Superficie de aplicación

Redes y servicios

Señuelos para servicios, protocolos y activos de red, internos o expuestos.

Pregunta de investigación

¿Qué tráfico se considera inesperado y dónde se ubica el sensor?

Contexto y método

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

Este tema en distintas fuentes

Estas cifras representan fichas etiquetadas en el Atlas, no la cantidad mundial de trabajos u ofertas.

Biblioteca enlazada

Fichas asociadas

536 fichas etiquetadas
Paper2026

A 4-Month Dataset of Interactive SSH Honeypot Logs and Command Payloads [Preprint]

Material revisado: Página pública

Artículo 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

A Corpus of Real Scam- and Spam-Call Conversations from an Active Voice-Agent Honeypot

Material revisado: Abstract

Este 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

A trust-aware blockchain framework with deception-based edge nodes for secure and scalable IoT healthcare systems

Material revisado: Abstract

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.

IoTNetworkHoneypotDecoy
Paper2026

A Unified Game-Theoretic and Transformer-Learned Framework for Quantifying, Modeling, and Optimizing Cyber Deception

Material revisado: Abstract

El artículo propone un marco que combina teoría de juegos con componentes basados en transformers para cuantificar, modelar y optimizar el engaño cibernético. Los autores definen métricas de superficie de ataque engañosa y las integran en un juego de señalización, con el fin de orientar estrategias de decepción adaptativas.

NetworkDecoyMoving target defense
Paper2026

Adaptive Honeypot Allocation in Multi‑Attacker Networks via Bayesian Stackelberg Games

Material revisado: Abstract

Los 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

AdvancedShelLM: A Stateful Multi-Agent LLM Honeypot for SSH Deception

Material revisado: Abstract

Los 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