Superficie de aplicación
Señuelos que representan dispositivos y protocolos conectados, con atención a su aislamiento y telemetría.
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 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.
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 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.
Los 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.
Este 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.
El artículo propone HIVE-O, un marco de honeypots descentralizado para ecosistemas IoT, con nodos ligeros y distribuidos que capturan, analizan y comparten inteligencia de ataques sin un único punto de control. Los autores describen la emulación de servicios y protocolos IoT y una evaluación experimental de intentos de reconocimiento, explotación y denegación de servicio.