Paper2025
Material revisado: AbstractEste trabajo presenta, según los autores, la primera evaluación a gran escala en entorno real de un sistema de scambaiting basado en modelos de lenguaje grandes (LLM), diseñado como honeypot conversacional para interactuar con estafadores y extraer inteligencia de amenazas accionable, como cuentas mula bancarias. Durante cinco meses de despliegue, el sistema inició miles de interacciones, reportando una tasa de divulgación de información y un alto grado de alineación entre las respuestas generadas por el LLM y las preferencias de operadores humanos.
IdentityNetworkHoneypotAdversary engagement
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: 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: Texto completoLectura críticaRevisión que propone una taxonomía y compara líneas de investigación en cyberdeception, incluidas las que usan IA.
NetworkCloudAdversary engagement
Software abierto2024
Material revisado: Metadatos del repositorioAporte del editorFramework abierto para planificar operaciones de deception y desplegar señuelos y servicios mediante Python y Docker, según el repositorio y su documentación.
NetworkApplicationDecoyHoneypot
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
Paper2024
Material revisado: AbstractEste artículo propone un enfoque basado en aprendizaje por refuerzo (RL) para simular ataques de ransomware en un entorno que imita redes reales, con el fin de agilizar los ejercicios tradicionales de red teaming. Según los autores, los resultados experimentales en una red de ejemplo de 152 hosts muestran que el agente RL es capaz de descubrir y orquestar ataques hacia objetivos de alto valor mientras evade honeyfiles (archivos señuelo colocados para detectar accesos no autorizados).
NetworkEndpointDecoyAdversary engagement
Paper2024
Material revisado: AbstractEl trabajo presenta y evalúa Mirage, un sistema de experimentación en formas de emulación y simulación que permite implementar y probar engaños cibernéticos diseñados para contrarrestar adversarios que emplean capacidades de búsqueda y planificación basadas en inteligencia artificial. Los autores enmarcan el engaño cibernético como un posible mecanismo defensivo frente a futuros adversarios habilitados por IA.
NetworkDecoyAdversary engagement
Paper2024
Material revisado: AbstractEste trabajo busca desarrollar un sistema de misión de vigilancia con vehículos aéreos no tripulados (drones) cuando hay ataques de denegación de servicio (DoS) que interrumpen las operaciones. Los autores introducen el concepto de ciberengaño mediante drones señuelo (honey drones, HD) que exhiben vulnerabilidades falsas y emplean potencias de señal mayores para atraer ataques DoS, y formulan un problema de optimización de potencias de señal que resuelven con aprendizaje por refuerzo profundo (DRL) y el algoritmo Asynchronous Advantage Actor-Critic (A3C), evaluado en un banco de pruebas de simulación con motor físico.
HoneypotDecoy
Paper2024
Material revisado: AbstractAporte del editorPreprint de Pacheco y Staino que propone un proceso cíclico y minimalista de deception y presenta DOLOS-T como herramienta abierta para experimentarlo.
NetworkApplicationDecoyAdversary engagement
Paper2024
Material revisado: AbstractEste capítulo, según sus autores, examina el uso combinado de modelos de teoría de juegos y modelos fundacionales (FMs) para analizar, diseñar e implementar tácticas de engaño cibernético en los niveles táctico, operacional y estratégico. Propone el enfoque MANSCOL (aprendizaje conjetural neurosimbólico multiagente) para que el defensor prediga comportamientos adversarios y diseñe tácticas de engaño defensivo adaptativas. También discute los retos de aplicar FMs en ciberseguridad.
NetworkAdversary engagementDecoy
Paper2024
Material revisado: AbstractEste artículo presenta un sistema de prueba de concepto (POC) de engaño cibernético que genera dinámicamente material de decepción basado en el comportamiento observado del atacante durante un ataque simulado en tiempo real. El sistema analiza la interacción del atacante con el material para predecir su motivo, y los autores exploran la posibilidad de ampliarlo para inferir otras características del perfil del atacante, como rasgos psicológicos.
NetworkDecoyAdversary engagement
Paper2023
Material revisado: AbstractEste trabajo examina técnicas de mitigación del reconocimiento adversario, incluidas estrategias de engaño como los honeypots, y revisa la literatura sobre juegos de engaño desde la perspectiva del modelado del reconocimiento adversario. Los autores destacan aspectos del reconocimiento que, según indican, no han sido capturados adecuadamente en trabajos previos y presentan un modelo basado en teoría de probabilidad para la formación de creencias de los adversarios, ilustrado con ejemplos numéricos.
NetworkHoneypotAdversary engagement
Paper2023
Material revisado: AbstractLos autores proponen un marco que combina defensa de blanco móvil (MTD), engaño y control de acceso basado en atributos (ABAC) para dificultar el acceso no autorizado por parte de insiders. Introducen el concepto de atributos correlacionados en ABAC y generan políticas mutadas a partir de ellos. Según los autores, la evaluación muestra que el marco identifica atributos correlacionados y produce políticas mutadas adecuadas sin afectar la usabilidad del sistema.
IdentityApplicationMoving target defenseAdversary engagement
Paper2023
Material revisado: AbstractEste estudio examina cómo distintos costos de sondeo afectan la toma de decisiones de adversarios en un juego de engaño (deception game), usando un modelo IBLT con retroalimentación retardada para simular el comportamiento humano. Según los autores, el sondeo disminuyó levemente al aumentar su costo, mientras que la proporción de ataques se mantuvo relativamente estable. Los autores concluyen que los distintos costos de sondeo no afectan significativamente la proporción de ataques, pero sí tienen un impacto leve sobre la proporción de sondeos.
NetworkHoneypotAdversary engagement
Paper2023
Material revisado: AbstractEl trabajo describe el despliegue de un conjunto de detectores honeypot orientados a la investigación para analizar y evaluar el comportamiento de los atacantes. Los autores presentan un esquema de despliegue de honeypots containerizados en la nube que, según señalan, resultan portables, duraderos y sencillos de desplegar y administrar, y describen la monitorización instrumentada de la que obtuvieron datos para inferir la actividad y los propósitos de usuarios maliciosos.
CloudNetworkHoneypotDecoy
Paper2023
Material revisado: Metadatos editorialesRegistro bibliográfico sobre experiencias y opiniones de expertos. El resumen y los resultados aún requieren lectura.
NetworkAdversary engagement
Paper2023
Material revisado: AbstractLos autores proponen un marco de juego de señalización entre un defensor y un agente humano interno, utilizando teoría cuántica de la decisión para explotar sesgos cognitivos y combatir ataques internos. El defensor engaña al atacante induciéndolo a acceder a sensores señuelo mediante generadores que producen percepciones de señales clásicas. Según los autores, los resultados muestran que generadores diseñados estratégicamente pueden empeorar la capacidad del atacante para identificar señuelos en comparación con esquemas sin generadores.
IdentityDecoyAdversary engagement
Paper2023
Material revisado: AbstractEsta tesis presenta una solución de honeypot para investigar actividades maliciosas en el entorno heiCLOUD, mostrando según el autor un aumento significativo de ataques. Se propone un nuevo concepto para detectar fugas en el firewall en zonas de red restringidas, así como un método para la detección de honeypots a nivel de transporte desde la perspectiva del atacante. Además, se presenta un servidor OpenSSH personalizado como instancia intermediaria para mitigar estos esfuerzos.
CloudNetworkHoneypotAdversary engagement
Paper2023
Material revisado: AbstractLos autores proponen un marco de planificación para generar una estrategia defensiva que guíe de forma encubierta a un atacante hacia un estado trampa, formulando el problema como un MDP con descuento a horizonte infinito, cuya política óptima constituye la estrategia del defensor. Según el resumen, esta formulación resulta aplicable a sistemas como honeypots o honeynets, y los autores informan haber evaluado empíricamente los méritos de su propuesta.
NetworkHoneypotAdversary engagement
Paper2023
Material revisado: AbstractLos autores investigan el uso de ChatGPT para generar respuestas automáticas a correos de estafadores, con el objetivo de hacerles perder tiempo y recursos mediante comunicaciones pointless. Según el resumen, resultados preliminares muestran que ChatGPT puede engañar (decoy) a los estafadores.
ApplicationDecoyAdversary engagement