Qué sabemos
En los escenarios simulados, más señuelos redujeron el porcentaje de episodios ganados por el agente atacante y aumentaron los pasos hasta ganar.
Límites de la evidencia
El entorno es un grafo de laboratorio con función de recompensa predefinida. No se empleó un defensor autónomo ni se informan intervalos de incertidumbre o resultados de campo; las curvas no prueban eficacia en redes reales.
Se analizó: Texto completo.
Revisión de texto completo · 2026-10-02
Diseño y alcance
Simulación con CyberBattleSim ToyCTF, dos tipos de atacante y agentes DQN y Q-learning tabular; compara diferentes cantidades de nodos señuelo con una penalización explícita por conexión.
Hallazgo principal
En los escenarios simulados, más señuelos redujeron el porcentaje de episodios ganados por el agente atacante y aumentaron los pasos hasta ganar.
Límites de la evidencia
El entorno es un grafo de laboratorio con función de recompensa predefinida. No se empleó un defensor autónomo ni se informan intervalos de incertidumbre o resultados de campo; las curvas no prueban eficacia en redes reales.
Abrir texto completo examinado
Localizadores: PDF pp. 7–10, Sections 6.1–7, Figures 2–3
Se examinó el texto completo y se conservaron localizadores. Síntesis de un revisor, sin extracción independiente ni evaluación formal de calidad.
Fuentes y trazabilidad
- Cyber Deception Metrics For Interconnected Complex Systems
Texto completo · 2026-10-02 - Full text examined for Atlas review
Texto completo · 2026-10-02
Revisado: 2026-10-02. La ficha puede actualizarse cuando aparezca nueva evidencia.