Valentin Manes

Violet is a blockchain startup intending to create "Compliance & Identity Infrastructure for Decentralized Finance".

In practice, this translated in creating an KYC-backed OICD backend infrastructure and several front-end website as POCs.

Qonto is a European neobank for professionals. To improve a higher quality of service for its clients, in 2018 it developed its own “Core Banking System”, meaning that it maintains itself all its clients’ accounts and process all their transactions. (Beforehand it was relying on an external partner to do so.) At Qonto, I was part of the Ledger team, which maintains the “source of truth” for all accounts and their transactions. These micro-services were implemented using a Go plus PostgreSQL stack. Moreover, I did multiple interventions to improve and maintain Qonto’s billing system which is implemented using Ruby on Rails.

Qonto uses an advanced micro-service architecture with over 80 services (and counting!) being continuously deployed relying on Gitlab, Kubernetes and Argo CD.

Le CSRC est un centre de recherche financé par l'État Coréen au sein de l'université KAIST. J'étais libre de définir les problèmes sur lesquels je travaillais, de trouver leurs solutions potentielles, puis de développer et concevoir leurs implémentations, et enfin de tester et d'évaluer ces prototypes. Cette expérience m'a permis de démontrer ma capacité d'abstraction.

J'ai également utilisé pleinement mon esprit d'ingénieur: j'ai réalisé trois grands projets. Tout d'abord, une modification du code d'allocation de mémoire du noyau Linux pour les pilotes (en C). Deuxièmement, une amélioration de l'outil de test dynamique de LLVM, un projet d'infrastructure de compilateur écrit en C ++. Ce projet a été mergé dans le code principal par une équipe de Google. Et enfin, Ankou, mon plus grand projet, est un fuzzer que j'ai développé de zéro en Go. Ankou a trouvé plus d'un millier de bugs uniques dans des projets open source.

- Au CSRC, la collaboration utilisait Slack et Gitlab. Plus particulièrement, nous étions sept à participer à l'écriture du survey sur les fuzzers. Toutes les contributions effectuées via des Pull Requests.

- Configuration des expériences dans des conteneurs Docker pour être reproductible et scalable sur plusieurs serveurs. Les outils en ligne de commande ont une valeur inestimable: htop, grep, find, etc…

- Ankou (décrit ci-dessous), j'ai commencé comme une étude de l'utilisation des techniques de Machine Learning pour améliorer la capacité de recherche de bugs des fuzzers. Pour cela, des bibliothèques python standard ont été utilisées: Keras, TensorFlow, Numpy, Pandas. Les deux parties du projet, Go et Python, communiquaient via RabbitMQ.