Paper2026
Material revisado: Página públicaArtículo que describe un conjunto de datos longitudinal de registros de un honeypot SSH de alta interacción, con intentos de conexión, fuerza bruta de autenticación y ejecución de comandos posteriores al acceso. Su propósito es servir como fuente de referencia para investigación empírica y desarrollo de detección de anomalías.
NetworkHoneypot
Paper2026
Material revisado: AbstractEste trabajo presenta un corpus de conversaciones reales de llamadas de estafa y spam recopiladas mediante un honeypot activo basado en un agente de voz conversacional. Según los autores, el sistema adopta una persona objetivo plausible para sostener interacciones con llamantes fraudulentos, registrando audio, transcripciones y etiquetas automáticas. El estudio describe el sistema de recolección, la estructura de los registros y una evaluación de la realismo y calidad de las etiquetas, además de comparar detectores de estafas entrenados con datos sintéticos frente a tráfico real.
NetworkIdentityHoneypotDecoy
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
Software abierto2026
Material revisado: Metadatos del repositorioRepositorio que documenta database security suite. Database proxy with field-level encryption, search through encrypted data, SQL injections prevention, intrusion detection, honeypots. Supports client-side and proxy-side ("transparent") encryption. SQL, NoSQL.
ApplicationHoneypot
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 analiza un corpus de 10,211 llamadas de spam y estafa recolectadas mediante un honeypot de agente de voz con IA que respondía a las llamadas y mantenía conversación con los llamantes. Los autores examinan patrones operativos de las estafas telefónicas, incluyendo horarios de operación, reutilización de guiones, tipos de información solicitada, y la influencia de la identidad simulada del objetivo en la conducta del estafador. También presentan un experimento de detección temprana basado en las primeras líneas de la llamada.
NetworkHoneypot
Paper2026
Material revisado: AbstractEl estudio compara, bajo condiciones homogéneas, el rendimiento técnico, el consumo de recursos y los costos operacionales de honeypots tradicionales frente a honeypots que incorporan aprendizaje automático para mejorar el realismo y dificultar el fingerprinting. Los autores desplegaron simultáneamente seis honeypots de código abierto (tres tradicionales y tres con aprendizaje automático) durante 60 días sobre infraestructura Hetzner Cloud y reportan diferencias en interacción útil, fingerprinting y retorno de inversión.
CloudHoneypot
Paper2026
Material revisado: Texto completoAporte del editorArtículo de Pacheco y Staino publicado en las memorias SACS 2026 que describe el diseño educativo reproducible de Cyber Deception Playground.
NetworkApplicationHoneypotDecoy
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
Paper2026
Material revisado: AbstractEste trabajo propone siete técnicas de detección de inyección de prompts que adaptan mecanismos de disciplinas externas a la seguridad de LLM, como lingüística forense, análisis de fatiga de materiales, tecnología de engaño (deception), alineamiento de secuencias de bioinformática, diseño de mecanismos, análisis espectral y seguimiento de contaminación (taint tracking). Según los autores, cuatro de las siete técnicas se implementaron en la herramienta prompt-shield v0.7.3, incluyendo definiciones de herramientas honeypot, y se evaluaron mediante ablaciones en nueve bancos de pruebas con aproximadamente 10.300 muestras.
ApplicationHoneypotDecoy
Paper2026
Material revisado: AbstractSegún los autores, Chameleon es una arquitectura de honeypot adaptativo que combina un clasificador BiLSTM, un modelo de lenguaje local y dos motores metaheurísticos (TC-PSO y S-RRT) para ajustar dinámicamente retrasos de conexión y esquemas de engaño según el nivel de amenaza detectado. Los autores reportan comparaciones de rendimiento frente a algoritmos estándar y señalan costos operativos reducidos frente a alternativas comerciales.
NetworkHoneypotDecoy
Paper2026
Material revisado: AbstractPresenta el diseño, implementación y evaluación de un sistema de monitoreo con honeypot desplegado en AWS, que emula servicios SSH, HTTP y HTTPS en instancias EC2 dentro de una nube privada virtual aislada. El sistema busca atraer, registrar y analizar interacciones maliciosas, usando un backend en Python con Flask y un panel React/D3.js para visualizar ataques.
CloudNetworkHoneypotDecoy
Paper2026
Material revisado: AbstractEl artículo describe el diseño de un marco de honeypot desplegado en la nube para apoyar la detección de amenazas y la respuesta a incidentes. Según los autores, integra servicios de Microsoft Azure para monitorear y analizar comportamientos maliciosos, con telemetría, inteligencia de amenazas y flujos automatizados.
CloudHoneypot
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 públicaEl capítulo analiza la ciberviolencia y los rasgos de los ciberagresores adolescentes y propone prevención integral que incluye familias, instituciones educativas y herramientas tecnológicas como las honeynets para analizar el comportamiento de los atacantes y mitigar el impacto.
Honeypot
Paper2026
Material revisado: Metadatos editorialesRegistro bibliográfico sobre honeypot con modelo ajustado a datos de Cowrie. El resumen y los resultados aún requieren lectura.
NetworkHoneypot
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
Dataset o laboratorio2026
Material revisado: Página públicaLectura críticaConjuntos JSONL de conversaciones de shell para entrenar y probar honeypots SSH basados en modelos de lenguaje, según Zenodo.
NetworkHoneypot
Software abierto2026
Material revisado: Metadatos del repositorioAporte del editorLaboratorio abierto con Docker Compose, servicios vulnerables, niveles configurables de engaño, monitoreo y un entorno atacante para formación e investigación controlada.
NetworkApplicationHoneypotDecoy
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 de datos presenta MURHCAD, un conjunto de datos de honeynet de alta resolución recolectado durante 72 horas en junio de 2025 sobre Microsoft Azure, utilizando tres honeypots (Cowrie, Dionaea y SentryPeer) desplegados en cuatro máquinas virtuales geográficamente dispersas. Según los autores, el conjunto incluye 132,425 eventos de ataque con metadatos enriquecidos (marcas temporales, IPs, geolocalización, puertos y protocolos) destinados a apoyar análisis de detección de anomalías, estudios de mal uso de protocolos e inteligencia de amenazas.
CloudNetworkHoneypot