Paper2025
Material revisado: AbstractSegún el resumen, los autores presentan un modelo descriptivo que incorpora factores psicológicos y estratégicos (creencia, escepticismo, fidelidad del engaño, reconocimiento y experiencia) para explicar la decisión inicial de un atacante de comprometerse o retirarse frente a técnicas de ciberengaño. Los autores indican que han diseñado experimentos con actividades tipo Capture the Flag y observaciones biométricas para evaluar el modelo, pero aclaran explícitamente que estos experimentos aún no se han realizado y no se presentan resultados experimentales en el artículo.
NetworkDecoyAdversary engagement
Paper2025
Material revisado: AbstractLos autores presentan un entorno simulado tipo Gym para el aprendizaje por refuerzo adversarial en seguridad de redes, en el que agentes atacantes y defensores entrenados con DQN compiten en un marco de recompensa de suma cero. El entorno modela ataques de fuerza bruta y defensas reactivas, incluyendo trampas tipo honeypot y limitación de tasa adaptativa, y los autores reportan que la observabilidad del defensor y la efectividad de las trampas crean barreras sustanciales frente a los ataques.
NetworkHoneypotAdversary engagement
Paper2025
Material revisado: AbstractLos autores presentan ADIRDS, un sistema de monitoreo en línea que modela el sistema real como un grafo y vigila activos críticos, desplegando honeypots realistas con contexto empresarial similar al sistema real para atrapar atacantes y recolectar evidencia cuando los registros son insuficientes. Según los autores, aplicaron el sistema a un caso real capturando 38 direcciones IP de atacantes únicas.
NetworkHoneypotDecoy
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
Paper2025
Material revisado: AbstractEste trabajo presenta una metodología impulsada por aprendizaje automático que combina principios de engaño cibernético críptico y mimético para proteger circuitos integrados frente a ataques de ingeniería inversa, utilizando un autoencoder variacional (AIG-VAE) y nuevas variantes de puertas encubiertas. Los autores informan que los experimentos muestran efectividad en mantener la funcionalidad mientras se logran altas puntuaciones de camuflaje y similitud.
EndpointDecoy
Paper2025
Material revisado: AbstractEl estudio compara métricas propuestas para atributos de archivos señuelo (honeyfiles) —Common Token Count y Topic Semantic Matching para el atractivo, y coherencia y cohesión para el realismo— con las percepciones de usuarios humanos que juzgaron muestras de texto en un escenario simulado de brecha de datos en una plataforma de crowdsourcing. Los autores informan que Topic Semantic Matching se alineó con el atractivo percibido, mientras que los resultados para Common Token Count fueron inconsistentes y no concluyentes, y la coherencia y la cohesión no se alinearon de forma consistente con el realismo percibido.
HoneytokenDecoy
Paper2025
Material revisado: AbstractEste trabajo estudia, mediante el simulador de ciberseguridad HackIT y un experimento con 88 estudiantes de informática, cómo el comportamiento de los atacantes varía según la topología de red (anillo frente a estrella) y la densidad de honeypots (50 % frente a 75 %). Los resultados indican que una mayor densidad de honeypots aumentó la interacción con señuelos, pero también los ataques a sistemas reales en redes de topología centralizada (estrella), mientras que las redes descentralizadas (anillo) resistieron mejor con menos honeypots.
NetworkHoneypotDecoy
Paper2025
Material revisado: AbstractEste trabajo, según sus autores, propone un paradigma de defensa llamado 'ataque como defensa' contra ataques de extracción de modelos. Introducen HoneypotNet, un método que reemplaza la capa de clasificación del modelo víctima por una capa trampa (honeypot) ajustada mediante optimización bi-nivel para envenenar la salida de cualquier modelo sustituto entrenado con ella, manteniendo el rendimiento original.
ApplicationHoneypotDecoy
Paper2025
Material revisado: AbstractLos autores presentan el Hybrid Cyber Deception System (HCDS), descrito como una herramienta proactiva desarrollada en Python que combina honeypots y honeytokens en modalidad adaptable para simular servicios realistas y redirigir a los atacantes en entornos instrumentados. El sistema integra un motor de correlación de alertas guiado por decepción, basado en Python, Pandas y Scikit-learn, junto con principios de Moving Target Defense para modular continuamente parámetros de red y distribución de señuelos, y fue probado en un entorno simulado con servidores Windows y Ubuntu para perfilar atacantes y detectar vectores de ataque complejos.
NetworkEndpointHoneypotHoneytoken
Paper2025
Material revisado: Página públicaLos autores describen un sistema web de reserva de aulas en el que implementan un campo oculto tipo honeypot en el formulario de reserva: invisible para personas, pero rellenable por bots, de modo que las solicitudes con ese campo completado se rechazan.
ApplicationDecoy
Paper2025
Material revisado: AbstractEste artículo presenta la implementación de un honeynet en el que un honeypot simula ser un recurso real dentro de un entorno de red de producción, con el objetivo de desviar y engañar a atacantes y analizar su comportamiento. Según los autores, el honeypot actúa como señuelo imitando tanto escáneres como atacantes dentro de un entorno simulado a nivel de producción.
NetworkHoneypotDecoy
Paper2025
Material revisado: AbstractLos autores presentan Koney, un operador de Kubernetes que orquesta la implementación de tecnología de engaño cibernético mediante documentos de política de engaño descritos como código. Utilizando tecnologías cloud-native como mallas de servicio y eBPF, el sistema agrega trampas a aplicaciones contenedorizadas sin acceso al código fuente, facilitando la configuración, rotación, monitoreo y eliminación de trampas, con énfasis en mantenibilidad, escalabilidad y simplicidad operativa.
CloudApplicationDecoyAdversary engagement
Paper2025
Material revisado: AbstractLos autores presentan LLMHoney, un honeypot SSH que utiliza modelos de lenguaje grandes (LLM) para generar respuestas de comandos dinámicas y realistas en tiempo real, combinando un sistema de archivos virtual basado en diccionario con LLMs para entradas novedosas. Según el resumen, evaluaron el sistema con 138 comandos Linux representativos y 13 variantes de LLM, reportando métricas de precisión, latencia y uso de memoria, además de discutir desafíos como alucinaciones ocasionales.
NetworkEndpointHoneypotDecoy
Paper2025
Material revisado: AbstractLos autores proponen un enfoque de fusión neuro-simbólica para el razonamiento cognitivo de amenazas en entornos de engaño cibernético. Combina redes neuronales profundas con razonamiento simbólico, usando grafos de conocimiento, lógica probabilística y aprendizaje por refuerzo para identificar, predecir y responder a adversarios y optimizar estrategias de engaño.
NetworkDecoyAdversary engagement
Paper2025
Material revisado: AbstractEl estudio integra un honeypot en una arquitectura SD-WAN para combinar gestión del tráfico y observación de amenazas. La propuesta desvía actividad anómala hacia un entorno señuelo que simula servicios vulnerables.
NetworkHoneypotDecoy
Paper2025
Material revisado: AbstractLos autores presentan ShadowKube, un marco de defensa activa para Kubernetes que combina el monitoreo de comportamiento con honeypots señuelo para detectar y neutralizar conductas anómalas. El enfoque establece líneas base de comportamiento para identificar desviaciones y convierte los nodos comprometidos en honeypots, con el propósito declarado de aislar y atrapar a los atacantes en ataques dirigidos a la orquestación de contenedores.
CloudApplicationHoneypotDecoy
Paper2025
Material revisado: AbstractEste estudio propone SPADE, un marco que utiliza modelos de IA generativa junto con ingeniería de prompts estructurada para automatizar la creación de estrategias adaptativas de engaño cibernético frente a malware dinámico. Según los autores, el marco aborda desafíos de los modelos de lenguaje grandes como salidas generalizadas, ambigüedad y escalabilidad, y fue evaluado en escenarios de malware diversos usando métricas como Recall, Exact Match, BLEU y evaluaciones de expertos, identificando a ChatGPT-4o como el de mejor desempeño.
EndpointNetworkAdversary engagementDecoy
Paper2025
Material revisado: AbstractSegún los autores, este estudio propone un marco basado en juegos de Stackelberg para diseñar el momento estratégico de aplicación de técnicas de engaño cibernético, con una capa táctica que modela la dinámica atacante-defensor mediante un juego de Markov con información unilateral, y una capa estratégica que optimiza el momento y selección de técnicas de engaño mediante un proceso de decisión de tiempo de parada. Los experimentos numéricos, según indican los autores, sugieren que el engaño cronometrado estratégicamente puede mejorar la utilidad esperada del defensor frente a estrategias base.
NetworkAdversary engagementDecoy
Paper2024
Material revisado: AbstractLos autores abordan la dificultad de que las implementaciones tradicionales de honeypots sean eludidas por atacantes avanzados como los grupos APT, y proponen diseñar y desplegar una red de honeypots personalizada basada en técnicas de camuflaje adaptativo. El trabajo describe la orquestación de una red de honeypots de comportamiento orientada a tres grupos APT, con rutas de ataque alineadas con sus tácticas, técnicas y procedimientos, e incluye una aplicación de chat camuflada desplegada durante 100 días; según el resumen depositado, el sistema registró 13.906.945 impactos de 4.238 direcciones IP únicas y permitió categorizar a los atacantes.
NetworkApplicationHoneypotDecoy
Paper2024
Material revisado: Página públicaEl paper propone una capa de honeypots para apoyar la seguridad de una red óptica con servicios de nube. Los señuelos simulan recursos vulnerables para atraer atacantes y observar su comportamiento.
NetworkHoneypotDecoy
Paper2024
Material revisado: Texto completoRegistro bibliográfico sobre deception en capa de aplicación. El resumen y los resultados aún requieren lectura.
ApplicationDecoy
Paper2024
Material revisado: AbstractEste trabajo aborda la generación automática de contenido para honeyfiles, documentos señuelo diseñados para detectar intrusos. Los autores se centran en la generación de gráficos realistas dentro de estos documentos, combinando un Transformer multitarea para generar títulos y texto de gráficos con un autoencoder especializado para generar los datos tabulares subyacentes. También proponen un nuevo conjunto de datos y una métrica (Keyword Semantic Matching) para evaluar la consistencia semántica del contenido generado.
EndpointHoneypotDecoy
Paper2024
Material revisado: AbstractEste artículo, según sus autores, propone un mecanismo de engaño cibernético que redirige de forma sigilosa comunicaciones TCP hacia un servidor honeypot generado bajo demanda que clona las características del activo víctima. El objetivo declarado es que el atacante enfoque sus acciones sobre el servidor señuelo, permitiendo recolectar inteligencia de amenazas mientras se protege el activo real.
NetworkHoneypotDecoy
Paper2024
Material revisado: AbstractLos autores abordan un escenario en el que un defensor de un sistema de control en red ha aislado a un intruso y lo dirige hacia un honeypot que emula el sistema real sin conexión a una planta física. Proponen una estrategia de involucramiento del adversario dentro de este entorno señuelo para incrementar el coste de procesamiento de información del atacante, falsificando lecturas de sensores basándose en inteligencia de amenazas cibernéticas. Comparan numéricamente los casos de inteligencia de amenazas perfecta e imperfecta.
OT/ICSNetworkHoneypotAdversary engagement