Honeyval: A Comprehensive Evaluation Framework for LLM-powered HTTP Honeypots
ETH Zurich(苏黎世联邦理工学院);Google(谷歌);Google DeepMind(谷歌DeepMind);AI Sequrity Company(AI安全公司);Independent(独立)
提出Honeyval评估框架,通过16个后端应用、AI攻击代理、控制任务和可验证利用目标,系统评估LLM驱动的HTTP蜜罐,发现其相比规则基线能显著延长攻击交互、降低被前沿模型检测率,且保持成本优势。
2026-11-10 cs.AI cs.CR cs.LG
Decoys in Cybersecurity: An Exploratory Study to Test the Effectiveness of 2-sided Deception
广泛使用的网络欺骗技术之一是诱骗,其中防御者创建虚拟机器(即,蜜罐)来引诱攻击者。部署蜜罐是为了吸引攻击者,但它们的有效性取决于它们的配置,因为这会影响攻击者是否会将它们判断为“真正的”机器。在这项工作中,我们研究双边欺骗,在那里我们操纵观察到的配置蜜罐和真实的机器。这个想法是通过让蜜罐“看起来像”真正的机器或让真正的机器“看起来像蜜罐”来改善网络防御。“我们识别真实机器和蜜罐的可修改功能,并在不同程度上隐藏这些功能。在实验中,我们研究了三种情况:蜜罐和真实机器上的默认功能,隐藏蜜罐,隐藏蜜罐和真实机器。我们使用一个有40台机器的网络,其中20台是蜜罐。我们操纵的机器的功能,并使用实验测试平台(HackIT),我们测试的有效性的诱骗策略对人类攻击者。结果表明:两种欺骗形式(隐藏蜜罐和隐藏蜜罐和真实机器)中的任何一种都比完全不欺骗要好。我们观察到,攻击者尝试更多的利用蜜罐和渗出更多的数据从蜜罐在两种形式的欺骗条件。然而,在欺骗条件下,对蜜罐和数据泄漏的攻击并没有什么不同。研究结果告诉网络安全防御者如何操纵蜜罐和真实机器的可观察特征,为攻击者创造不确定性并改善网络防御。
2021-08-25 cs.CR
AIIPot: Adaptive Intelligent-Interaction Honeypot for IoT Devices
University of Dschang(德昌大学);University of Southampton(南安普顿大学);Air Force Research Laboratory(空军研究实验室);Combat Capabilities Development Command Army Research Laboratory(作战能力发展司令部陆军研究实验室)
物联网(IoT)的普及引发了人们对联网设备安全性的担忧。有必要开发合适且具有成本效益的方法来识别物联网设备中的漏洞,以便在攻击者抓住机会破坏它们之前解决它们。欺骗技术是改善物联网系统安全状况的重要方法。蜜罐是一种流行的欺骗技术,它模仿真实的交互方式,鼓励未经授权的用户(攻击者)发动攻击。由于物联网设备的数量和异构性,手动制作低交互和高交互蜜罐是负担不起的。这迫使研究人员寻求创新的方法来为物联网设备构建蜜罐。在本文中,我们提出了一种用于物联网设备的蜜罐,该蜜罐使用机器学习技术来自动学习并与攻击者交互。对所提出的模型的评估表明,我们的系统可以提高与攻击者的会话长度,并捕获物联网网络上的更多攻击。
2023-03-22 cs.CR cs.LG math.OC
IoTFlowGenerator: Crafting Synthetic IoT Device Traffic Flows for Cyber Deception
Army Research Labs(陆军研究实验室)
针对现有物联网蜜罐因缺乏真实流量易被攻击者检测的问题,提出结合序列生成对抗学习与物联网领域知识的IoTFlowGenerator工具,经18款设备实验验证,其生成的合成流量比现有生成器更难被自适应攻击者识别。
2023-05-01 cs.CR cs.LG
ThingPot: an interactive Internet-of-Things honeypot
Mirai分布式拒绝服务(DDoS)攻击利用了物联网(IoT)设备的安全漏洞,从而清楚地表明攻击者已经将IoT置于其雷达上。因此,保护物联网势在必行,但为了做到这一点,了解此类攻击者的策略至关重要。为此,本文提出并部署了一种名为ThingPot的新型物联网蜜罐。蜜罐技术模仿可能被攻击者利用的设备,并记录其行为以检测和分析所使用的攻击向量。ThingPot是同类产品中的第一个,因为它不仅关注物联网应用协议本身,而且关注整个物联网平台。使用XMPP和REST API实现概念验证,以模仿Philips Hue智能照明系统。ThingPot已经部署了1.5个月,通过捕获的数据,我们发现了针对智能设备的五种类型的攻击和攻击向量。ThingPot的源代码是开源的。
2018-07-11 cs.CR cs.NI
AdvancedShelLM: A Stateful Multi-Agent LLM Honeypot for SSH Deception
Faculty of Electrical Engineering, Czech Technical University in Prague(布拉格捷克技术大学电气工程学院);School of Engineering, Universidad Nacional de Cuyo(门多萨国立大学工程学院)
提出AdvancedShelLM蜜罐,采用多智能体多LLM架构,通过Manager和Worker两个LLM代理提升命令理解、减少错误响应并增强欺骗性,实现永久文件系统以支持多攻击者同时观察变化文件,评估显示高通过率和有效欺骗。
2026-06-29 cs.CR
Honeypot Implementation in a Cloud Environment
本文提出一种云环境中的蜜罐方案,用于调查heiCLOUD中的恶意活动,并引入防火墙漏洞发现概念、传输层蜜罐检测方法及定制OpenSSH中介服务器以缓解攻击。
2024-07-17 cs.CR
Chatbots in a Honeypot World
PeopleTec
像ChatGPT这样的问答代理提供了一种新的工具,可用作网络安全中潜在的蜜罐接口。通过模仿Linux、Mac和Windows终端命令,并为TeamViewer、nmap和ping提供接口,可以创建一个动态环境,以适应攻击者的行为,并深入了解他们的战术、技术和程序(TTP)。本文阐述了十个不同的任务,一个会话代理或大语言模型可能会回答适当的命令行攻击的影响。最初的结果是对十个模型任务的可行性研究,这些任务是为了让防御团队以最小的风险模仿预期的蜜罐接口。最终,在取证活动之外的有用性源于动态蜜罐是否可以延长征服时间或以其他方式延迟攻击者的时间表,而不是到达关键网络资产,如数据库或机密信息。虽然可能需要持续的维护和监控,但ChatGPT检测和转移恶意活动的能力使其成为寻求增强网络安全态势的组织的宝贵选择。未来的工作将集中在网络安全层,包括周边安全,主机病毒检测和数据安全。
2023-01-10 cs.CR cs.CY cs.LG
Rouxii: Exploiting Honeypots with Deception-Aware AI Pentesters
Technical University of Denmark(丹麦技术大学)
本文提出Rouxii框架,使AI渗透测试者能识别并利用蜜罐,将识别率从19%提升至97%,并演示了反制蜜罐的拒绝服务与情报篡改攻击。
2026-09-23 cs.CR
LLM-Based Penetration Testing in the Presence of Honeypots
The Pennsylvania State University(宾夕法尼亚州立大学)
本研究系统研究蜜罐存在下LLM攻击智能体的预算分配问题,提出检测器引导策略,使攻击者能有效分配预算攻陷主机,并讨论了对未来自适应蜜罐设计的影响。
2026-09-09 cs.CR
A First Step Towards Understanding Real-world Attacks on IoT Devices
随着物联网(IoT)设备的快速增长,必须主动了解它们面临的现实网络安全威胁。本文描述了我们建立蜜罐生态系统的初步努力,作为收集和分析针对物联网设备的真实攻击数据的手段。蜜罐产生有用见解的主要条件是让攻击者相信他们是人类和组织使用的真实系统。物联网设备在这方面提出了独特的挑战,由于各种各样的设备类型和物理连接性的性质。因此,我们创建了一个多阶段的方法来构建蜜罐生态系统,研究人员可以通过观察现实世界中攻击者的行为来逐渐提高低交互蜜罐在模拟物联网设备方面的复杂性。我们在内部和云中部署了蜜罐,并提供了相关的分析和审查基础设施,以确保这些蜜罐无法被轻易识别,并且看起来像是真实的系统。通过这样做,我们能够吸引越来越复杂的攻击数据。我们提出了这个蜜罐生态系统的设计和我们对攻击数据的观察。我们的数据显示,现实世界的攻击者正在明确地攻击物联网设备,一些捕获的活动似乎涉及直接的人类交互(而不是脚本化的自动活动)。我们还为物联网摄像头构建了一个低交互的蜜罐,称为Honeycamera,它向攻击者呈现看似真实的视频。这是我们朝着建立一个更全面的蜜罐生态系统迈出的第一步,这将使研究人员能够具体了解攻击者在物联网设备上的目标,以便更积极地保护它们。
2020-03-02 cs.CR
HoneyCar: A Framework to Configure Honeypot Vulnerabilities on the Internet of Vehicles
University of Greenwich(格林威治大学);Johannes Kepler University Linz(林茨约翰内斯·开普勒大学);University of Surrey(萨里大学);Delft University of Technology(代尔夫特理工大学)
车联网(IoV)使互联的车辆在一个共同的网络上相互通信并与道路基础设施通信,具有良好的社会经济效益,但也带来了新的网络物理威胁。车辆攻击者的数据可以通过使用蜜罐等系统的网络威胁情报来实际收集。诚然,配置蜜罐引入了蜜罐-攻击者交互级别与任何实施和监控这些蜜罐所产生的开销和成本之间的权衡。我们认为,有效的欺骗可以通过战略性地配置蜜罐来代表车联网的组件,并吸引攻击者收集网络威胁情报。在本文中,我们提出了HoneyCar,一种新的决策支持框架,用于车联网中的蜜罐欺骗。HoneyCar建立在国家漏洞数据库(NVD)中常见漏洞和暴露(CVE)数据中发现的自动驾驶和联网车辆的已知漏洞库的基础上,以计算最佳蜜罐配置策略。通过采取博弈论的方法,我们建模的对抗性互动作为一个重复的信息零和博弈,其中的车联网网络管理员选择一组漏洞提供一个蜜罐和战略攻击者选择的车联网的漏洞利用不确定性。我们的调查是通过检查两个不同版本的游戏,有和没有重新配置的成本,使网络管理员,以确定最佳的蜜罐配置证实。我们在一个现实的用例中评估HoneyCar,以支持决策者确定用于车联网战略部署的最佳蜜罐配置策略。
2021-11-03 cs.AI cs.CR
Primer -- A Tool for Testing Honeypot Measures of Effectiveness
蜜罐是一种用于捕获恶意活动的欺骗性技术。该技术对于研究攻击者行为、工具和技术非常有用,但可能难以实现和维护。从历史上看,缺乏有效性的措施阻止了研究人员评估蜜罐的实施。其结果是无效的实现导致性能低下,对合法服务的模仿有缺陷,以及攻击者过早发现。在此之前,我们开发了一个分类的措施,在动态蜜罐实现的有效性。这些措施量化了动态蜜罐在对其环境进行指纹识别、从对手那里捕获有效数据、欺骗对手以及智能监控自身及其周围环境方面的有效性。作为开发自动化有效性测试的一步,这项工作介绍了一个工具,用于启动目标蜜罐进行评估。我们概述了该工具的设计,并提供定量校准数据的形式的结果。
2020-11-01 cs.CR
The Art of The Scam: Demystifying Honeypots in Ethereum Smart Contracts
现代区块链,如以太坊,可以执行所谓的智能合约-在分散的节点网络上执行的程序。随着智能合约变得越来越受欢迎并带来更多价值,它们成为攻击者更感兴趣的目标。在过去的几年里,一些智能合约被攻击者利用。然而,一种更积极主动的方法似乎正在兴起,攻击者不再搜索易受攻击的合同。相反,他们试图通过部署包含隐藏陷阱的看似脆弱的合同来引诱受害者进入陷阱。这种新型的合同通常被称为蜜罐。在本文中,我们通过调查蜜罐智能合约的流行程度、行为和对以太坊区块链的影响,首次对蜜罐智能合约进行了系统分析。我们开发了一个分类的蜜罐技术,并使用它来构建HoneyBadger -一个工具,采用符号执行和定义良好的算法来暴露蜜罐。我们对200多万份智能合约进行了大规模分析,结果表明,我们的工具不仅精度高,而且效率高。我们识别了690个蜜罐智能合约以及240个野生受害者,蜜罐创建者的累计利润超过90,000美元。我们的人工验证表明,87%的报告合同确实是蜜罐。
2019-05-29 cs.CR
Ghost Without Shell: Measuring Non-Interactive SSH Attacks on Honeypots
Czech Technical University in Prague(布拉格捷克技术大学)
通过部署11个SSH蜜罐15天,发现99.23%的认证会话是非交互式的,挑战了传统蜜罐依赖交互式shell的假设。
2026-06-29 cs.CR
Escape the Fake: Introducing Simulated Container-Escapes for Honeypots
在网络安全领域,蜜罐的概念在研究和生产中得到了很好的建立。蜜罐用于模仿网络上的合法目标,并在任何交互时发出警报。这不仅有助于了解漏洞,还可以让研究人员研究攻击者的技术。随着云计算的兴起,基于容器的虚拟化在应用程序部署中越来越流行。本文研究了基于容器的蜜罐的可能性,并介绍了模拟容器逃逸作为欺骗技术的概念。
2021-04-08 cs.CR cs.NI
HoneyIoT: Adaptive High-Interaction Honeypot for IoT Devices Through Reinforcement Learning
The Pennsylvania State University(宾夕法尼亚州立大学)
针对物联网设备异构性导致高交互蜜罐易被检测的问题,提出HoneyIoT,利用强化学习与差分分析生成高保真响应,有效绕过预攻击检查并诱导攻击者上传恶意软件。
2023-05-10 cs.AI cs.CR
Optimally Blending Honeypots into Production Networks: Hardness and Algorithms
本文首次系统研究将蜜罐融入生产网络的部署问题,将其形式化为组合优化问题,证明其 NP 困难性,并提出多项式时间近似方案,通过仿真分析攻击者能力对防御效用的影响。
2024-01-12 cs.CC cs.CR
Gotta catch 'em all: a Multistage Framework for honeypot fingerprinting
蜜罐是一种诱饵系统,通过向攻击者展示一个看似脆弱的系统来引诱他们。它们提供了一种早期检测机制,以及一种了解对手如何工作和思考的方法。然而,在过去的几年里,一些研究人员已经展示了对蜜罐进行指纹识别的方法。这大大降低了蜜罐的价值;如果攻击者能够识别出这样一个系统的存在,他们就可以逃避它。在本文中,我们通过提供一个整体框架来重新审视蜜罐识别领域,该框架包括最先进的技术和新颖的指纹组件。我们提出了一个严格的多步骤的方法来标记一个系统作为一个蜜罐,以减少误报的概率。我们执行了广泛的扫描,覆盖了IPv4空间的29亿个地址,并确定了总共21,855个蜜罐实例。此外,我们还提出了一些有趣的副作用,例如识别出超过354,431个代表潜在易受攻击的服务器的非蜜罐系统(例如,具有默认密码配置和易受攻击版本的SSH服务器)。最后,我们讨论了蜜罐指纹技术的对策。
2021-09-22 cs.CR
Secure (S)Hell: Introducing an SSH Deception Proxy Framework
在网络安全领域欺骗攻击者是一种成熟的方法,主要通过部署由开放网络端口组成的蜜罐来实现,其唯一目的是在连接上发出警报。随着攻击者越来越小心地避开蜜罐,真实主机系统上的其他诱饵元素继续为攻击者创造不确定性。这种不确定性使得攻击更加困难,因为攻击者无法确定系统是否包含欺骗性元素。因此,攻击者的每一个动作都可能导致发现。在本文中,提出了一个框架,通过SSH代理放置诱饵元素,允许部署诱饵元素的飞行,而无需修改受保护的主机系统。
2021-04-08 cs.CR cs.NI
Adaptive Honeypot Engagement through Reinforcement Learning of Semi-Markov Decision Processes
New York University(纽约大学)
蜜网是一种很有前途的主动网络防御机制。它通过引诱攻击者在受控和受监控的环境中进行对抗行为来揭示基本的妥协指标(IoC)。蜜网中的主动交互带来了高回报,但也引入了高实现成本和对抗性蜜网利用的风险。在这项工作中,我们采用无限时域半马尔可夫决策过程(SMDP)来描述一个随机的过渡和逗留时间的攻击者在蜜网和量化的回报风险权衡。特别是,我们设计的自适应长期参与政策是规避风险,具有成本效益和时间效率。数值结果表明,我们的自适应参与策略可以快速吸引攻击者到目标蜜罐,并与他们进行足够长的时间,以获得有价值的威胁信息。同时,穿透概率保持在较低水平。结果表明,期望效用对大范围的持久性和智能的攻击者是鲁棒的。最后,我们将强化学习应用到SMDP中,以解决建模的诅咒。在谨慎选择学习率和探索策略的情况下,实现了最优策略和最优值的快速鲁棒收敛。
2019-11-07 cs.AI cs.CR cs.GT
Towards Agentic Honeynet Configuration
本文提出基于AI的代理架构,动态调整蜜罐暴露以应对攻击,提高资源受限环境下的效率。
2026-03-14 cs.AI cs.CR
Evaluating Deception and Moving Target Defense with Network Attack Simulation
在网络安全领域,随着攻击者之间的持续军备竞赛,寻找新的漏洞来绕过防御机制,以及防御者加强其预防,检测和响应策略,网络欺骗的新概念已经出现。从著名的蜜罐例子开始,许多其他的欺骗策略已经被开发出来,如蜜罐和移动目标防御,所有这些都是为了给攻击者制造不确定性,增加攻击者犯错的机会。本文提出了一种评估网络中蜜罐和移动目标防御有效性的方法。这种方法允许在模拟环境中定量测量有效性,允许就部署多少个蜜罐以及网络地址必须以多快的速度突变以有效地破坏多个网络和攻击者配置中的攻击提出建议。通过这种优化,可以检测到攻击并以最小的资源和配置开销减缓攻击速度。利用所提供的方法,可以确定要部署的蜜罐的最佳数量和最佳网络地址突变间隔。此外,这项工作还提供了有关如何根据攻击者模型和多个网络参数优化部署和配置它们的指导。
2023-01-25 cs.CR
Lessons Learned from the deployment of a high-interaction honeypot
本文提出了一个实验研究和经验教训,从观察的攻击者登录时,受损的机器。结果是基于六个月的时间,在此期间,一个控制实验已经运行了高互动蜜罐。我们将我们的研究结果与全球分布的lowinteraction蜜罐系统所获得的结果相关联。
2007-04-06 cs.CR
Cyber Deception Reactive: TCP Stealth Redirection to On-Demand Honeypots
本文提出一种基于TCP隐蔽重定向的按需蜜罐欺骗机制,通过将攻击者无缝重定向至受害资产的克隆体来保护真实资产并收集威胁情报,实验证明其延迟低到难以被人类或机器察觉。
2024-02-20 cs.CR cs.NI cs.PF
A Qualitative Empirical Analysis of Human Post-Exploitation Behavior
蜜罐技术是网络安全领域中一种被广泛研究的防御措施。这项工作提出了一个有效的低成本的蜜罐,易于部署和维护。在这项工作中引入的蜜罐能够以非标准的方式处理命令,通过阻止它们或对攻击者进行侮辱来回复。为了确定最有效的防御策略,攻击者和防御者之间的相互作用被建模为贝叶斯两人博弈。为了进行实证分析,我们部署了三个蜜罐实例,每个实例的配置都略有不同。总共捕获了200多个不同的会话,从而可以对开发后的行为进行定性评估。调查结果显示,攻击者对侮辱和阻止命令的反应不同,从忽视到自己发送侮辱。这项工作的主要贡献在于拟议的框架,它为技术上更复杂和资源密集的办法提供了一种低成本的替代办法。
2021-01-06 cs.CR cs.GT
Catch Me if You Can: Effective Honeypot Placement in Dynamic AD Attack Graphs
University of Adelaide(阿德莱德大学)
本研究针对动态大型AD攻击图,提出基于混合整数规划和聚类的蜜罐部署策略(dyMIP(m)),在Stackelberg博弈框架下实现近似最优阻断,并证明其有效性。
2023-12-28 cs.AI cs.CR cs.DS
SBASH: a Framework for Designing and Evaluating RAG vs. Prompt-Tuned LLM Honeypots
University of California, Berkeley(加州大学伯克利分校)
提出SBASH框架,利用轻量级本地LLM和RAG技术构建蜜罐,通过多种指标评估RAG与提示调优对LLM蜜罐真实性和响应延迟的影响。
2025-10-24 cs.CL cs.CR cs.LG
LLM in the Shell: Generative Honeypots
Czech Technical University in Prague(布拉格捷克技术大学);CONICET, UNCuyo(CONICET、库约国立大学)
本研究提出基于LLM的动态软件蜜罐shelLM,通过生成逼真的Linux shell输出解决传统蜜罐易被区分的问题,实验表明其TNR达0.90,能有效欺骗人类攻击者。
2024-09-23 cs.AI cs.CL cs.CR
TwinPot: Digital Twin-assisted Honeypot for Cyber-Secure Smart Seaports
Istanbul Technical University(伊斯坦布尔理工大学);Edinburgh Napier University(爱丁堡龙比亚大学)
本文提出TwinPot数字孪生辅助蜜罐与智能攻击检测机制,结合MANSIM构建智慧海港攻击数据集,实现同时检测内部和外部攻击。
2023-10-25 cs.AI cs.CR cs.NI
Gotta Catch 'Em All: Using Honeypots to Catch Adversarial Attacks on Neural Networks
University of Chicago(芝加哥大学);UIUC(伊利诺伊大学厄巴纳-香槟分校)
深度神经网络(DNN)是一种易受对抗攻击攻击的网络。许多努力要么试图修补训练模型中的弱点,要么试图使计算利用它们的对抗性示例变得困难或昂贵。在我们的工作中,我们探索了一种新的“蜜罐”方法来保护DNN模型。我们故意在分类流形中注入陷阱门,蜜罐弱点,吸引攻击者搜索对抗性的例子。攻击者的优化算法倾向于陷阱门,导致他们在特征空间中产生类似于陷阱门的攻击。然后,我们的防御通过将输入的神经元激活签名与陷阱门的神经元激活签名进行比较来识别攻击。在本文中,我们介绍了陷门,并描述了一个陷门启用防御的实现。首先,我们分析证明,陷门形状的计算对抗攻击,使攻击输入将具有功能表示非常相似的陷门。其次,我们通过实验证明,陷阱保护模型可以高精度地检测到由最先进的攻击(PGD,基于优化的CW,弹性网络,BPDA)生成的对抗性示例,对正常分类的影响可以忽略不计。这些结果概括了分类领域,包括图像,面部和交通标志识别。我们还提出了显着的结果测量陷阱的鲁棒性对定制的自适应攻击(对策)。
2020-09-28 cs.CR cs.LG stat.ML
Measuring onion website discovery and Tor users' interests with honeypots
Tampere University(坦佩雷大学)
该研究通过部署蜜罐网站,分析Tor用户对洋葱网站的兴趣,发现用户主要来自Ahmia.fi,且CSAM主题蜜罐吸引最高互动。
2026-03-10 cs.CR
Reduce positive and negative falses from attacks collected from the deployment of distributed honeypot network
当前检测漏洞的工具和系统只是警告管理员针对其网络或系统的攻击企图。然而,通常,要分析的大量警报以及在分析警报之后更新安全规则所需的时间量为攻击者造成损害提供了时间和机会。此外,这些工具中的大多数都会产生积极和消极的错误,这对被攻击的网络可能很重要。否则,存在许多解决方案,如IPS,但它显示了一个很大的缺陷,从根本上说,由于误报。事实上,攻击者在检测到合法流量存在于受攻击网络中时,通常会使IPS阻止该流量。在本文中,我们描述了一个自动化的算法,使他们发生之前检测攻击的能力,然后减少积极和消极的错误率。此外,我们使用一组相关的恶意流量捕获使用网络的蜜罐识别潜在的威胁源的数据。
2016-11-10 cs.CR
HoneyTrap: Deceiving Large Language Model Attackers to Honeypot Traps with Resilient Multi-Agent Defense
HoneyTrap通过多智能体协作防御机制,有效降低大语言模型劫持攻击的成功率,提升防御效率与资源消耗效果。
2026-01-07 cs.AI cs.CR
LLMHoney: A Real-Time SSH Honeypot with Large Language Model-Driven Dynamic Response Generation
针对传统SSH蜜罐静态交互易被识别的问题,提出集成字典虚拟文件系统与大语言模型的LLMHoney蜜罐,经多模型测试验证其能平衡性能与真实性,可有效提升攻击者诱捕效果与威胁情报收集能力。
2025-09-01 cs.CR
Honeypot-powered Malware Reverse Engineering
针对现有蜜罐无法专业分析恶意软件自动化攻击行为的问题,本文提出为高交互蜜罐添加特定功能以增强其逆向工程能力,助力有效分析捕获的恶意实体。
2016-01-13 cs.CR
Enabling an Anatomic View to Investigate Honeypot Systems: A Survey
蜜罐是一种故意创建的安全设施,用于探测,攻击和妥协。它通常用于通过检测和转移未经授权的访问来保护生产系统。它还有助于调查攻击者的行为,特别是未知的攻击。在过去的17年里,人们投入了大量的精力来研究和开发基于蜜罐的技术和工具,它们已经发展成为一种越来越强大的防御黑帽社区创造的手段。在本文中,通过研究多个蜜罐系统,蜜罐的两个基本要素-诱饵和安全程序-捕获和提出,以及两个抽象的组织形式-独立和合作-在这两个元素可以集成。提出了一种新的基于诱骗和安全程序(D-P)的分类方法,用于对蜜罐系统中涉及的各种技术进行研究和分类。一个广泛的蜜罐项目和研究,其中包括在独立和合作的蜜罐应用的技术,调查的分类框架下。最后,将该分类法应用于一系列蜜罐工具和系统中,以验证其有效性并预测蜜罐的发展趋势。
2017-04-18 cs.CR
Deep Generative Models to Extend Active Directory Graphs with Honeypot Users
Czech Technical University(捷克理工大学)
Active Directory(AD)是大型组织的关键元素,因为它在管理资源访问方面发挥着核心作用。由于AD被组织中的所有用户使用,因此很难检测到攻击者。我们建议在AD结构中生成并放置假用户(honeyusers)以帮助检测攻击。然而,并不是所有的蜜罐用户都会吸引攻击者。我们的方法生成蜜罐与变分自编码器,丰富了AD结构定位良好的蜜罐。它首先学习AD中原始节点和边的嵌入,然后使用改进的双向DAG-RNN对节点表示的潜在空间的概率分布参数进行编码。最后,它从该分布中采样节点,并使用MLP来决定节点连接的位置。该模型通过生成的AD与原始AD的相似性,新节点的位置,与GraphRNN的相似性进行评估,最后让真正的入侵者攻击生成的AD结构,看看他们是否选择了蜜用户。结果表明,我们的机器学习模型是足够好的,以产生放置良好的蜜罐为现有的AD结构,使入侵者被引诱到他们。
2021-09-13 cs.CR cs.LG
HoneyGPT: Breaking the Trilemma in Terminal Honeypots with Large Language Model
Institute of Information Engineering CAS(中国科学院信息工程研究所);School of Cyber Security UCAS(中国科学院大学网络空间安全学院);Sangfor Technologies Inc.(深信服科技股份有限公司);Virginia Tech(弗吉尼亚理工大学);Shenzhen Institute of Advanced Technology CAS(中国科学院深圳先进技术研究院)
针对蜜罐难以平衡灵活性、交互深度与欺骗性的问题,本文提出基于ChatGPT的HoneyGPT架构及整合思维链的提示词工程框架,经基线比较和三个月实地评估,验证其在平衡三要素、深度吸引攻击者与捕获新型攻击向量上的优越性能。
2025-02-15 cs.AI cs.CR cs.ET
LLMPot: Dynamically Configured LLM-based Honeypot for Industrial Protocol and Physical Process Emulation
Center for Cyber Security, New York University Abu Dhabi(网络安全中心,纽约大学阿布扎克分校)
针对工业控制系统蜜罐部署需人工复刻协议、设备特征与PLC控制逻辑的难题,提出基于大语言模型的LLMPot蜜罐方案,可自动化生成适配任意厂商配置与控制逻辑的拟真蜜罐,实验验证了其有效性。
2025-05-19 cs.CR cs.LG
Modeling and Analyzing Attacker Behavior in IoT Botnet using Temporal Convolution Network (TCN)
将僵尸网络列入黑名单的传统反应式方法无法适应快速变化的网络攻击环境。自动化和主动的方法来检测和阻止僵尸网络主机将极大地有利于行业。攻击者的行为分析被证明是有效的,对各种各样的攻击类型。然而,以前的作品,只专注于网络流量的异常,以检测僵尸和僵尸网络。在这项工作中,我们采取了更强大的方法来分析异构事件,包括网络流量,文件下载事件,SSH登录和攻击者在受损主机输入的命令链。我们已经部署了几个蜜罐来模拟Linux shell,并允许攻击者访问shell。我们已经收集了一个大型数据集的异构威胁事件的蜜罐。然后,我们结合和建模的异构威胁数据来分析攻击者的行为。然后,我们使用了一种称为时间卷积网络(TCN)的深度学习架构来对数据进行顺序和预测分析。$85-97\%$的预测精度验证了我们的数据模型以及我们的分析方法。在这项工作中,我们还开发了一种自动化机制来收集和分析这些数据。对于自动化,我们使用了CYbersecurity信息交换(CYBEX)。最后,我们将TCN与长短期记忆(LSTM)和门控递归单元(GRU)进行了比较,并表明TCN在手头的任务上优于LSTM和GRU。
2021-08-27 cs.CR
A security approach based on honeypots: Protecting Online Social network from malicious profiles
近年来,社交网络的快速发展和指数级的使用,促使社会计算的扩展。在社交网络中,用户通过边缘或链接相互连接,其中Facebook,Twitter,LinkedIn是最受欢迎的社交网络网站。由于这些网站越来越受欢迎,它们成为网络犯罪和攻击的目标。它主要基于用户如何使用这些网站,如Twitter和其他网站。攻击者可以轻松访问和收集个人和敏感用户信息。用户对安全设置不太了解,也不太关心。他们很容易成为身份泄露的受害者。为了检测恶意用户或伪造的配置文件,已经提出了不同的技术,如我们的方法,这是基于使用社会蜜罐来发现恶意配置文件在it.Inspired安全研究人员使用蜜罐观察和分析网络中的恶意活动,这种方法使用社会蜜罐陷阱恶意用户。该方法的两个关键要素是:(1)部署社会蜜罐收集恶意配置文件的信息。(2)分析这些恶意配置文件的特征和已部署蜜罐的特征,以创建分类器,从而过滤现有配置文件并监视新配置文件。
2018-04-26 cs.CR
SIPHON: Towards Scalable High-Interaction Physical Honeypots
近年来,新兴的物联网(IoT)引发了人们对联网嵌入式设备安全性的日益关注。在这项工作中,我们专注于蜜罐的适应性,以提高物联网的安全性。到目前为止,低交互蜜罐在物联网的背景下使用。这样的蜜罐是有限的,很容易被检测到,因此,需要找到如何开发高交互性,可靠的物联网蜜罐的方法,以吸引熟练的攻击者。在这项工作中,我们提出了SIPHON架构-物联网设备的可扩展高交互蜜罐平台。我们的架构利用物理上位于一个位置的物联网设备,并通过分布在世界各地的所谓虫洞连接到互联网。由此产生的架构允许在大量地理分布的IP地址上暴露很少的物理设备。我们证明了所提出的架构在一个大规模的实验中,39虫洞的情况下,在9个国家的16个城市。基于此设置,6台物理IP摄像机,1台NVR和1台IP打印机在互联网上呈现为85台真实的物联网设备,在两个月内每天吸引700 MB的流量。收集的流量的初步分析表明,在一些城市的设备吸引了显着更多的流量比别人(范围从600 000传入的TCP连接最流行的目的地不到50000为最不受欢迎)。我们记录了超过400次使用1826个不同凭据对我们设备的Web界面进行暴力登录的尝试,其中11次尝试成功。此外,我们还注意到,有人试图登录VPN和SSH端口,其中一些使用了最近披露的Mirai恶意软件中的凭据。
2017-01-12 cs.CR
VelLMes: A high-interaction AI-based deception framework
Czech Technical University in Prague(捷克技术大学布拉格)
本文提出VelLMes,一种基于LLM的高交互性欺骗框架,可模拟多种协议服务,经单元测试和89名人类攻击者评估,约30%攻击者误认为真实系统,并在真实互联网攻击中表现良好。
2025-10-08 cs.AI cs.CL cs.CR
Is That Really My X-Ray? Measuring Internet-Exposed DICOM Services in the Presence of Deception
Technical University of Denmark(丹麦技术大学)
研究在存在欺骗情况下互联网上暴露的DICOM服务,结合主动扫描与被动蜜罐部署,用噪声感知方法识别并过滤欺骗工件,降低暴露率,揭示大量DICOM部署漏洞及风险,指出现有欺骗系统不足以捕获这些风险。
2026-07-20 cs.CR
Nested Dirichlet models for unsupervised attack pattern detection in honeypot data
针对蜜罐终端会话命令的攻击聚类需求,提出引入多层级主题并经贝叶斯非参数扩展的嵌套Dirichlet模型,可发现传统方法漏检的MIRAI挖矿攻击变体。
2024-12-21 cs.CR stat.AP
Incorporating Deception into CyberBattleSim for Autonomous Defense
Naval Information Warfare Center Pacific(太平洋海军信息战中心);Laboratory for Advanced Cybersecurity Research(高级网络安全研究实验室)
包括蜜罐和诱饵在内的欺骗性元素被纳入微软CyberBattleSim实验和研究平台。在提供的捕获标记环境中,使用基于强化学习的攻击者测试欺骗性元素的防御能力。攻击者的进展被发现取决于欺骗性元素的数量和位置。这是在具有欺骗性防御元素的模拟企业网中重复测试攻击和防御算法的有希望的一步。
2021-08-31 cs.AI cs.CR
Blockchain Meets Adaptive Honeypots: A Trust-Aware Approach to Next-Gen IoT Security
School of Computer Science and Technology, Algoma University, Canada(计算机科学与技术学院,阿尔戈马大学,加拿大);School of Electrical Engineering and Computer Science, University of Ottawa, Canada(电气工程与计算机科学学院,渥太华大学,加拿大)
本文提出了一种结合区块链和自适应陷阱的可信方法,用于增强下一代物联网的安全性,通过改进的随机森林和扩散卷积循环神经网络实现高效的入侵检测与防护。
2025-04-22 cs.AI cs.CR cs.ET
ICSLure: A Very High Interaction Honeynet for PLC-based Industrial Control Systems
University of Calabria(卡拉布里亚大学);IMT School for Advanced Studies Lucca(卢卡高等研究院)
针对传统ICS蜜罐真实感不足的问题,提出融合实体PLC与虚拟化网络组件的高交互蜜网框架ICSLure,可高保真模拟工业环境,提升威胁数据质量,助力ICS攻击分析与防护。
2025-09-04 cs.CR
Deep Down the Rabbit Hole: On References in Networks of Decoy Elements
欺骗技术已被证明是对付信息系统威胁的一种有效方法。除了成熟的蜜罐之外,诱饵元素,也称为蜜罐,是解决各种类型威胁的绝佳方法。诱饵元素会给攻击者带来干扰和不确定性,并有助于检测恶意活动。欺骗是为了补充防火墙和入侵检测系统。特别是内部威胁可以通过欺骗方法来减轻。虽然目前的方法考虑使用多个诱饵元素以及上下文敏感性,但它们没有充分描述各个元素之间的关系。在这项工作中,相互引用的诱饵元素被引入作为一个合理的扩展现有的欺骗框架,引导攻击者沿着诱饵元素的路径。介绍了一个理论基础,以及随机模型和参考实现。结果发现,所提出的系统是合适的,以提高目前的诱饵框架,通过增加一个进一步的维度的互连性,从而提高入侵检测和预防。
2021-04-08 cs.CR cs.NI
Cloud Watching: Understanding Attacks Against Cloud-Hosted Services
本文通过跨5家云提供商、23国的蜜罐及教育网络、网络望远镜测量,揭示攻击者如何依据地址、地域、端口和服务搜索引擎选择性瞄准云服务,并给出防护建议。
2023-09-28 cs.CR cs.NI
Dynamic Bayesian Games for Adversarial and Defensive Cyber Deception
安全挑战伴随着效率。信息和通信技术(信通技术)的普遍融合使网络物理系统容易受到具有欺骗性、持续性、适应性和战略性的有针对性的攻击。Stuxnet、Dyn和WannaCry勒索软件等攻击实例表明,包括防火墙和入侵检测系统在内的现成防御方法存在不足。因此,必须设计最新的安全机制,以减轻风险,尽管成功的渗透和复杂的攻击者的战略反应。在本章中,我们将使用博弈论来模拟防御者和攻击者之间的竞争互动。首先,我们使用静态贝叶斯博弈来捕捉攻击者的隐蔽性和欺骗性。称为\textit{type}的随机变量表征用户的本质和目标,例如,合法用户或攻击者。由于网络欺骗,用户类型的实现是私人信息。然后,我们将一次性同时交互扩展到非对称信息结构下的一次性交互,即,信号游戏最后,我们研究了高级持续威胁(APT)和田纳西伊士曼(TE)过程下的多阶段过渡的案例研究。引入双边不完全信息是因为防御者可以采用防御性欺骗技术,如蜜罐和蜜罐,为攻击者创造足够的不确定性。在本章中,对纳什均衡(NE)、贝叶斯纳什均衡(BNE)和完美贝叶斯纳什均衡(PBNE)的分析使我们能够预测对手的策略,并设计主动和战略防御,以阻止攻击者并减少损失。
2018-09-08 cs.CR cs.GT
Know Your Cybercriminal: Evaluating Attacker Preferences by Measuring Profile Sales on an Active, Leading Criminal Market for User Impersonation at Scale
在本文中,我们利用市场功能适当的领先的俄罗斯网络犯罪市场的用户模拟规模,以评估攻击者的偏好时,购买被盗的用户简档,以及市场的整体经济活动。我们在$161$天的一段时间内进行数据汇集,并收集$1'193$在此期间从$11'357$广告产品中出售的用户简档样本及其特征的数据。我们估计每天的市场交易量高达约$700$配置文件,对应于估计的每日销售额高达$4'000$ USD,以及观察期内的总体市场收入介于$540k$和$715k$ USD之间。我们发现,随着时间的推移,配置文件提供是相当稳定的,主要集中在欧洲的配置文件,而实际配置文件的收购显着不同,这取决于其他配置文件的特点。攻击者的兴趣通常集中在某些类型的配置文件上,包括那些来自北美并具有$crypto$资源的配置文件。我们的模型和评估的相对重要性,不同的配置文件的特征,在最终决定的攻击者购买配置文件,并讨论防御和风险评估的影响。
2023-03-06 cs.CR cs.CY
Metrics Towards Measuring Cyber Agility
在网络空间中,攻击者和防御者通常使用进化策略。例如,攻击者的策略通常随着时间的推移而改变,因为新的漏洞被发现和/或减轻。同样,防御者的策略也会随着时间的推移而改变。这些变化可能是也可能不是对对手策略变化的直接反应。在任何情况下,重要的是要有一组量化指标来表征和理解攻击者和防御者的进化策略的有效性,这反映了他们的{ \em网络敏捷性}。尽管其明显的重要性,但很少有系统的指标被开发出来量化攻击者和防御者的网络敏捷性。在本文中,我们提出了第一个衡量网络敏捷性的指标框架,衡量网络攻击和防御动态演变的有效性。所提出的框架是通用的并且适用于将任何相关的、定量的和/或常规的静态安全度量(例如,假阳性和假阴性)转换成动态度量以捕获系统行为的动态。为了验证所提出的框架的有用性,我们使用两个真实世界的数据集进行案例研究来衡量网络攻击和防御的演变。我们讨论了目前工作的局限性,并确定未来的研究方向。
2019-06-12 cs.CR