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
Experiencia2026
Material revisado: Página públicaLectura críticaIBM X-Force y Deception.Pro registraron dos incidentes en organizaciones simuladas y observaron reconocimiento, despliegue de malware y exfiltración de documentos falsos.
EndpointOT/ICSDecoyAdversary engagement
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
Software abierto2026
Material revisado: Metadatos del repositorioRepositorio que documenta webDecoy Bot Detection — zero-config WordPress plugin for bot protection, spam prevention, and WooCommerce carding defense
ApplicationDecoy
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
Software abierto2025
Material revisado: Metadatos del repositorioAporte del editorFramework experimental que genera perfiles ficticios y actividad de usuarios para dar contexto a entornos señuelo; el repositorio documenta narrativas, perfiles e integración con modelos de lenguaje.
EndpointNetworkDecoyAdversary engagement
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
Software abierto2025
Material revisado: Metadatos del repositorioRepositorio sobre aplicaciones falsas para desviar atacantes; documentación y mantenimiento requieren revisión adicional.
ApplicationDecoy
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
Experiencia2025
Material revisado: Página públicaLectura críticaInforme institucional de pruebas de cyberdeception con organizaciones y proveedores del Reino Unido.
NetworkCloudHoneypotDecoy
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