Paper2022
Material revisado: Texto completoEn los escenarios simulados, más señuelos redujeron el porcentaje de episodios ganados por el agente atacante y aumentaron los pasos hasta ganar.
NetworkAdversary engagement
Paper2022
Material revisado: AbstractEste trabajo, según el resumen de los autores, analiza mediante juegos de ataque-defensa la conveniencia de disfrazar servidores normales como honeypots. Compara tres escenarios con distintos niveles de técnicas de engaño y concluye, según los autores, que disfrazar servidores reales no siempre mejora la recompensa del defensor y puede incrementar el costo de mantener nodos normales.
NetworkHoneypotDecoy
Paper2022
Material revisado: AbstractEste estudio examina cómo la proporción de honeypots desplegados en una red influye en las decisiones de un adversario, empleando un juego de engaño con dos etapas consecutivas: sondeo y ataque. Los participantes fueron asignados aleatoriamente a condiciones con proporciones pequeña, media o grande de honeypots, y los autores describen que al aumentar dicha proporción las acciones dirigidas a honeypots y de no ataque aumentaron notablemente.
NetworkHoneypotAdversary engagement
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 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: 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: AbstractSegún el resumen, los autores proponen un marco de hiperjuego entre un atacante y un defensor en el que cada uno puede interpretar la situación de forma distinta según creencias asimétricas, aplicándolo a amenazas persistentes avanzadas (APT) a lo largo de la cadena de ataque. El trabajo evalúa mediante simulaciones cómo las estrategias de engaño defensivo pueden manipular las creencias del atacante.
NetworkAdversary engagementDecoy
Paper2021
Material revisado: Metadatos editorialesRegistro bibliográfico sobre modelos de teoría de juegos para deception. El resumen y los resultados aún requieren lectura.
NetworkAdversary engagement
Paper2021
Material revisado: AbstractEste artículo es una encuesta que examina enfoques de engaño defensivo (defensive deception) basados en teoría de juegos y aprendizaje automático dentro de la investigación en ciberdefensa. Según los autores, se analizan los componentes clave, principios subyacentes y compensaciones de distintos enfoques en diversos escenarios de problemas. El trabajo recopila hallazgos, lecciones y limitaciones de investigaciones previas y propone direcciones futuras para abordar vacíos existentes.
NetworkAdversary engagementDecoy
Paper2021
Material revisado: AbstractEste artículo discute métodos para mejorar el realismo y la validez ecológica de la inteligencia artificial usada en defensa cibernética autónoma, explorando el uso de Aprendizaje por Refuerzo Inverso (IRL) para comprender las acciones y utilidades de los atacantes que podrían ser frustradas mediante engaño cibernético. Según los autores, el estudio Tularosa proporciona datos experimentales de técnicas y herramientas reales utilizadas por atacantes, que pueden informar sistemas de defensa autónomos.
Adversary engagement
Paper2021
Material revisado: AbstractSegún los autores, este artículo propone un enfoque para generar actividad de usuario realista en sistemas de TI, combinando métodos deterministas y de aprendizaje profundo mediante un agente externo instrumentado en cada máquina. El objetivo es mejorar la credibilidad de plataformas de análisis de atacantes, como los honeynets, y facilitar la creación de escenarios coherentes.
NetworkEndpointHoneypotAdversary engagement
Paper2021
Material revisado: AbstractEste trabajo revisa la literatura sobre el uso de aprendizaje por refuerzo (RL) como arquitectura de retroalimentación para mecanismos de resiliencia cibernética. Los autores analizan la resiliencia frente a vulnerabilidades de postura, información y humanas, e introducen tres dominios de aplicación: defensa de objetivo móvil, engaño cibernético defensivo y tecnologías asistivas de seguridad humana. También examinan vulnerabilidades del propio RL ante ataques a recompensas, observaciones de estado y comandos de acción.
NetworkMoving target defenseAdversary engagement
Paper2021
Material revisado: AbstractEste trabajo examina cómo la generación de señuelos (decoys) puede ralentizar el proceso de decisión de agentes automatizados en escenarios de emulación de adversarios. Los autores muestran, según su estudio, que el grado de inhibición depende en gran medida del tipo de objetos señuelo utilizados, señalando la necesidad de evaluar explícitamente las estrategias de generación y colocación de señuelos frente a adversarios automatizados rápidos.
NetworkDecoyAdversary engagement
Paper2020
Material revisado: AbstractSegún los autores, este trabajo presenta un ataque que rompe parcialmente una defensa basada en 'honeypots' insertados en redes neuronales para detectar ataques adversariales. Reportan que redujeron la tasa de detección de verdaderos positivos al 0% y el AUC de detección a 0.02, manteniendo los límites originales de distorsión, y mencionan que los autores de la defensa original la modificaron posteriormente para mitigar el ataque.
ApplicationHoneypotAdversary engagement
Paper2020
Material revisado: AbstractLos autores proponen un enfoque de métodos formales para sintetizar estrategias de defensa reactiva en redes equipadas con sistemas señuelo. Generalizan los grafos de ataque para incorporar contramedidas del defensor en un modelo de juego ataque-defensa, e introducen una clase de hiperjuegos para modelar la información asimétrica creada por los decoys. Según los autores, este marco permite sintetizar estrategias de defensa efectivas basadas en la desinformación del atacante.
NetworkDecoyMoving target defense
Paper2020
Material revisado: AbstractEste trabajo, según sus autores, presenta un agente adaptativo que emplea decepción activa para reconocer la intención de un atacante cibernético, modelando el problema como un proceso de decisión secuencial de dos agentes mediante I-POMDPs factorizados. Los autores describen el uso de honeypots y decoys en múltiples fases del ataque para refinar las predicciones sobre el comportamiento del atacante, en lugar de solo retrasarlo o confundirlo.
NetworkEndpointHoneypotDecoy
Paper2020
Material revisado: AbstractEste artículo aborda la síntesis de estrategias de engaño activo en redes mediante juegos entre dos jugadores con información asimétrica y objetivos en lógica temporal, incorporando sistemas señuelo y honeypots de alta fidelidad. Los autores utilizan el marco de hipertjuegos de nivel 2 para modelar la percepción incompleta del atacante y evaluar si el defensor puede garantizar propiedades de seguridad.
NetworkDecoyHoneypot
Paper2019
Material revisado: AbstractEl artículo describe cómo la ciberdecepción puede modificar la percepción del atacante sobre el entorno de red y conducirlo a falsas creencias sobre qué sistemas contienen información crítica. Los autores proponen modelos de teoría de juegos y técnicas que combinan algoritmos de inteligencia artificial para estimar estados ocultos del atacante mediante retroalimentación a través de pagos, con el fin de aprender a defender el sistema usando ciberdecepción.
NetworkDecoyAdversary engagement
Paper2019
Material revisado: Metadatos editorialesRegistro bibliográfico sobre juegos de cyberdeception. El resumen y los resultados aún requieren lectura.
NetworkAdversary engagement
Paper2019
Material revisado: Metadatos editorialesRegistro bibliográfico sobre teoría de juegos aplicada a deception. El resumen y los resultados aún requieren lectura.
NetworkAdversary engagement
Paper2019
Material revisado: AbstractLos autores presentan una visión general de juegos de engaño cibernético en tres entornos distintos, extendiendo modelos base de juegos de señalización para incluir evidencia a través de conocimiento de canal lateral. Analizan el engaño en espacios de información binarios y continuos, y exploran un modelo bayesiano multietapa de información incompleta para el engaño defensivo frente a amenazas persistentes avanzadas (APT), usando el equilibrio bayesiano perfecto como concepto de solución.
NetworkAdversary engagementDecoy
Paper2019
Material revisado: AbstractEl artículo de Andrew Bushby describe el uso de tecnología de engaño como un mecanismo de defensa activa posterior a una brecha, orientado a atraer, detectar y defender contra malware e intrusos que se desplazan lateralmente dentro de la red. Señala que estos enfoques suelen acompañarse de conceptos erróneos y sostiene que las defensas deben ir más allá de la detección de actividad maliciosa dentro de un gran volumen de actividad legítima.
NetworkDecoyAdversary engagement
Paper2019
Material revisado: AbstractSegún los autores, este capítulo presenta tres esquemas de defensa proactiva frente a atacantes avanzados: engaño defensivo para detección y contra-engaño, defensa de objetivos móviles (MTD) guiada por retroalimentación, y compromiso adaptativo con honeypots. Los autores proponen esquemas de aprendizaje estratégico adaptados a distintos niveles de incertidumbre informativa para estas estrategias.
NetworkHoneypotMoving target defense
Paper2018
Material revisado: AbstractEste trabajo propone aplicar una estrategia de engaño cibernético en redes de área local inalámbricas, mediante señuelos que son honeypots, para detectar y caracterizar actividad maliciosa como el acceso point de gemelo malvado. Los autores describen además cómo la misma aproximación puede emplearse para recopilar información sobre la actividad del atacante y para detectar ataques de SSL stripping y DNS spoofing.
NetworkHoneypotDecoy