Paper2026
Material revisado: AbstractLos autores proponen TAB-DEN, un marco para sistemas sanitarios de IoT que combina blockchain permisionada con consenso Prueba de Autoridad para autenticación descentralizada, una arquitectura jerárquica de servidores edge que calculan puntuaciones de confianza en tiempo real y desvían el tráfico según su fiabilidad, y nodos edge basados en engaño que actúan como entornos tipo honeypot para atraer, aislar y perfilar a los atacantes. El objetivo declarado es proporcionar seguridad escalable y resistente a ataques cuánticos, registrando los eventos de intrusión mediante un esquema de firma post-cuántico basado en retículos para que los registros de ataque resulten inmutables y verificables en el libro mayor distribuido.
IoTNetworkHoneypotDecoy
Paper2026
Material revisado: AbstractLos autores presentan un marco bayesiano de Stackelberg con múltiples atacantes para asignar honeypots en una red dirigida, modelando a cada atacante como seguidor con tipo latente y al defensor reoptimizando mediante un programa lineal entero mixto estilo DOBSS bajo creencias posteriores. Buscan escalar la defensa a grafos realistas mediante estructuras por capas y poda.
NetworkHoneypotDecoy
Paper2026
Material revisado: AbstractLos autores presentan AdvancedShelLM, un honeypot SSH basado en LLM que utiliza una arquitectura multiagente (Manager y Worker) para mejorar la comprensión de comandos y la capacidad de engaño respecto a su predecesor shelLM. Según el resumen, el sistema fue evaluado mediante pruebas unitarias, un atacante de IA, atacantes humanos y un despliegue en Internet.
NetworkEndpointHoneypotDecoy
Paper2026
Material revisado: AbstractEl trabajo propone AEGIS-AI, un marco que combina honeypots con aprendizaje por refuerzo y redes neuronales profundas para automatizar el engaño y la detección de actividad maliciosa. Los autores describen estrategias de decepción adaptables en tiempo real mediante procesos de decisión de Markov y aprendizaje federado, y presentan fórmulas para evaluar la efectividad del engaño.
NetworkHoneypotAdversary engagement
Paper2026
Material revisado: AbstractLos autores proponen un framework de honeypot dinámico que combina un agente de decepción con aprendizaje por refuerzo (Q-learning tabular, formalizado como MDP), fusión de inteligencia de amenazas mediante indicadores de compromiso y acciones automatizadas de contención. Su propósito es adaptar la persona expuesta del honeypot y guiar las decisiones de decepción, evaluándose en un testbed virtualizado aislado.
NetworkCloudHoneypotAdversary engagement
Paper2026
Material revisado: AbstractEste estudio examina cómo los efectos de anclaje influyen en las decisiones de los atacantes en escenarios de ciberataque, mediante dos experimentos. El primero compara métodos de medición del anclaje en tareas de Crontab y nombres de host; el segundo integra disparadores de sesgo en una cadena de ataque de extremo a extremo.
NetworkEndpointDecoyAdversary engagement
Paper2026
Material revisado: AbstractEl artículo analiza el uso de tecnologías de Cyber Deception (engaño cibernético) para el estudio de amenazas actuales y el comportamiento de posibles atacantes, y sostiene la utilidad de los sistemas honeypot para recopilar información sobre intentos de acceso no autorizado y técnicas de ciberataque. Sus autores proponen una arquitectura de laboratorio basada en infraestructura virtual con el sistema honeypot Cowrie, orientada a la recolección automatizada de registros de eventos y la monitorización continua de intentos de acceso, procesos de autenticación, comandos ejecutados y análisis posterior de la actividad de los atacantes.
NetworkEndpointHoneypotDecoy
Experiencia2026
Material revisado: Página públicaLectura críticaProofpoint observó durante más de un mes acciones posteriores a la intrusión en un entorno señuelo operado con Deception.Pro; estudio de conducta adversaria, no prueba de eficacia comercial.
EndpointNetworkDecoyAdversary engagement
Paper2026
Material revisado: AbstractEl artículo presenta Co-ADAM, un marco de defensa que formula el engaño cibernético en el Industrial Internet of Things (IIoT) como un proceso de decisión de Markov con restricciones que incorpora un juego de señalización, con el objetivo de modelar conjuntamente el nivel de inversión en engaño y un adversario co-evolutivo que acumula escepticismo. Los autores describen el entrenamiento de un defensor basado en una red Q profunda (DQN) frente a un conjunto de atacantes adaptativos con restricciones de presupuesto y dinámicas de escepticismo, y reportan evaluación sobre varios conjuntos de datos IIoT y un banco de pruebas físico.
IoTOT/ICSHoneypotDecoy
Paper2026
Material revisado: Página públicaLos autores describen la instalación y configuración de Cowrie en Linux como un honeypot de SSH y Telnet que registra intentos de inicio de sesión, credenciales y comandos de atacantes en archivos de log.
NetworkHoneypotAdversary engagement
Paper2026
Material revisado: AbstractLos autores proponen el uso de drones señuelo (honey drones) como estrategia de engaño para defender sistemas de misión de vehículos aéreos no tripulados (UAV) contra ataques de denegación de servicio. Formulan un problema de optimización entre atacante y defensor basado en la fuerza de señal de radio y presentan un enfoque llamado HT-DRL, que combina teoría de hiperjuegos con aprendizaje por refuerzo profundo para identificar estrategias de engaño óptimas.
IoTNetworkDecoyAdversary engagement
Paper2026
Material revisado: AbstractLos autores examinan la suposición de que los señuelos pueden situarse en cualquier punto donde exista comportamiento del atacante, aplicando una rúbrica de cuatro criterios a las 250 técnicas de MITRE ATT&CK v18.1. Concluyen que solo el 32% de las técnicas admiten un señuelo plausible y describen dos patrones de colocación denominados Sweep y Seek, ofreciendo una regla simple para el despliegue de señuelos.
NetworkEndpointDecoyAdversary engagement
Paper2026
Material revisado: AbstractEl trabajo propone DecoyShield, un marco de ciberseguridad basado en engaño para detección proactiva. Emplea entornos de honeypots multiservicio que simulan servicios de red, capturan comportamiento del atacante e integran análisis conductual, inteligencia de amenazas y puntuación dinámica de riesgo para clasificar severidad y desplegar respuestas adaptativas.
NetworkHoneypotDecoy
Paper2026
Material revisado: AbstractEste artículo presenta DecoyTrace, una defensa basada en engaño cibernético proactivo diseñada para entornos de aprendizaje federado descentralizado (DFL) sin servidor. Según los autores, el sistema despliega un DecoyNode móvil que genera desafíos señuelo mediante mapas caóticos, difunde un modelo dual (limpio vs. señuelo) basado en confianza entre pares, y evalúa el comportamiento con métricas semánticas de tres estados para identificar y contener fuentes maliciosas. Los autores reportan evaluaciones en la plataforma NEBULA con múltiples configuraciones, conjuntos de datos y topologías.
NetworkApplicationDecoyAdversary engagement
Paper2026
Material revisado: AbstractEste informe aborda el reto de detectar agentes de ciberataque basados en IA, proponiendo un marco estratégico de 'detección en profundidad'. Según los autores, se presentan cinco mecanismos de detección, incluyendo identificadores de agentes y honeypots de agentes, destinados a apoyar a responsables políticos e industria frente a esta amenaza emergente.
NetworkCloudHoneypotAdversary engagement
Paper2026
Material revisado: AbstractLos autores proponen un marco antifrágil que emplea engaño cibernético con señuelos adaptativos y movimientos dinámicos de red para generar señales adversarias, inferir perfiles de actores de amenaza y apoyar decisiones proactivas. Una ontología de inteligencia de amenazas y un grafo de conocimiento con atributos semánticos representan relaciones tácticas y estratégicas entre atacantes y objetivos.
NetworkDecoyAdversary engagement
Paper2026
Material revisado: AbstractEl estudio investiga si los "bias triggers" (disparadores de sesgo) diseñados psicológicamente pueden explotar el procesamiento heurístico tipo I de atacantes humanos para degradar su desempeño. Los autores emplean un rango cibernético de alta fidelidad donde participantes realizan penetración de red con y sin estos disparadores, y analizan telemetría operativa.
NetworkDecoyAdversary engagement
Paper2026
Material revisado: AbstractEste artículo presenta LDT-FRL, un marco de defensa que combina codificadores de atención temporal, gemelos digitales ligeros y un agente de aprendizaje por refuerzo federado (PPO) que puede redirigir tráfico sospechoso hacia honeypots en entornos de IoMT (Internet de las Cosas Médicas). Según los autores, el sistema fue evaluado en benchmarks públicos de tráfico de red, obteniendo altas métricas de clasificación y explicabilidad mediante técnicas como SHAP y Grad-CAM.
IoTNetworkHoneypotAdversary engagement
Paper2026
Material revisado: AbstractEste artículo propone GroupGuard, un marco de defensa sin entrenamiento contra ataques colusorios grupales en sistemas multi-agente basados en modelos de lenguaje grande. El enfoque combina monitoreo continuo basado en grafos, inducción activa mediante honeypots y poda estructural para identificar y aislar agentes colusorios. Los autores reportan alta precisión de detección en experimentos con cinco conjuntos de datos y cuatro topologías.
ApplicationHoneypotAdversary engagement
Paper2026
Material revisado: AbstractEl resumen describe Honey Shield, un paradigma de ciberseguridad basado en engaño para sistemas de autenticación web. Propone una interfaz centralizada de servicios de defensa, como redirección a honeypot y protección contra inyección SQL, que redirige al usuario malicioso a un sistema señuelo y registra los incidentes para su análisis posterior.
ApplicationIdentityHoneypotDecoy
Paper2026
Material revisado: AbstractEl trabajo presenta HoneyPrompt, una arquitectura de fusión multisensor para detectar y clasificar agentes de IA autónomos que interactúan con sistemas de control industrial. Los autores despliegan un honeypot SCADA marítimo que simula una pasarela de monitoreo de oleoductos en seis protocolos y lo instrumentan con una inyección de prompts graduada como matriz de sensores.
OT/ICSNetworkHoneypotHoneytoken
Paper2026
Material revisado: AbstractEste artículo adapta el instrumento Honeyquest para evaluar de forma automatizada el juicio de atacantes basados en LLM frente a técnicas de engaño cibernético. Según los autores, un conjunto de 21 modelos de distintos proveedores fue comparado con una línea base humana en tareas de reconocimiento, encontrando que los LLM caen en trampas con mayor frecuencia que los humanos y muestran una brecha entre reconocer el engaño en su razonamiento y actuar en consecuencia. Los autores concluyen que las hipótesis de engaño centradas en humanos no se transfieren de forma fiable a atacantes de IA.
NetworkHoneypotDecoy
Paper2026
Material revisado: AbstractSegún los autores, HoneyTrap es un marco de defensa engañosa para modelos de lenguaje grandes (LLM) que utiliza cuatro agentes defensores colaborativos para contrarrestar ataques de jailbreak de múltiples turnos, dirigiendo a los atacantes hacia trampas tipo honeypot. Los autores introducen también un conjunto de datos de jailbreak progresivo multi-turno (MTJ-Pro) y dos métricas nuevas para evaluar la defensa engañosa. Reportan reducciones en la tasa de éxito de ataques en varios modelos comerciales y de código abierto.
ApplicationHoneypotAdversary engagement
Paper2026
Material revisado: AbstractEste trabajo presenta Honeyval, un marco de evaluación para honeypots HTTP impulsados por modelos de lenguaje grandes (LLM). Según los autores, el marco utiliza agentes de IA como atacantes y aplicaciones backend diversas para evaluar de forma reproducible el rendimiento y la detectabilidad de estos honeypots frente a métodos de evaluación previos limitados.
NetworkApplicationHoneypotDecoy