Paper2026
Material revisado: AbstractLos autores proponen TAB-DEN, un marco para sistemas sanitarios de IoT que combina blockchain permisionada con consenso Prueba de Autoridad para autenticación descentralizada, una arquitectura jerárquica de servidores edge que calculan puntuaciones de confianza en tiempo real y desvían el tráfico según su fiabilidad, y nodos edge basados en engaño que actúan como entornos tipo honeypot para atraer, aislar y perfilar a los atacantes. El objetivo declarado es proporcionar seguridad escalable y resistente a ataques cuánticos, registrando los eventos de intrusión mediante un esquema de firma post-cuántico basado en retículos para que los registros de ataque resulten inmutables y verificables en el libro mayor distribuido.
IoTNetworkHoneypotDecoy
Paper2026
Material revisado: AbstractLos autores proponen un framework de honeypot dinámico que combina un agente de decepción con aprendizaje por refuerzo (Q-learning tabular, formalizado como MDP), fusión de inteligencia de amenazas mediante indicadores de compromiso y acciones automatizadas de contención. Su propósito es adaptar la persona expuesta del honeypot y guiar las decisiones de decepción, evaluándose en un testbed virtualizado aislado.
NetworkCloudHoneypotAdversary engagement
Paper2026
Material revisado: AbstractEl artículo presenta Co-ADAM, un marco de defensa que formula el engaño cibernético en el Industrial Internet of Things (IIoT) como un proceso de decisión de Markov con restricciones que incorpora un juego de señalización, con el objetivo de modelar conjuntamente el nivel de inversión en engaño y un adversario co-evolutivo que acumula escepticismo. Los autores describen el entrenamiento de un defensor basado en una red Q profunda (DQN) frente a un conjunto de atacantes adaptativos con restricciones de presupuesto y dinámicas de escepticismo, y reportan evaluación sobre varios conjuntos de datos IIoT y un banco de pruebas físico.
IoTOT/ICSHoneypotDecoy
Paper2026
Material revisado: AbstractLos autores proponen el uso de drones señuelo (honey drones) como estrategia de engaño para defender sistemas de misión de vehículos aéreos no tripulados (UAV) contra ataques de denegación de servicio. Formulan un problema de optimización entre atacante y defensor basado en la fuerza de señal de radio y presentan un enfoque llamado HT-DRL, que combina teoría de hiperjuegos con aprendizaje por refuerzo profundo para identificar estrategias de engaño óptimas.
IoTNetworkDecoyAdversary engagement
Paper2026
Material revisado: AbstractEste artículo presenta LDT-FRL, un marco de defensa que combina codificadores de atención temporal, gemelos digitales ligeros y un agente de aprendizaje por refuerzo federado (PPO) que puede redirigir tráfico sospechoso hacia honeypots en entornos de IoMT (Internet de las Cosas Médicas). Según los autores, el sistema fue evaluado en benchmarks públicos de tráfico de red, obteniendo altas métricas de clasificación y explicabilidad mediante técnicas como SHAP y Grad-CAM.
IoTNetworkHoneypotAdversary engagement
Paper2026
Material revisado: AbstractEl artículo propone HIVE-O, un marco de honeypots descentralizado para ecosistemas IoT, con nodos ligeros y distribuidos que capturan, analizan y comparten inteligencia de ataques sin un único punto de control. Los autores describen la emulación de servicios y protocolos IoT y una evaluación experimental de intentos de reconocimiento, explotación y denegación de servicio.
IoTHoneypotDecoy
Paper2026
Material revisado: AbstractEste trabajo propone Federated TGCN-A2C, una arquitectura que integra redes convolucionales de grafos temporales, gemelos digitales basados en LSTM y un agente de actor-crítico federado para decidir entre permitir, aislar o redirigir tráfico a honeypots en dispositivos IoT/IoMT. Los autores reportan evaluaciones en conjuntos de datos públicos de ciberseguridad y análisis de explicabilidad para respaldar la toma de decisiones del sistema.
IoTNetworkHoneypotAdversary engagement
Paper2026
Material revisado: AbstractEl estudio propone QuantumGuard, un marco de ciberseguridad proactiva que combina redes trampa cognitivas, canales de inteligencia protegidos con criptografía post-cuántica y adaptación de engaño guiada por aprendizaje por refuerzo en entornos ciberfísicos habilitados para 6G. Los autores buscan integrar en una única arquitectura de control en lazo cerrado un orquestador de redes trampa cognitivas, un motor de políticas de engaño bajo observabilidad parcial, una red de atribución de técnicas MITRE ATT&CK basada en transformadores y un bus federado de inteligencia post-cuántico, y presentan una evaluación preliminar sobre conjuntos de datos de referencia y un banco de pruebas de 320 puntos finales.
NetworkIoTHoneypotDecoy
Paper2026
Material revisado: AbstractEl artículo presenta SAGE, un honeypot adaptativo para ecosistemas de Internet de las Cosas (IoT) que combina emulación de protocolos guiada por máquinas de estados finitos (FSM) con recuperación aumentada mediante GraphRAG, para modelar protocolos IoT con estado y generar respuestas mediante un modelo de lenguaje grande (LLM). Los autores describen además un motor de verificación de hechos y un mecanismo de retroalimentación destinados a refinar las respuestas y ampliar progresivamente las correspondencias estado-respuesta a partir de las interacciones observadas con adversarios.
IoTHoneypotAdversary engagement
Paper2026
Material revisado: Página públicaLos autores proponen SecuPi, un sistema compacto basado en Raspberry Pi que combina monitorización de tráfico en tiempo real, detección híbrida de intrusiones (firmas y aprendizaje automático) y respuesta automática a amenazas. Como mecanismos de engaño y defensa proactiva, plantean el uso de honeypots junto con actualizaciones automáticas de cortafuegos y defensa de objetivo móvil (MTD).
NetworkIoTHoneypotMoving target defense
Paper2026
Material revisado: AbstractLos autores presentan HoneyMed, un framework de honeypot consciente de protocolos que simula servicios sanitarios y de IoT para recoger interacciones maliciosas, convertirlas en características tabulares para aprendizaje automático y clasificar tipos de ataque en tiempo real. El propósito declarado es ofrecer visibilidad de amenazas en entornos de prueba de seguridad de IoMT mediante señuelos, extracción de características y clasificadores ligeros, sin interactuar con activos médicos en producción.
IoTNetworkHoneypotDecoy
Paper2026
Material revisado: AbstractEl estudio propone un sistema de detección no supervisado basado en modelos de la familia autoencoder que aprenden el comportamiento normal del tráfico y señalan anomalías mediante el error de reconstrucción (MSE), aplicado a metadatos de múltiples fuentes (Wireshark, registros de cortafuegos y honeypot T-Pot) recogidos durante quince días en una VLAN empresarial real. Los autores incorporan inteligencia de amenazas externa (AbuseIPDB, OTX) y un sistema de puntuación multidimensional (MDSS) para convertir las detecciones en puntuaciones de riesgo priorizadas, y validan las anomalías mediante dos canalizaciones MITRE ATT&CK.
NetworkIoTHoneypot
Paper2025
Material revisado: AbstractEste trabajo presenta un análisis longitudinal del comportamiento de atacantes mediante HoneyTrap, un marco de honeypots adaptativos desplegado en nodos distribuidos geográficamente para emular servicios vulnerables. Según los autores, se recopilaron más de 60.3 millones de eventos durante 24 días, con los datos transformados a formato Parquet para análisis escalable. Los autores informan que el tráfico HTTP/HTTPS y los ataques de fuerza bruta SSH fueron predominantes, junto con actividad dirigida a servicios menos comunes como Minecraft y SMB.
NetworkIoTHoneypot
Paper2025
Material revisado: AbstractLos autores presentan D3O-IIoT, un modelo de aprendizaje por refuerzo que coordina dinámicamente técnicas de engaño como despliegue de honeypots, defensa de objetivo móvil, inyección de telemetría falsa y aislamiento de nodos, guiándose por monitoreo de amenazas en tiempo real. El problema de defensa se formula como un Proceso de Decisión de Markov, donde un agente Dueling Deep Q-Network maximiza una recompensa multiobjetivo para equilibrar mitigación de ataques, interacción de engaño, control de falsos positivos y costo de recursos.
IoTOT/ICSHoneypotMoving target defense
Paper2024
Material revisado: Página públicaPropone el uso de honeypots de hardware como capa defensiva adicional para detectar y mitigar troyanos de hardware en dispositivos IoT, con el fin de protegerlos frente a fallos operativos, denegación de servicio o fuga de datos.
IoTHoneypot
Paper2024
Material revisado: AbstractEste trabajo, según sus autores, aborda la seguridad de la infraestructura de medición avanzada (AMI) en redes eléctricas inteligentes mediante honeypots combinados con aprendizaje federado. Proponen FedPot, que incluye una medida de calidad de datos y un mecanismo de incentivos justo para que pequeños proveedores de energía compartan modelos entrenados localmente con minoristas tradicionales sin exponer datos confidenciales. Los autores reportan, mediante simulaciones con datos de registros de microrredes, mejoras frente a técnicas existentes tanto en el modelo de seguridad como en la distribución de recompensas.
OT/ICSIoTHoneypot
Paper2024
Material revisado: AbstractEl trabajo aborda la seguridad en ecosistemas de Internet de las Cosas (IoT) en ciudades inteligentes mediante el uso de datos de honeypots y algoritmos de aprendizaje automático y redes neuronales para la detección de ataques. Los autores se proponen identificar conjuntos de datos de honeypots dirigidos a IoT, evaluar algoritmos de detección de amenazas y proponer soluciones de seguridad, analizando datos reales de ciberataques obtenidos de diversos honeypots que simulan dispositivos IoT.
IoTHoneypot
Paper2024
Material revisado: AbstractSegún los autores, este trabajo presenta un sistema de detección de anomalías de tráfico autoadaptativo para entornos IoT de hogar inteligente, compuesto por un servidor honeypot y una pasarela. El honeypot captura tráfico continuamente y genera de forma adaptativa un modelo de detección que la pasarela utiliza para identificar tráfico anómalo, incluyendo ataques desconocidos.
IoTNetworkHoneypot
Paper2023
Material revisado: AbstractLos autores proponen un honeypot para dispositivos IoT que emplea técnicas de aprendizaje automático para aprender e interactuar automáticamente con atacantes, buscando superar las limitaciones de crear manualmente honeypots de baja y alta interacción dada la heterogeneidad de estos dispositivos. Según el resumen, la evaluación del modelo propuesto indica mejoras en la duración de las sesiones con atacantes y en la captura de ataques en la red IoT.
IoTHoneypot
Paper2023
Material revisado: AbstractEl trabajo propone un enfoque de engaño mediante honeypots para cámaras de vídeo conectadas a Internet. Su resumen sitúa la propuesta en los riesgos de seguridad y privacidad de las cámaras y otros dispositivos IoT con capacidad de vídeo.
IoTHoneypot
Paper2023
Material revisado: AbstractLos autores presentan HoneyEVSE, un honeypot diseñado para simular equipos de suministro para vehículos eléctricos (EVSE) dentro del paradigma Vehicle-to-Grid. El sistema emula con alta fidelidad el proceso de carga y páginas de inicio de sesión para aumentar el engagement de los atacantes. Expusieron el honeypot durante 30 días en Internet y, según reportan, logró evadir la métrica Shodan Honeyscore mientras atraía numerosas interacciones.
IoTOT/ICSHoneypotDecoy
Paper2023
Material revisado: AbstractLos autores presentan HoneyIoT, un honeypot adaptativo de alta interacción para dispositivos IoT que emplea un sistema de recolección de trazas de ataque en dispositivos reales y aprendizaje por refuerzo para modelar y generar respuestas convincentes. Según el artículo, se usan técnicas de análisis diferencial para mutar valores de respuesta y lograr alta fidelidad, y tras su despliegue en Internet pública los experimentos reportados muestran que el sistema evade verificaciones previas al ataque y herramientas de detección de honeypots.
IoTHoneypot
Paper2023
Material revisado: AbstractLos autores proponen un método basado en aprendizaje profundo para generar flujos de tráfico sintético de dispositivos IoT que imiten tráfico real, con el fin de mejorar los honeypots IoT frente a la detección por atacantes. Según el resumen, el generador supera a enfoques previos en indistinguibilidad del tráfico real.
IoTNetworkHoneypotDecoy
Paper2022
Material revisado: AbstractLos autores proponen un enfoque de defensa colaborativa basado en teoría de juegos para redes de drones (UAV), empleando honeypots de baja/media interacción y mecanismos de incentivo basados en contratos y aprendizaje por refuerzo para motivar el intercambio de datos de ataques capturados entre drones.
NetworkIoTHoneypot