💻 computer science

PHANTOM: Polymorphic Honeytoken Adaptation with Narrative-Tailored Organisational Mimicry

Das Papier stellt PHANTOM vor, ein Framework, das die Widerstandsfähigkeit gegen Honeytoken-Erkennung und die menschliche Glaubwürdigkeit erheblich verbessert, indem es durch narrativ angepasste Mimikry polymorphe, organisationspezifische Täuschobjekte erzeugt und dabei statische, vorlagenbasierte Ansätze über mehrere statistische und menschliche Evaluierungsmetriken hinweg übertrifft.

Ursprüngliche Autoren: Abraham Itzhak Weinberg

Veröffentlicht 2026-05-06

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Abraham Itzhak Weinberg

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie sind ein Sicherheitsbeamter, der versucht, einen Dieb zu fassen, der sich in ein Gebäude schleicht. Um dies zu tun, legen Sie ein paar „gefälschte" Schlüssel auf einen Tisch. Wenn der Dieb einen davon ergreift und versucht, ihn zu benutzen, geht ein Alarm los, und Sie wissen genau, wer er ist und wo er sich befindet.

In der digitalen Welt heißen diese gefälschten Schlüssel Honeytokens. Es sind gefälschte Passwörter, API-Schlüssel oder Datenbankzugangsdaten, die in Ihren Systemen platziert werden, um Hacker zu fangen.

Das Problem: Die „generischen" gefälschten Schlüssel

Das Papier erklärt, dass aktuelle Werkzeuge zur Herstellung dieser gefälschten Schlüssel wie eine Fabrik sind, die generische, serienmäßige Schlüssel herstellt.

Der Fehler: Diese gefälschten Schlüssel sehen auf den ersten Blick korrekt aus (sie haben die richtige Anzahl an Buchstaben und Symbolen), ihnen fehlt jedoch Persönlichkeit.
Die Metapher: Stellen Sie sich einen Dieb vor, der in eine High-Tech-Bank eindringt. Wenn er einen Schlüssel mit der Aufschrift „Generic Bank Key #402" sieht, weiß er sofort, dass es eine Falle ist. Echte Schlüssel in dieser Bank hätten spezifische Namen wie „Vault_Access_Teller_Jane" oder „Server_Room_3". Da die aktuellen gefälschten Schlüssel nicht zum spezifischen „Vibe" oder zur Benennungskonvention des echten Unternehmens passen, können Hacker (und die automatisierte Software, die sie verwenden) sie leicht erkennen und ignorieren.

Die Lösung: PHANTOM

Die Autoren stellen ein neues System namens PHANTOM vor. Denken Sie an PHANTOM nicht als eine Stempelfabrik, sondern als einen Meisterfälscher, der das spezifische Gebäude studiert, bevor er einen gefälschten Schlüssel herstellt.

Funktionsweise: PHANTOM nimmt ein „Profil" der Organisation (z. B. „Dies ist ein Gesundheitsunternehmen namens MedSync, das Azure und Python verwendet"). Anschließend generiert es gefälschte Schlüssel, die perfekt auf dieses spezifische Unternehmen zugeschnitten sind.
Das Ergebnis: Anstatt eines generischen „admin@company.com" erstellt PHANTOM einen gefälschten Schlüssel, der wie „medsync_db_backup_service" aussieht. Es imitiert sogar die seltsamen Art und Weisen, wie echte Unternehmen ihre Dateien und Server benennen.

Der „Glaubwürdigkeits-Score"**

Um zu beweisen, dass ihre gefälschten Schlüssel besser sind, erstellten die Autoren einen Glaubwürdigkeits-Score (eine Note von 0 bis 1). Sie testeten ihre gefälschten Schlüssel anhand von vier Kriterien:

Syntax: Sieht es wie ein echtes Schlüsselformat aus? (Sowohl die alten Werkzeuge als auch PHANTOM bestanden dies mühelos).
Semantik: Macht es im Kontext des Unternehmens Sinn? (Hier gewinnt PHANTOM deutlich).
Statistik: Sieht es auf die gleiche Weise zufällig aus wie echte Geheimnisse?
Menschliche Akzeptanz: Wenn Sie es einem menschlichen Experten zeigen würden, würden sie denken, es sei echt?

Die Ergebnisse: Ein massives Upgrade

Das Papier vergleicht die alte „Vorlagen"-Methode mit PHANTOM:

Menschliche Experten: Wenn ihnen die alten gefälschten Schlüssel gezeigt wurden, glaubten Experten nur bei 6 %, dass sie echt sind. Als ihnen PHANTOMs Schlüssel gezeigt wurden, glaubten sie bei 100 %, dass sie echt sind.
Automatisierte Scanner: Hacker verwenden Software, um nach gefälschten Schlüsseln zu scannen. Die alten gefälschten Schlüssel wurden von dieser Software etwa 39 % der Zeit erkannt. PHANTOMs Schlüssel wurden nur in 13 % der Fälle erkannt.
Das „Geheimrezept": Die Studie ergab, dass der größte Grund, warum PHANTOM funktioniert, die Semantische Kohärenz ist. Einfach ausgedrückt: Kontext ist König. Die gefälschten Schlüssel sahen nicht nur richtig aus; sie fühlten sich richtig an, weil sie in die Geschichte des Unternehmens passten.

Warum dies wichtig ist (laut dem Papier)

Kein Internet erforderlich: Im Gegensatz zu einigen modernen KI-Tools, die eine Internetverbindung benötigen, um zu funktionieren, arbeitet PHANTOM vollständig offline. Das bedeutet, es kann in hochsicheren, „air-gapped" Umgebungen (wie Regierungslabors oder Militärbasen) eingesetzt werden, in denen eine Verbindung zur Außenwelt verboten ist.
Bessere Fallen: Da die gefälschten Schlüssel so überzeugend sind, sind Hacker eher bereit, sie aufzugreifen. Sobald sie dies tun, erhält das Sicherheitsteam eine Warnung und weiß, dass sich der Hacker im System befindet, selbst wenn er zuvor echte Daten gestohlen hat.

Zusammenfassend: Das Papier argumentiert, dass man, um einen digitalen Dieb zu fangen, nicht einfach einen generischen „Köder" zurücklassen kann. Man muss den Köder genau so aussehen lassen wie das spezifische Futter, nach dem der Dieb sucht. PHANTOM ist das Werkzeug, das dieses spezifische Gericht zubereitet und die Falle nahezu unvermeidlich macht.

Technische Zusammenfassung: PHANTOM – Polymorphe Honeytoken-Anpassung mit narrativ abgestimmter organisationsbezogener Mimikry

1. Problemstellung

Honeytokens – als Köder konzipierte digitale Assets zur Erkennung unbefugten Zugriffs – sind ein etabliertes Grundprinzip der Cyber-Täuschung. Die bestehenden Generierungswerkzeuge (z. B. Canarytokens, HoneyBadger) verlassen sich jedoch auf statische, vorlagenbasierte Methoden, denen die organisationspezifische Ausprägung fehlt. Zwar sind diese Tokens oft syntaktisch gültig, doch semantisch hohl. Erfahrene Angreifer und automatisierte Scanner (wie trufflehog, gitleaks und ML-basierte Klassifikatoren) können sie leicht identifizieren, da sie die spezifischen Domain-Namen, Benennungskonventionen für Dienste, Idiome des Technologie-Stacks und Verteilungen von Geheimniswerten der Zielorganisation nicht nachahmen.

Die Arbeit identifiziert drei kritische Lücken in aktuellen Ansätzen:

Fehlender Kontext: Echte Zugangsdaten sind tief im organisatorischen Kontext verankert (z. B. IAM-Rollennamen, die spezifische Service-Architekturen widerspiegeln), was in generischen Vorlagen fehlt.
Die semantische Lücke: Empirische Belege deuten darauf hin, dass Vorlagen-Tokens zwar eine hohe syntaktische Gültigkeit erreichen, jedoch erheblich in der semantischen Kohärenz versagen, dem primären Unterscheidungsmerkmal zwischen echten Zugangsdaten und Ködern.
Widerstandsfähigkeit gegen Erkennung: Selbst kontextuell reichhaltige Tokens versagen, wenn automatisierte Scanner sie markieren, bevor ein Angreifer auf sie trifft. Aktuelle Werkzeuge umgehen moderne statistische und maschinell lernbasierte Erkennungsheuristiken nicht ausreichend.

2. Methodik: Das PHANTOM-Framework

PHANTOM (Polymorphic Honeytoken Adaptation with Narrative-Tailored Organisational Mimicry) ist ein Framework, das kontextuell überzeugende Honeytokens generiert, indem es organisationspezifisches Wissen in eine mehrstufige Generierungspipeline kodiert.

2.1 Organisationsprofil

Das System arbeitet auf einem strukturierten Organisationsprofil ( $O$ ), das Folgendes enthält:

Domain-Namen und Kurzbezeichnungen.
Dienstelisten sowie Datenbanktypen/-hosts.
Cloud-Regionen und Details zu Git-Organisationen.
JWT-Issuer und -Audiences.

2.2 Kontextuelle Generierungspipeline

Im Gegensatz zu statischen Generatoren setzt PHANTOM dedizierte Generatoren ( $G_t$ ) für acht verschiedene Token-Typen ein (einschließlich AWS-Schlüssel, Umgebungsdateien, JWTs und Slack-Bot-Tokens). Das zentrale Designprinzip ist die kontextuelle Injektion auf Wertebene:

Jedes benannte Feld (IAM-Benutzernamen, Datenbanknamen, Redis-Hostnamen, Git-Remote-URLs) leitet sich direkt vom Organisationsprofil ab.
Die Pipeline vermeidet externe API-Aufrufe, sodass sie in luftgekapselten oder klassifizierten Umgebungen eingesetzt werden kann.
Scanner-bewusstes Design: Die Generatoren sind explizit darauf ausgelegt, drei primäre Scanner-Heuristiken zu umgehen:
- Regex/Muster ( $S_1$ ): Ersetzt generische Warnzeichen-Strings (z. B. „example.com") durch organisationsabgeleitete Werte.
- Entropie-Analyse ( $S_2$ ): Imitiert das gemischte Entropieprofil realer Dateien (hoch-entropische Geheimnisse neben niedrig-entropischen, für Menschen lesbaren Werten) anstelle einer einheitlich hohen Entropie.
- ML-Klassifikatoren ( $S_3$ ): Integriert organisationspezifische Fingerabdrücke (Domains, Dienstnamen), um Klassifikatoren entgegenzuwirken, die darauf trainiert sind, Kontextmangel zu erkennen.

2.3 Evaluierungsmetriken

Die Arbeit formalisiert die Token-Qualität durch einen Glaubwürdigkeits-Score ( $B$ ) und einen kompositen Honeytoken-Score ( $H$ ):

Glaubwürdigkeits-Score ( $B$ ): Ein gewichteter Komposit aus vier Komponenten:
1. Syntaktische Gültigkeit ( $S_v$ ): Korrektes Format für den Token-Typ.
2. Semantische Kohärenz ( $S_c$ ): Kontextuelle Passung zum Organisationsprofil.
3. Statistische Normalität ( $S_n$ ): Entropie und Verteilungseigenschaften, die echten Zugangsdaten entsprechen.
4. Menschliche Akzeptanz ( $S_h$ ): Anteil der Experten, die den Token als echt einstufen.
Widerstandsfähigkeit gegen Erkennung ($DR$): Definiert als $1 - P_d$ , wobei $P_d$ die Wahrscheinlichkeit der Erkennung durch ein gewichtetes Ensemble von Scannermodellen ( $S_1, S_2, S_3$ ) ist.
Kompositer Score ( $H$ ): Balanciert Glaubwürdigkeit und Widerstandsfähigkeit gegen Erkennung ( $H = B^\lambda \cdot DR^\mu$ ).

3. Experimentelles Setup

Datensatz: 32 PHANTOM-Tokens und 32 vorlagenbasierte Baseline-Tokens, generiert über 8 Token-Typen und 4 organisatorische Kontexte (FinTech, Gesundheitswesen, Verteidigung, E-Commerce).
Baseline: Ein statischer Vorlagengenerator, der zufällige Geheimniswerte verwendet, jedoch keinen organisatorischen Kontext (äquivalent zu Canarytokens).
Evaluierung:
- Automatisiert: Drei Scannermodelle (Regex, Entropie, ML-Klassifikator) angewendet auf alle Tokens.
- Menschlich: Experten bewerteten Tokens als echt oder Köder.
- Statistisch: Zwei-Stichproben-Welch-t-Tests mit Bonferroni-Korrektur; Effektstärken als Cohen's $d$ berichtet.

4. Hauptergebnisse

PHANTOM übertrifft die vorlagenbasierte Baseline bei allen primären Metriken signifikant:

Metrik	Vorlagen-Baseline	PHANTOM	$\Delta$	Signifikanz
Glaubwürdigkeit ( $B$ )	$0.576 \pm 0.058$	$0.778 \pm 0.057$	$+0.203$	$p < 0.001$ ( $d=3.52$ )
Syntaktische Gültigkeit ( $S_v$ )	$0.842 $\|$ 0.876 $\|$ +0.034$	Nicht signifikant
Semantische Kohärenz ( $S_c$ )	$0.396 $\|$ 0.705 $\|$ +0.309 $\|$ p < 0.001 $($ d=4.52$)
Menschliche Akzeptanz ( $S_h$ )	$6.2\%$	$100.0\%$	$+93.8\%$	$p < 0.001$
Widerstandsfähigkeit gegen Erkennung ($DR $) \|$ 0.609 $\|$ 0.870 $\|$ +0.261 $\|$ p < 0.001 $($ d=7.49$)

Semantische Kohärenz als Treiber: Die größte Verbesserung zeigte sich in der semantischen Kohärenz ( $\Delta S_c = +0.309$ ), was bestätigt, dass der organisatorische Kontext die entscheidende fehlende Zutat ist. Die syntaktische Gültigkeit zeigte keinen signifikanten Unterschied, was darauf hindeutet, dass Formatkorrektheit eine notwendige, aber unzureichende Bedingung für Täuschung ist.
Menschliche Akzeptanz: 100 % der PHANTOM-Tokens bestanden den Experten-Schwellenwert ( $B \ge 0.65$ ), verglichen mit nur 6,2 % der Vorlagen.
Widerstandsfähigkeit gegen Erkennung: PHANTOM-Tokens waren über alle drei Scannermodelle hinweg signifikant schwerer zu erkennen, mit der dramatischsten Verbesserung bei ML-basierten Klassifikatoren (Erkennungswahrscheinlichkeit sank von 54,1 % auf 16,2 %).
Pareto-Optimalität: 100 % der PHANTOM-Tokens befanden sich innerhalb der „idealen Zone" ( $B \ge 0.70$ und $DR \ge 0.70$ ), während dies nur bei 6,2 % der Vorlagentokens der Fall war.

5. Bedeutung und Behauptungen

Die Arbeit behauptet, dass PHANTOM die fundamentale Einschränkung der aktuellen Honeytoken-Generierung adressiert: das Fehlen organisationspezifischer Ausprägung.

Primärer Beitrag: Die Einführung eines formalen Glaubwürdigkeits-Score-Frameworks, das syntaktische, semantische, statistische und menschliche Dimensionen integriert und nachweist, dass semantische Kohärenz der dominante Treiber für die Qualität der Täuschung ist.
Operativer Vorteil: Da PHANTOM ohne externe API-Aufrufe operiert, ist es vollständig in luftgekapselten Umgebungen einsetzbar (z. B. klassifizierte Regierungsnetze, industrielle Steuerungssysteme), wo Cloud-API-Zugriff verboten ist, und bietet eine Qualität, die LLM-basierten Ansätzen vergleichbar ist, jedoch ohne Netzwerkabhängigkeit.
Strategische Wirkung: Das Framework liefert die hochwertige „Köder"-Komponente, die für eine vollständige Täuschungs- und Zuordnungs-Pipeline nach der Exfiltration notwendig ist, und ergänzt bestehende Systeme wie Passive Hack-Back und longitudinale Wiederidentifikationssysteme.

Die Autoren schließen, dass sich zukünftige Bemühungen zur Verbesserung der Generatorqualität vom Fokus auf Formatkorrektheit (syntaktische Gültigkeit) hin zur semantischen Einbettung verlagern müssen, da Letzterer der primäre Faktor ist, der bestimmt, ob ein Honeytoken von einer legitimen Zugangsdaten nicht zu unterscheiden ist.