Paper2022
Material revisado: AbstractEste artículo revisa herramientas existentes para monitorizar botnets P2P, categorizando los mecanismos en activos (crawlers) y pasivos (sensores y honeypots). Según los autores, el objetivo es estudiar las formas de monitorizar un botnet y cómo funcionan estos mecanismos, presentando trabajos previos sobre cada enfoque.
NetworkHoneypot
Paper2022
Material revisado: AbstractArtículo de revisión que presenta una visión general de la ciberseguridad y analiza el aprendizaje automático, las amenazas cibernéticas y las técnicas basadas en sistemas honeypot para la detección de intrusiones y el estudio de ataques en red. Los autores describen los honeypots como trampas conceptuales destinadas a bloquear el acceso no autorizado y a aportar a los analistas información sobre el origen y el comportamiento de dichos ataques.
NetworkHoneypot
Paper2022
Material revisado: AbstractEl trabajo propone integrar un sensor honeypot con una red definida por software (SDN) y clasificar ataques de denegación de servicio distribuido mediante aprendizaje semisupervisado, combinando un modelo de pseudo-etiquetado basado en máquinas de vectores de soporte con una clasificación posterior mediante Adaptive Boosting. La evaluación reportada por los autores usa datos de monitorización del sensor Suricata y examina exactitud, precisión, exhaustividad, uso de CPU y tiempos de mitigación de reglas de flujo.
NetworkHoneypot
Paper2022
Material revisado: AbstractLos autores describen un sistema honeypot basado en Spark diseñado, implementado y probado en una red de campus durante varios días, con el propósito de atraer intrusos hacia un recurso que simula ser un equipo o almacén totalmente equipado. El estudio presenta un análisis de rendimiento de ese despliegue mediante parámetros definidos por los autores.
NetworkHoneypot
Paper2022
Material revisado: AbstractLos autores revisan y analizan los métodos, tácticas y herramientas que los adversarios emplean para realizar actividades de reconocimiento a lo largo del proceso de ataque, examinando qué tipos de información buscan y cómo y cuándo pueden obtenerla. Proponen una taxonomía de técnicas de reconocimiento basada en la fuente, distinguiendo entre la recopilación de información por terceros y la obtenida de personas y sistemas, con el fin de comprender y modelar este aspecto de los ciberataques y aportar ideas para mejorar estrategias defensivas como el engaño cibernético.
NetworkDecoy
Paper2022
Material revisado: AbstractEste artículo estudia el despliegue conjunto de defensa de objetivo móvil (MTD) y técnicas de engaño frente a ataques cibernéticos de múltiples etapas. Los autores proponen un enfoque de optimización en dos pasos para asignar sensores de detección de intrusión (observables por el atacante) y sensores sigilosos (no observables), con el fin de optimizar la tasa de detección de ataques. Ilustran la efectividad del método mediante un ejemplo de defensa cibernética.
NetworkDecoyMoving target defense
Paper2022
Material revisado: AbstractLos autores describen un sistema de monitoreo para honeypots basado en TaintDroid, orientado a dispositivos embebidos, en el que TaintDroid marca a los atacantes que penetran en el honeypot y luego se monitorean y registran sus comportamientos. El trabajo también informa sobre una prueba de factibilidad del sistema construido por los autores.
IoTEndpointHoneypot
Paper2022
Material revisado: AbstractEl artículo describe el despliegue de un honeypot en un servicio de nube y el análisis de las interacciones registradas. Después emplea algoritmos de aprendizaje automático para predecir el tipo de amenaza detectada en los honeypots.
CloudHoneypot
Paper2022
Material revisado: Página públicaEl artículo propone un marco de detección de intrusiones que combina CAPTCHA, honeypots y aprendizaje supervisado. Los honeypots se integrarían en un sitio web para atraer software malicioso, y el diagrama esboza páginas señuelo realistas y campos trampa.
ApplicationNetworkHoneypotDecoy
Paper2022
Material revisado: AbstractEste trabajo presenta TSM (Topic Semantic Matching), una métrica basada en modelado de temas y comparación semántica en espacios de embeddings para medir el atractivo (enticement) de honeyfiles respecto al contenido local. Según los autores, es la primera medida que usa técnicas de NLP para cuantificar este atractivo de forma robusta frente a paráfrasis, apoyada en un corpus de honeyfiles creado con distintos métodos de NLP.
EndpointHoneypotDecoy
Paper2022
Material revisado: AbstractEste trabajo modela los enfrentamientos entre atacante y defensor como juegos de Markov para comprender comportamientos adversarios humanos y optimizar la estrategia defensiva. Los autores validan su enfoque mediante un entorno Capture-The-Flag (CTF) y estudios con usuarios de distintos niveles de habilidad. Según los autores, los engaños a nivel de aplicación resultan una estrategia de mitigación óptima frente a ataques dirigidos, superando a maniobras defensivas clásicas, y presentan un análisis del comportamiento atacante al quedar atrapado en un entorno honeypot embebido.
ApplicationHoneypotAdversary engagement
Paper2021
Material revisado: AbstractLos autores proponen un mecanismo de despliegue dinámico multifase de honeypots virtualizados (MD2VH) basado en predicción inteligente de rutas de ataque, que modela las características de ataque y defensa mediante un grafo de estados de ataque bayesiano y un modelo de optimización de despliegue basado en un proceso de decisión de Markov extendido, generando estrategias de despliegue mediante aprendizaje por refuerzo en línea y fuera de línea. Implementan un sistema prototipo sobre red definida por software y contenedores de virtualización y reportan experimentos sobre la tasa de captura en topologías simples y complejas.
NetworkHoneypotMoving target defense
Paper2021
Material revisado: AbstractLos autores presentan un honeypot de bajo costo capaz de bloquear comandos o responder con insultos a los atacantes, modelando la interacción atacante-defensor como un juego bayesiano de dos jugadores. Según el resumen, desplegaron tres instancias del honeypot y capturaron más de 200 sesiones para un análisis cualitativo del comportamiento post-explotación.
NetworkHoneypotAdversary engagement
Paper2021
Material revisado: AbstractEste trabajo presenta, según sus autores, un método basado en técnicas de aprendizaje automático para la configuración, despliegue y mantenimiento dinámico de honeypots en redes. El enfoque identifica y agrupa máquinas y dispositivos en la red para desplegar honeypots de forma inteligente, reduciendo la necesidad de configuración manual.
NetworkHoneypot
Paper2021
Material revisado: AbstractLos autores proponen un honeypot de aplicación web de baja interacción, adaptativo y dinámico que imita vulnerabilidades mediante eventos HTTP, utilizando las herramientas SNARE y TANNER para generar la superficie de ataque y analizar/clasificar las solicitudes recibidas, según se describe en el resumen.
ApplicationHoneypot
Paper2021
Material revisado: AbstractLos autores proponen un marco de engaño defensivo para la nube basada en contenedores, con el objetivo de revelar a atacantes sigilosos mediante información presentada de forma intencionadamente falsificada. El enfoque formaliza un System Risk Graph (SRG) como modelo adversario actualizable, entrena un modelo de aprendizaje por refuerzo profundo (DRL) sobre el SRG para que el agente genere estrategias de colocación de señuelos y rutas engañosas, y define un coeficiente de engaño para evaluar la estrategia de colocación.
CloudDecoyAdversary engagement
Paper2021
Material revisado: Texto completoMecanismo de autenticación de dos factores que combina códigos señuelo y Google Authenticator.
IdentityHoneytoken
Paper2021
Material revisado: Texto completoArtículo de visión sobre generación automatizada de artefactos de engaño realistas mediante aprendizaje automático.
NetworkIdentityDecoy
Paper2021
Material revisado: AbstractEste trabajo, según sus autores, estudia la decepción de doble vía en ciberseguridad, manipulando tanto las configuraciones observables de honeypots como de máquinas reales. Mediante un experimento con una red de 40 máquinas (20 honeypots) y un testbed experimental, los autores comparan tres condiciones de ocultación de características frente a atacantes humanos.
NetworkHoneypotDecoy
Paper2021
Material revisado: Página públicaEl resumen del preprint vinculado describe DARLH, un sistema de honeypot que emplea agentes IDS basados en aprendizaje por refuerzo profundo y en redes neuronales recurrentes profundas para detectar ataques DoS en tiempo de ejecución internos y externos. Su propósito es dotar al honeypot de detección dinámica de intrusiones y validación de eventos para monitorizar ataques DoS.
NetworkHoneypotDecoy
Paper2021
Material revisado: Texto completoRegistro bibliográfico sobre design thinking para cyberdeception. El resumen y los resultados aún requieren lectura.
NetworkDecoy
Paper2021
Material revisado: AbstractEl artículo describe el uso de agentes honeypot que generan paquetes Route Request (RREQ) para atraer y capturar atacantes de agujero negro en redes móviles ad hoc (MANET), junto con una técnica de aprendizaje profundo basada en memoria de corto y largo plazo (LSTM). Los autores evalúan el esquema propuesto, denominado HPAS-LSTM, mediante simulaciones en ns-2 y comparan sus resultados con otros métodos de detección de agujero negro en términos de rendimiento, pérdida de paquetes, tasa de entrega de paquetes y retardo total de red.
NetworkHoneypot
Paper2021
Material revisado: AbstractEl trabajo aborda la selección y clasificación de honeypots (señuelos virtuales) según su eficacia, empleando características como la instalación, la configuración, el uso, el soporte, la recogida de datos, el registro, la simulación y la interacción. Los autores describen un método que forma conjuntos de honeypots, subconjuntos de características y valores identificadores de estimaciones lingüísticas, matrices de frecuencia base y derivadas, y términos difusos y números difusos de referencia con su visualización, con el fin de construir estándares lingüísticos para la evaluación multicriterio.
NetworkHoneypot
Paper2021
Material revisado: AbstractLos autores proponen OFULinMat, un algoritmo de aprendizaje episódico para juegos repetidos de suma cero con matrices de pago desconocidas y variables en el tiempo, usando un conjunto de modelos de juego como información previa. El algoritmo logra un límite sublineal de arrepentimiento de punto de silla. Como caso de estudio, utilizan un juego de asignación dinámica de honeypots para ilustrar y corroborar sus resultados teóricos.
NetworkHoneypot