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: AbstractEl trabajo describe un sistema de detección de intrusiones basado en aprendizaje automático, complementado con la integración del honeypot Cowrie para capturar datos de comportamiento de atacantes y así mejorar la detección de indicadores de compromiso y patrones de ataque. Los autores presentan una arquitectura multi-VM aislada, modelos supervisados y no supervisados (Random Forest, Logistic Regression, Isolation Forest), una API en Flask para clasificación en tiempo real y cuadros de mando en Kibana y Power BI, con el propósito de detectar tanto amenazas conocidas como desconocidas.
NetworkHoneypot
Paper2025
Material revisado: AbstractLos autores proponen ADLAH, una arquitectura conceptual de honeynet adaptativo que emplea aprendizaje por refuerzo para decidir en tiempo real cuándo escalar sesiones desde sensores de baja interacción hacia honeypots de alta interacción provisionados dinámicamente. Se describe como un prototipo del mecanismo central de decisión, sin validación a escala real debido a la falta de datos en vivo suficientes.
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: Página públicaEl artículo estudia archivos cargados por atacantes en un honeypot en la nube y los utiliza para comparar la detección basada en firmas de programas antivirus.
CloudHoneypot
Paper2025
Material revisado: AbstractEl estudio analiza patrones y tácticas de actores maliciosos mediante una versión modificada de T-Pot Honeypot, con múltiples honeypots en contenedores Docker que emulan servicios vulnerables. Busca recopilar y analizar intentos de explotación, evasión y credenciales para caracterizar amenazas y ajustar la ciberdefensa.
NetworkHoneypot
Paper2025
Material revisado: AbstractSegún los autores, este artículo propone un marco de juego cibernético bi-nivel para diseñar mecanismos de engaño defensivo que exploten las vulnerabilidades cognitivas de atacantes persistentes avanzados (APT). El enfoque combina un diseño estratégico de defensas de decepción con acciones tácticas y operativas, y los autores reportan mejoras numéricas en las recompensas totales del defensor mediante el despliegue oportuno de técnicas de engaño.
NetworkAdversary engagement
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: AbstractEl trabajo aborda la clasificación de vulnerabilidades CVE según cuáles se explotan con más frecuencia, usando datos recogidos de un honeypot T-pot. Los autores describen un plan de recopilación y análisis con Elasticsearch, Kibana y Suricata, orientado a identificar vulnerabilidades atractivas para actores maliciosos y su riesgo para la Universidad Politécnica Estatal del Carchi.
NetworkHoneypot
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: AbstractSegún los autores, este trabajo propone el diseño e implementación de un honeypot basado en modelos de lenguaje grandes (LLM) que simula un servidor LDAP, protocolo crítico para la gestión de identidad y acceso en organizaciones. La solución busca ofrecer una herramienta flexible y realista capaz de interactuar de forma convincente con atacantes, contribuyendo a la detección temprana y al análisis de amenazas.
IdentityNetworkHoneypot
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: AbstractSegún los autores, este trabajo presenta EtherBee, un conjunto de datos global que integra métricas de nodos Ethereum, metadatos de tráfico de red y registros de interacción con honeypots, recolectados desde diez puntos geográficos durante tres meses. El objetivo declarado es correlacionar datos de nodos con sesiones de red y eventos de seguridad para estudiar actividad benigna y maliciosa, estabilidad de nodos y amenazas a nivel de red, además de analizar cómo ciertas optimizaciones de clientes pueden concentrar geográficamente la red.
NetworkHoneypot
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: Página públicaEl estudio evalúa LLMs para tareas de ciberseguridad, incluida la generación de honeypots, combinando preguntas de conocimiento con una evaluación automatizada de artefactos de seguridad.
NetworkHoneypot
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: Texto completoRegistro bibliográfico sobre integración de honeypots en IIoT. El resumen y los resultados aún requieren lectura.
OT/ICSHoneypot
Paper2025
Material revisado: AbstractLos autores proponen HoneyFL, una defensa en tiempo de ejecución contra diversos ataques de puerta trasera en aprendizaje federado que emplea clientes señuelo (honeypot) y predicción diferencial para manejar ataques adaptativos. El trabajo informa experimentos comparativos frente a cinco defensas de referencia, con tasas de detección y falsos positivos reportadas por los autores y un impacto descrito como insignificante en la agregación de la tarea principal.
Honeypot
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: Página públicaPropuesta que describe la incorporación de una honeynet CamouflageNet y técnicas de aprendizaje automático en la arquitectura SCADA de un sistema ICS, con el fin de mejorar la defensa y la capacidad de obtener información sobre los atacantes.
OT/ICSHoneypot
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