Texte invisible et réordonné : contrôles bidirectionnels, caractères de balisage et caractères ambigus dans le code et les prompts

Objectif

Faire apparaître, dans un texte qui semble inoffensif dans un outil de relecture ou une fenêtre de discussion, les caractères qu'il contient réellement, avant qu'il ne soit fusionné ou transmis à un modèle.

Prérequis

Accès au texte brut (diff, prompt, document récupéré) sous forme de points de code, et pas seulement à son rendu.

Étapes

1. Connaître les trois familles :
   • Les contrôles bidirectionnels (par exemple les caractères d'incorporation, de forçage et d'isolement U+202A–U+202E et U+2066–U+2069). Les recherches sur Trojan Source ont montré qu'ils peuvent réordonner le code source à l'écran, de sorte qu'une personne relectrice voit une logique différente de celle que traite le compilateur.
   • Les caractères invisibles : espace de largeur nulle et joncteurs, ainsi que le bloc Unicode Tags (U+E0000–U+E007F), dont les caractères reflètent l'ASCII mais ne s'affichent comme rien dans la plupart des interfaces. Des chercheurs en sécurité ont montré qu'un texte écrit avec des caractères de balisage peut transporter des instructions vers un modèle tout en restant invisible pour la personne qui le colle.
   • Les caractères ambigus (confusables) : des caractères d'autres écritures qui ressemblent à des lettres latines. La norme technique Unicode n°39 (UTS #39) définit précisément la détection des ambiguïtés et les vérifications d'écritures mixtes à cette fin.
2. Ajouter une vérification d'intégration continue qui échoue en présence de caractères de contrôle bidirectionnels dans les fichiers source, sauf si un fichier figure explicitement sur une liste d'exceptions (par exemple des ressources de traduction qui en ont besoin).
3. Avant de transmettre à un modèle un texte récupéré ou collé, retirer ou signaler les caractères de balisage et les caractères de largeur nulle, et consigner cette opération.
4. Pour les identifiants, les noms de paquets et les domaines, appliquer une vérification d'écriture mixte ou de caractères ambigus conforme à l'UTS #39, plutôt qu'une liste écrite à la main.
5. Dans les outils de relecture, activer l'option d'affichage des caractères cachés ; de nombreux éditeurs et hébergeurs de code avertissent désormais en présence de texte bidirectionnel.
6. Lors du signalement d'une constatation, afficher les points de code (U+202E), jamais les caractères bruts, afin que le rapport lui-même ne puisse pas induire en erreur.

Résultat attendu

Les caractères cachés ou réordonnants sont détectés mécaniquement ; la relecture humaine voit un marqueur explicite plutôt qu'un texte trompeur.

Limites et base de vérification

Un texte légitime de droite à gauche et des séquences d'emoji utilisent certains de ces caractères ; une suppression généralisée peut corrompre le contenu, aussi faut-il limiter la vérification au code et au texte destiné à un modèle. Le rendu diffère selon les outils, si bien que « ça a l'air normal ici » ne prouve rien.