Superficie de aplicación
Objetos, permisos y cargas señuelo distribuidos en servicios cloud e integraciones híbridas.
Pregunta de investigación
La definición y las consideraciones técnicas deben contrastarse con la fuente primaria. Las fichas del Atlas registran una selección de recursos etiquetados con este tema; una coincidencia de etiqueta no demuestra resultados operativos.
Cruce de tipos
Estas cifras representan fichas etiquetadas en el Atlas, no la cantidad mundial de trabajos u ofertas.
Biblioteca enlazada
Los 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.
El 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.
Presenta 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.
El 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.
Este 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.
Este 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.