอดภัยไซเบอร์ฝรั่งเศส

    • คำแนะนำและแนวทาง NATO / กองทัพ
    • การวิเคราะห์ประกาศของ CERT-FR
    • การปฏิบัติตาม NIS2, GDPR, LPM
    • คำศัพท์ไซเบอร์ FR native

การใช้งาน

# Edge / laptop (8+ GB RAM)
ollama run sylink/sylinkai:9b

# Production / benchmark (32+ GB RAM)
ollama run sylink/sylinkai:27b

# Flagship server (64+ GB RAM)
ollama run sylink/sylinkai:80b

ตัวอย่าง prompt

  • Threat Analysis

    Analyze this suspicious PowerShell command: powershell.exe -enc ZQBjAGgAbwAgACcAdABlAHMAdAAnAA==

  • APT Investigation

    We found Cobalt Strike beacons communicating with C2 infrastructure linked to APT29. Reconstruct the likely attack chain and map it to MITRE ATT&CK.

  • Incident Response

    We detected lateral movement from a compromised workstation using PsExec. What containment steps should we take?

  • Vulnerability Assessment

    How should we prioritize patching CVE-2024-3400 in our Palo Alto firewalls?

  • Detection Engineering

    Write a Sigma rule to detect credential dumping via LSASS memory access

  • Compliance (ภาษาฝรั่งเศส)

    Quelles sont les obligations de notification d'incident sous NIS2 pour un OES en France ?

  • NATO / กองทัพ Guidance

    Résume les recommandations OTAN / Armées PA-022 pour le durcissement d'un serveur Linux

รูปแบบการตอบสนอง

SYLink AI จัดโครงสร้างการตอบสนองอย่างเป็นระบบเพื่อให้นักวิเคราะห์อ่านได้ง่าย:

  1. Analysis — findings โดยละเอียดพร้อมการแมป MITRE ATT&CK เมื่อเกี่ยวข้อง
  2. Recommendations — ขั้นตอนที่นำไปปฏิบัติได้จัดลำดับตามความเร่งด่วน
  3. Context — ระดับความเชื่อมั่นและการอ้างอิงที่เกี่ยวข้อง (CVE, NATO / กองทัพ, MITRE)

โมเดลปรับความลึกของการตอบสนองให้เหมาะสมกับความซับซ้อนของคำถาม — คำถามง่ายๆ จะได้รับคำตอบที่กระชับ

พารามิเตอร์

พารามิเตอร์9B27B80Bคำอธิบาย
temperature0.60.30.6ต่ำกว่า = เป็นข้อเท็จจริงมากกว่า (27B ปรับเพื่อความแม่นยำ)
top_p0.90.90.95ความกว้างของการสุ่มโทเค็น
top_k404020การมุ่งเน้นในการเลือก
repeat_penalty1.051.11.0การควบคุมการทำซ้ำ
num_ctx4,0968,19232,768หน้าต่างบริบท
num_predict4,0964,09616,384ความยาวสูงสุดของการสร้าง

27B มาพร้อมกับค่าเริ่มต้นที่เข้มงวดกว่า (temperature ต่ำกว่า, system prompt ป้องกัน hallucination ที่เข้มข้นขึ้น) ที่ปรับเฉพาะสำหรับความแม่นยำของ benchmark และ audit การผลิต

เลือกโมเดลที่เหมาะสม

กรณีใช้งานโมเดลที่แนะนำ
Edge (SYLink Box, laptop, NUC)sylinkai:9b
การ triage SOC แบบเรียลไทม์sylinkai:9b
งานที่ผ่าน benchmark (CyberMetric, CTI-Bench)sylinkai:27b
รายงาน audit ในการผลิตและการปฏิบัติตามsylinkai:27b หรือ sylinkai:80b
Forensic เชิงลึกและการสืบสวน APTsylinkai:27b หรือ sylinkai:80b
การดำเนินงานไซเบอร์ในภาษาฝรั่งเศสsylinkai:9b หรือ sylinkai:27b
สภาพแวดล้อมที่จำกัด (8 GB RAM)sylinkai:9b
ความครอบคลุมความเชี่ยวชาญสูงสุดsylinkai:80b

แนวทางจริยธรรม

SYLink AI ออกแบบมาเพื่อ ความปลอดภัยไซเบอร์เชิงป้องกันเท่านั้น:

  • ให้คำแนะนำการป้องกัน การตรวจจับ และการตอบสนอง
  • ปฏิเสธคำขอสำหรับการพัฒนา exploit หรือมัลแวร์
  • ส่งเสริมแนวทางการเปิดเผยอย่างรับผิดชอบ
  • ยืนยันการปฏิบัติตามกฎหมายและการทดสอบที่ได้รับอนุญาต
  • สนับสนุนแนวทางการรักษาความปลอดภัยที่เคารพความเป็นส่วนตัว
  • ส่งต่อให้นักวิเคราะห์มนุษย์สำหรับการตัดสินใจเชิงปฏิบัติการที่มีผลกระทบสูง

ติดตั้ง SYLink AI ใน SOC ของคุณ?

เดโมเชิงปฏิบัติการ การผสาน on-premise หรือคลาวด์อธิปไตย การสนับสนุนโดยนักวิเคราะห์ชาวฝรั่งเศสของเรา

ขอเดโมดูการเฝ้าระวัง 24/7