Paper2026
Material revisado: AbstractLos autores analizan el comportamiento de los atacantes en once honeypots SSH que aceptaban sesiones interactivas y no interactivas durante quince días. Según el resumen, hallaron que la gran mayoría de las sesiones autenticadas fueron no interactivas, lo que cuestiona supuestos comunes en la investigación de engaño cibernético centrada en shells interactivos.
NetworkHoneypotDecoy
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 de posición propone que presentar contenido de historias de engaño puede influir en cómo atacantes humanos y agentes basados en modelos grandes de lenguaje (LLM) evalúan la autenticidad de funciones y efectos de engaño en una red o host. Los autores describen su modelo industrial HoneyContent para diseñar y crear contenido de historias de engaño que 'envuelva' o incruste funciones de engaño, integrando teoría de garantía (warranting) y teoría de señales (signaling), y visualizan su uso en un escenario industrial de engaño cibernético.
NetworkEndpointDecoy
Paper2026
Material revisado: AbstractEl resumen describe Honey Shield, un paradigma de ciberseguridad basado en engaño para sistemas de autenticación web. Propone una interfaz centralizada de servicios de defensa, como redirección a honeypot y protección contra inyección SQL, que redirige al usuario malicioso a un sistema señuelo y registra los incidentes para su análisis posterior.
ApplicationIdentityHoneypotDecoy
Paper2026
Material revisado: AbstractEste artículo adapta el instrumento Honeyquest para evaluar de forma automatizada el juicio de atacantes basados en LLM frente a técnicas de engaño cibernético. Según los autores, un conjunto de 21 modelos de distintos proveedores fue comparado con una línea base humana en tareas de reconocimiento, encontrando que los LLM caen en trampas con mayor frecuencia que los humanos y muestran una brecha entre reconocer el engaño en su razonamiento y actuar en consecuencia. Los autores concluyen que las hipótesis de engaño centradas en humanos no se transfieren de forma fiable a atacantes de IA.
NetworkHoneypotDecoy
Paper2026
Material revisado: AbstractLos autores presentan HoneyRoute, una capa de servicio de inferencia que detecta solicitudes maliciosas y las redirige a un modelo honeypot dedicado, protegiendo el modelo de producción mientras recopila información sobre el atacante. El sistema combina un router de streaming, un honeypot de doble implementación y un bucle de análisis que retroalimenta el entrenamiento del router.
ApplicationCloudHoneypotDecoy
Paper2026
Material revisado: AbstractSegún los autores, HoneyTrap es un marco de defensa engañosa para modelos de lenguaje grandes (LLM) que utiliza cuatro agentes defensores colaborativos para contrarrestar ataques de jailbreak de múltiples turnos, dirigiendo a los atacantes hacia trampas tipo honeypot. Los autores introducen también un conjunto de datos de jailbreak progresivo multi-turno (MTJ-Pro) y dos métricas nuevas para evaluar la defensa engañosa. Reportan reducciones en la tasa de éxito de ataques en varios modelos comerciales y de código abierto.
ApplicationHoneypotAdversary engagement
Paper2026
Material revisado: AbstractEste trabajo presenta Honeyval, un marco de evaluación para honeypots HTTP impulsados por modelos de lenguaje grandes (LLM). Según los autores, el marco utiliza agentes de IA como atacantes y aplicaciones backend diversas para evaluar de forma reproducible el rendimiento y la detectabilidad de estos honeypots frente a métodos de evaluación previos limitados.
NetworkApplicationHoneypotDecoy
Paper2026
Material revisado: AbstractEste trabajo presenta un estudio de servicios DICOM expuestos a Internet, combinando escaneo activo a escala IPv4 con despliegues pasivos de honeypots. Los autores proponen un método reproducible para filtrar falsos positivos generados por honeypots, telescopios de red y otros artefactos de medición, reduciendo la exposición aparente en un 39%. Tras el filtrado, identifican miles de despliegues vulnerables que carecen de cifrado y autenticación, y observan que las medidas de deception existentes son insuficientes para capturar los riesgos reales.
NetworkApplicationHoneypotDecoy
Paper2026
Material revisado: AbstractEl estudio implementa un modelo de seguridad basado en engaño (D-DSM) para un entorno de red de campus, con recursos señuelo gestionados mediante un mecanismo centralizado de engaño. El objetivo es desviar las actividades maliciosas de los activos críticos, ofrecer indicadores del comportamiento de ataque y complementar los controles de defensa en profundidad existentes mejorando la visibilidad de ataques avanzados y laterales y ayudando a reducir las alertas falsas.
NetworkDecoyAdversary engagement
Paper2026
Material revisado: AbstractLos autores proponen MemPot, un marco de defensa que inyecta honeypots optimizados en la memoria de agentes basados en modelos de lenguaje grande (LLM) para contrarrestar ataques de extracción. Mediante un proceso de optimización en dos etapas y un modelo basado en la prueba de razón de probabilidad secuencial de Wald, los autores afirman que el sistema mejora la detección frente a líneas base existentes, según sus experimentos.
ApplicationHoneypotDecoy
Paper2026
Material revisado: AbstractLos autores presentan Mirage Mesh, un marco ligero de engaño cibernético para entornos Linux que despliega decepción en profundidad mediante cuatro capas: un señuelo SSH basado en Cowrie, una cuenta administrativa señuelo a nivel de sistema, una interfaz web de administración falsa en Flask y un archivo de credenciales honeytoken. El trabajo propone un esquema común DecoyAlertEvent para normalizar las observaciones de estas capas, procesarlas mediante una canalización con Wazuh y orquestación en Python, mapearlas a etapas del cyber kill-chain y técnicas de MITRE ATT&CK, y evaluarlas con una métrica de efectividad de decepción (DEM).
NetworkEndpointHoneypotHoneytoken
Paper2026
Material revisado: AbstractEste trabajo revisa, según sus autores, soluciones basadas en IA para construir estrategias de engaño cibernético a nivel de red y dispositivo en entornos disputados. Se enfoca en la combinación de modelos de lenguaje de gran tamaño (LLMs) y aprendizaje por refuerzo (RL) para optimizar estas estrategias de engaño, incluyendo honeypots y honeynets, y examina su validación frente a ataques sigilosos contra sistemas de tecnología operativa (OT) reportados en la literatura.
NetworkOT/ICSHoneypotDecoy
Paper2026
Material revisado: AbstractLos autores presentan un marco de gestión de ciber-riesgo para sistemas digitales en red que combina teoría de juegos estratégicos con dinámicas de contagio. El estudio aborda la asignación óptima de recursos de ciberseguridad considerando valoraciones heterogéneas de nodos por atacantes y defensores, proponiendo medidas de riesgo basadas en rutas de contagio y analizando efectos de la ciberengaño mediante experimentos numéricos.
NetworkDecoy
Paper2026
Material revisado: AbstractEste artículo presenta Ollure, un honeypot de interacción baja y media que emula la API de Ollama sin un modelo de lenguaje real en el backend, según describen los autores. Desplegado en cuatro ubicaciones durante 84 días, registró cientos de miles de interacciones y miles de direcciones IP de origen. El estudio documenta actividad automatizada de descubrimiento y huellas digitales, además de intentos de explotación concretos contra la infraestructura y la capa del modelo de lenguaje.
NetworkApplicationHoneypotDecoy
Paper2026
Material revisado: AbstractEsta tesis propone modelos de teoría de juegos y optimización para el endurecimiento de grafos de ataque en Active Directory. Según los autores, se introduce un modelo de colocación de honeypots/decoys basado en minimizar rutas cortas y nodos alcanzables por Domain Admin, además de estrategias que consideran la naturaleza dinámica del grafo y modelos de priorización adaptativa con retroalimentación del administrador. Los autores señalan que los problemas subyacentes son computacionalmente intratables.
IdentityNetworkHoneypotDecoy
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: Texto completoAporte del editorPacheco y Staino presentan BUDA como propuesta para simular actividad de usuarios ficticios y reforzar la credibilidad de señuelos, alineada con MITRE Engage.
EndpointNetworkDecoyAdversary engagement
Paper2026
Material revisado: AbstractLos autores proponen un sistema de defensa cibernética proactiva que combina engaño, simulación de entorno adversario y aprendizaje por refuerzo profundo, con vectores de ataque generados mediante GAN para emular amenazas de día cero y polimórficas. El objetivo es entrenar políticas de defensa adaptativas al contexto que detecten comportamientos maliciosos, reorienten vectores de detección y activen trampas de engaño, evaluado con tráfico bueno y adversario en una red sintética de red eléctrica inteligente.
NetworkOT/ICSDecoyAdversary engagement
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: AbstractSegún los autores, este trabajo presenta SysEvolve, un sistema que integra tres componentes co-diseñados (SysField, SysSpear y SysArmor) para crear un bucle adversarial autodirigido entre agentes de ataque y defensa basados en LLM. Los autores describen la construcción de rangos cibernéticos multi-host realistas, generación de esquemas de ataque y defensa interpretable en tiempo real. También señalan que los endpoints señuelo desplegados en el rango afectan el comportamiento de los agentes LLM.
NetworkDecoyAdversary engagement
Paper2026
Material revisado: Metadatos editorialesRegistro bibliográfico sobre realismo y eficiencia de deception. El resumen y los resultados aún requieren lectura.
NetworkDecoy
Paper2026
Material revisado: AbstractLos autores presentan Trident, un marco de red teaming basado en LLM agénticos para evaluar la robustez de defensas de ciberseguridad basadas en aprendizaje por refuerzo profundo (DRL). El trabajo incluye un banco de pruebas dinámico, un conjunto de datos de interacciones rojo-azul y una arquitectura agéntica que genera estrategias de ataque y las traduce en políticas ejecutables contra defensores DRL. Según los autores, Trident reduce significativamente el desempeño defensivo y descubre comportamientos emergentes como la evitación de señuelos.
NetworkDecoyAdversary engagement