Financement et valorisation
En septembre 2026, Upwind Security Inc. a conclu une levée de fonds de 300 millions de dollars en série C, menée par Bessemer et TCV, avec la participation de Salesforce Ventures, Greylock, Craft Ventures et d’autres investisseurs. Cette injection porte la valorisation de l’entreprise à 3,8 milliards de dollars, soit une hausse de deux milliards depuis le début de l’année. Le montant représente le deuxième tour à neuf chiffres en moins d’un an, ce qui indique une confiance soutenue des capital‑risques dans la capacité du produit à capter le marché de la sécurité cloud.
Architecture de la plateforme et usage d’eBPF
Le cœur technique de la solution repose sur l’utilisation du framework eBPF du noyau Linux. Upwind déploie du code d’observabilité dans un sandbox isolé au sein du kernel, ce qui évite les modifications directes des modules critiques. Cette approche permet de collecter des métriques de télémétrie – instances, clés de chiffrement, scripts de configuration – sans introduire de points de défaillance supplémentaires. La plateforme rafraîchit les données toutes les 30 secondes, assurant une visibilité quasi‑temps réel sur les changements de configuration fréquents dans les environnements cloud.
L’isolation fournie par eBPF limite les risques de plantage du système d’exploitation, car le code exécuté ne peut pas accéder directement aux structures de données du kernel. Cependant, le chargement fréquent d’enquêtes eBPF peut générer une charge CPU non négligeable, surtout dans des clusters à grande échelle où le nombre d’instances dépasse plusieurs milliers.
Analyse des capacités d’IA et des limites
Sur le plan fonctionnel, la plateforme intègre deux agents d’intelligence artificielle nommés Red et Blue. L’agent Red filtre les vulnérabilités à faible risque en se basant sur des scores de probabilité, tandis que Blue détecte les tentatives d’exploitation en temps réel. En parallèle, le système génère des AI‑BOM (Bills of Materials) qui répertorient les composants logiciels des modèles d’IA déployés, facilitant l’identification de bibliothèques obsolètes ou vulnérables.
Le moteur d’analyse compare chaque charge de travail aux meilleures pratiques de cybersécurité et aux exigences réglementaires, puis lance des simulations d’attaque ciblant, par exemple, l’ouverture d’une connexion vers une instance contenant une base de données SQL. Cette méthode fournit des preuves de concept d’exploitation sans compromettre les actifs réels. La dépendance à la qualité des données collectées par eBPF constitue toutefois un point de friction : des lacunes de télémétrie peuvent entraîner des faux négatifs, et la fréquence de rafraîchissement impose un compromis entre précision et consommation de ressources.
Enfin, la récente intégration avec une demi‑douzaine de services cloud tiers indique une orientation vers l’élargissement de la surface d’observation. Cette stratégie augmente le nombre d’API à surveiller, ce qui peut complexifier la gestion des politiques de conformité et requérir des ajustements continus du moteur d’IA pour maintenir la pertinence des alertes.
