✓ Выжила из Show HN 3-е место из 18 предложенныхВенчур Безопасность 4 нояб. 2026 г.

Непрерывное adversarial-тестирование систем защиты от мошенничества

Сервис red team, который атакует ваши правила и модели антифрода симулированными адаптивными мошенниками и измеряет, как быстро каждую защиту обходят, пока это не сделали реальные злоумышленники.

Открыть обсуждение ↗

Готовое ТЗ, которое можно вставить в Claude Code, Cursor или любого ИИ-агента для кода (на английском).

I want to build a venture-scale product. Help me plan and start the MVP.

Product: Continuous adversarial testing for fraud defense stacks
What it is: A red-team service that attacks your fraud rules and models with simulated adaptive fraudsters, measuring how fast each defense gets bypassed before real attackers find out.
Who pays: Heads of fraud/risk at mid-market fintechs and marketplaces (500–5,000 employees), $3–10k/mo from the existing fraud tooling budget alongside Sift/Sardine spend.
Closest alternatives: Sift, Sardine, SEON, Kairos (the launched product)
The gap: All existing fraud platforms, including Kairos, are detection engines: they score and decide on live traffic. None continuously probes the customer's own ruleset and models with mutated, adversarial identities and behaviors to report time-to-bypass and decay curves before real fraudsters exploit the holes. Pen-testing firms do this manually for appsec, not for fraud decisioning logic.
Why now: LLM agents make it newly cheap to generate large volumes of plausible adversarial behavior (varied identities, devices, narratives, session patterns), and the shift to agent-tuned fraud stacks (as Kairos shows) creates machine-readable rulesets and models that can be attacked programmatically via the same APIs.
Moat to build toward: Compounding advantage: every engagement generates a proprietary corpus of bypass techniques and decay benchmarks across customers, which improves the attack generator and becomes a defensible dataset no detection vendor has.
Biggest risk: Fraud teams treat this as a nice-to-have audit rather than a recurring need, and the detection vendors (Sift, Sardine, Kairos) add basic simulation as a feature, collapsing the standalone market.

First three steps:
1. Build an attack generator that mutates identity/device/session/event payloads and replays them against a customer's ruleset via API to find bypasses.
2. Ship a rule-decay report: replay historical confirmed-fraud events weekly and quantify how detection recall degrades over time per rule/model.
3. Deliver a prioritized fix list (which rule, which variant, expected lift) that fraud engineers can hand to their decisioning platform.

Start by asking me up to five questions about constraints (stack, budget, timeline), then propose the smallest version a paying customer would use, and scaffold it.

Итого6.2/10

Боль7

Готовность платить6

Своевременность6

Ниша7

Защищённость5

Реализуемость5

За

Кто платит

Руководители направлений антифрода и рисков в средних финтехах и маркетплейсах (500–5 000 сотрудников); $3–10 тыс./мес из существующего бюджета на антифрод-инструменты наряду с расходами на Sift и Sardine.

Что говорили люди · 3

В самом посте сказано, что обученные модели и наборы правил устаревают за несколько недель, потому что мошенники восстанавливают логику детекции, и это требует постоянного переобучения. Из статьи ↗
Ветеран войн со спамом в AOL говорит, что каждую защитную технику, над которой они работали неделями или месяцами, злоумышленники обходили за один выходной, и с тех пор атакующие становятся только быстрее. Читать комментарий ↗
Комментатор отвергает поверхностные эвристики вроде вопроса модели, похож ли email на одноразовый, и утверждает, что реальные сигналы мошенничества гораздо глубже внешних признаков, то есть защиты проверяются слишком поверхностно. Читать комментарий ↗

Пересказ обсуждения. Оригинальные комментарии доступны по ссылкам.

Конкуренты и пробел

SiftSardineSEONKairos (the launched product)

Все существующие платформы антифрода, включая Kairos, — это движки детекции: они оценивают живой трафик и принимают решения. Никто непрерывно не проверяет собственные правила и модели клиента мутирующими враждебными личностями и поведением, чтобы показать время до обхода и кривые деградации до того, как реальные мошенники найдут дыры. Пентест-компании делают это вручную для appsec, но не для логики принятия решений по антифроду.

Почему сейчас

LLM-агенты впервые сделали дешёвой генерацию больших объёмов правдоподобного враждебного поведения (разные личности, устройства, сценарии, паттерны сессий). Переход к антифроду, настроенному агентами (как показывает Kairos), создаёт машиночитаемые наборы правил и модели, которые можно атаковать программно через те же API.

Защищённость · 5/10

Накопительное преимущество: каждый проект формирует собственный корпус техник обхода и бенчмарков деградации по разным клиентам. Это улучшает генератор атак и создаёт защищаемый датасет, которого нет ни у одного вендора детекции.

Против

Красная команда: Вендоры детекции (Sift, Sardine) действительно не проводят непрерывных атак на собственные наборы правил клиента для измерения времени до обхода, а пентест-компании не трогают логику принятия решений по антифроду. Это реальный пробел с покупателем, который уже тратит деньги на антифрод-инструменты.
Что может её погубить: Команды антифрода считают это желательным аудитом, а не регулярной потребностью, а вендоры детекции (Sift, Sardine, Kairos) добавляют базовую симуляцию как функцию, и самостоятельный рынок схлопывается.

Начало

Первые три шага: Генератор атак, который мутирует payload'ы личности, устройства, сессии и событий и воспроизводит их через API против набора правил клиента, чтобы находить обходы.
Отчёт о деградации правил: еженедельно воспроизводить исторические подтверждённые случаи мошенничества и количественно оценивать, как падает полнота детекции по каждому правилу и модели.
Приоритизированный список исправлений (какое правило, какой вариант, ожидаемый прирост), который инженеры антифрода могут передать своей платформе принятия решений.
Исходное обсуждение: Show HN: Kairos – Open-source risk and fraud decisioning platform ↗ 103 балла30 комментариевИз историиСтатья по ссылке

Переведено с английского. Читать оригинал

#	Оценка	Идея	Тип	Категория	Боль	Оплата	Время	Ниша	Защита	Сделать
1	6.5	Обнаружение подмены конфигов AI-агентов и MCP-серверовНепрерывно сканирует машины разработчиков на предмет тихо установленных плагинов агентов, самоодобренных хуков и несанкционированных удалённых MCP-эндпоинтов в Claude Code, Codex и Cursor.	Инди	Безопасность	7	6	8	6	5	7
2	6.4	Платформа эксплуатации парков headless Mac для сборкиПО для управления парком, которое автоматизирует восстановление, разблокировку и подготовку образов для стоек headless Mac, используемых как CI-узлы сборки.	Инди	Инструменты разработчика	7	6	7	6	5	7

За

Против

Начало

Ещё из этого выпуска