🤖 AI

Chameleon: An Adaptive AI-Driven Honeypot Architecture Using Threat-Calibrated Particle Swarm Optimization and Semantic Deception Rapidly-Exploring Random Trees

Chameleon es una plataforma de honeypot impulsada por IA, rentable y adaptativa, que supera la naturaleza estática de los sistemas de engaño tradicionales mediante la integración de un clasificador de amenazas BiLSTM, un modelo de lenguaje local Qwen3.5-0.8B y los novedosos motores metaheurísticos TC-PSO y S-RRT para evolucionar dinámicamente las respuestas semánticas en tiempo real, logrando una precisión de detección y una convergencia superiores, al tiempo que reduce los costos operativos aproximadamente 490 veces en comparación con las alternativas comerciales.

Autores originales: Rohit Swami, Tushar Singh, Akash Warde, Sri Muthu

Publicado 2026-08-18

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Rohit Swami, Tushar Singh, Akash Warde, Sri Muthu

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el mundo digital, los equipos de seguridad se enfrentan a una inundación constante y abrumadora de alertas. Cada día, las organizaciones procesan miles de amenazas potenciales, pero los analistas humanos solo pueden investigar una pequeña fracción de ellas. Las defensas tradicionales, como los firewalls, actúan como puertas rígidas que solo reconocen a los actores maliciosos conocidos; luchan cuando los atacantes usan nuevos trucos o se esconden dentro del tráfico normal. Para resolver esto, los expertos han utilizado durante mucho tiempo los "honeypots" (señuelos), sistemas señuelo diseñados para parecer computadoras reales y vulnerables. Estas trampas atraen a los atacantes, permitiendo a los defensores estudiar sus métodos sin arriesgar los datos reales. Sin embargo, la mayoría de los honeypots existentes son estáticos. Una vez configurados, su comportamiento nunca cambia. Un atacante hábil puede probar rápidamente algunos comandos, darse cuenta de que las respuestas son demasiado perfectas o demasiado rígidas, e identificar el sistema como una trampa, abandonándolo antes de que se pueda reunir información útil.

Los investigadores Rohit Swami, Tushar Singh, Akash Warde y Sri Muthu han desarrollado un nuevo tipo de honeypot llamado Chameleon para solucionar este fallo. A diferencia de sus predecesores estáticos, Chameleon es un sistema adaptativo que cambia su comportamiento en tiempo real basándose en lo que está haciendo el atacante. Combina un detector de amenazas rápido con un modelo de lenguaje capaz de mantener una conversación, todo ello guiado por dos motores de optimización especializados. El objetivo es mantener al atacante comprometido el tiempo suficiente para aprender sus tácticas, haciendo esto a una fracción mínima del costo de las alternativas comerciales costosas. El equipo probó su sistema en simulaciones, encontrando que podía distinguir entre el tráfico inofensivo y los ataques genuinos con una precisión casi perfecta, y que sus estrategias adaptativas superaban significamente a los métodos estándar utilizados en el campo.

La innovación central de Chameleon radica en cómo reacciona ante el peligro. Cuando se establece una conexión, el sistema primero analiza los comandos entrantes para determinar si son benignos o maliciosos. Utiliza una red neuronal, un tipo de programa informático modelado según el cerebro humano, para escanear el texto de los comandos. Este clasificador es increíblemente rápido, tomando una decisión en aproximadamente dos milisegundos, e identifica correctamente siete tipos diferentes de amenazas, como intentos de robar datos o tomar el control de un servidor, con una precisión del 99.61 por ciento. Si el tráfico es inofensivo, el sistema responde con una respuesta simple y rápida. Pero si el sistema detecta una amenaza seria, escala la interacción a una capa más sofisticada.

Esta segunda capa involucra un modelo de lenguaje, una versión compacta de una inteligencia artificial diseñada para comprender y generar texto similar al humano. En lugar de dar una respuesta preprogramada, este modelo entabla una conversación realista con el atacante, imitando un sistema operativo real. Recuerda el historial de la conversación para mantener la consistencia, asegurando que el engaño se sienta auténtico. Para evitar que el atacante se retire, el sistema también emplea dos estrategias matemáticas para decidir cuánto tiempo mantener la conexión y cómo evolucionar el sistema de archivos falso que presenta. Una estrategia ajusta el retraso antes de responder, haciendo que el sistema se sienta lento o poco receptivo de una manera que frustra al atacante y lo mantiene intentándolo. La otra estrategia hace crecer una estructura de directorios falsa y compleja que imita un servidor real, pero lo hace inteligentemente, enfocando su energía en las partes del sistema en las que el atacante está realmente interesado.

Los investigadores encontraron que estas estrategias adaptativas marcaron una gran diferencia. Cuando compararon sus nuevos métodos contra versiones estándar no adaptativas, los resultados fueron sorprendentes. El sistema adaptativo mejoró la calidad de su interacción en casi un 50 por ciento en una prueba y en más del 250 por ciento en otra. En los escenarios más críticos, donde el atacante utilizaba las técnicas más peligrosas, el sistema adaptativo fue más de tres veces mejor en mantener un engaño convincente que el enfoque estándar. Además, el sistema fue diseñado para ser eficiente en memoria, utilizando aproximadamente un 25 por ciento menos de memoria informática que las versiones no optimizadas, lo que permite que se ejecute en hardware modesto.

Quizás el hallazgo más sorprendente es el costo. Mientras que las plataformas de engaño comercial pueden costar entre cien mil y ciento cincuenta mil dólares al año, Chameleon puede ejecutarse en un servidor básico en la nube por aproximadamente diecisiete dólares al mes. Esto representa una reducción de costo de casi 490 veces. El sistema logra esto ejecutándose enteramente en procesadores de computadora estándar sin necesidad de tarjetas gráficas costosas, y mediante el uso de componentes de software de código abierto que los investigadores pusieron a disposición de forma gratuita. Todo el sistema, incluyendo el código y los datos utilizados para las pruebas, se publica bajo una licencia que permite a cualquier persona estudiar, modificar y utilizarlo.

El estudio confirma que el engaño adaptativo no solo es posible, sino altamente efectivo cuando el sistema puede aprender del atacante en tiempo real. Al acoplar un detector de amenazas rápido con una IA conversacional y una optimización inteligente, los investigadores crearon una trampa que es difícil de reconocer y costosa de sortear para un atacante. Los resultados fueron verificados mediante pruebas rigurosas, pasando el sistema una serie de noventa y un pruebas automatizadas y mostrando mejoras estadísticamente significativas sobre los métodos existentes. Aunque los resultados actuales se basan en simulaciones y experimentos controlados, los autores sugieren que el enfoque ofrece una nueva herramienta poderosa y asequible para la ciberseguridad, cambiando potencialmente la forma en que las organizaciones protegen sus redes al convertir el costo del engaño de un lujo en una práctica estándar y accesible.

Resumen Técnico: Chameleon – Una Arquitectura de Honeypot Adaptativa Impulsada por IA

Declaración del Problema
Las instalaciones de honeypots tradicionales sufren una vulnerabilidad crítica: un perfil de comportamiento invariante. Los adversarios experimentados pueden identificar estos entornos de engaño mediante unos pocos comandos de diagnóstico (por ejemplo, uname -a) al cotejar patrones de respuesta deterministas contra huellas digitales de honeypots conocidos. Aunque existen productos de engaño comerciales, estos son prohibitivamente costosos (USD 100,000–150,000 anuales) y carecen de bucles de retroalimentación en tiempo real impulsados por modelos para adaptar sus respuestas dinámicamente. Las soluciones de código abierto existentes como Cowrie y T-Pot comparten la misma deficiencia estructural: su salida de comportamiento es fija en el despliegue y no puede evolucionar en respuesta a una sesión activa. Esto crea una brecha donde los defensores no pueden redistribuir eficazmente la asimetría del compromiso del atacante sin incurrir en costos masivos o depender de sensores estáticos y fácilmente detectables.

Metodología y Arquitectura
El artículo presenta Chameleon, una plataforma de honeypot de código abierto y adaptativa diseñada para cerrar esta brecha de capacidad a través de una arquitectura de cinco capas acopladas por retroalimentación. El sistema opera en hardware exclusivo de CPU e integra tres componentes principales:

Pipeline de Clasificación de Amenazas:
- Preprocesamiento: Las cargas útiles entrantes se someten a un pipeline de normalización de cuatro etapas (colapso de Unicode NFKC, mapeo de caracteres estructurales, supresión de caracteres de control y normalización a nivel de token) para prevenir la evasión basada en codificación.
- Clasificador BiLSTM: Una red neuronal de memoria de largo y corto plazo bidireccional (BiLSTM) clasifica el tráfico en siete categorías (inyección SQL, XSS, inclusiones del lado del servidor, salto de directorio, RCE, fuerza bruta y benigno). Entrenada con 50,000 ejemplos, logra una precisión del 99.61% con una latencia de CPU de aproximadamente 2ms.
- Lógica de Decisión: Las cargas útiles con una probabilidad de clase $\theta \geq 0.85$ se escalan al motor de engaño; el tráfico benigno recibe respuestas estáticas ligeras para mantener una baja latencia.
Motor de Engaño Semántico:
- Integración de LLM: Las sesiones escaladas son gestionadas por un modelo de lenguaje Qwen3.5-0.8B desplegado localmente (ajustado mediante Low-Rank Adaptation). Genera respuestas de terminal conscientes del contexto con un 90% de precisión y una latencia promedio de 4.5ms.
- Continuidad de la Sesión: Se mantiene un historial rotativo de hasta 20 turnos de comando-respuesta por cada dirección IP de origen para asegurar interacciones coherentes.
- Fiabilidad: El sistema emplea un disyuntor (circuit breaker), un caché de respuesta TTL (que reduce las llamadas al modelo entre un 30–60%) y un escáner de patrones de credenciales OGCPS para la detección de exfiltración.
Capas de Optimización Meta-Heurística:
- Optimización de Enjambre de Partículas Calibrada por Amenazas (TC-PSO): Este módulo ajusta dinámicamente los retrasos de mantenimiento de conexión. A diferencia del PSO estándar con inercia fija, el TC-PSO modula el peso de la inercia $w(t)$ basado en la puntuación de anomalía $A(t)$ del BiLSTM. A medida que la severidad de la amenaza aumenta, la inercia disminuye para forzar una convergencia rápida hacia los retrasos máximos de compromiso. También amplifica la recompensa de la función objetivo para sesiones de alta severidad.
- Árboles de Exploración Aleatoria Rápidos de Engaño Semántico (S-RRT): Este módulo evoluciona el esquema del sistema de archivos de engaño. Utiliza un Índice de Severidad de Carga Útil ( $\Psi$ ) computado por el LLM para escalar exponencialmente las actualizaciones de feromonas ( $\Delta\tau' = \Delta\tau \cdot e^{\Psi-1}$ ). Los ataques de alta severidad depositan significativamente más feromona, guiando el árbol hacia esquemas de engaño efectivos. Crucialmente, un multiplicador de decaimiento de profundidad impone una huella de memoria finita, evitando la proliferación incontrolada de nodos vista en los RRT estándar.

Contribuciones Clave
El artículo presenta cinco contribuciones primarias:

TC-PSO: La primera aplicación de una señal de anomalía derivada de BiLSTM para gobernar la inercia de las partículas y la amplificación de objetivos específicamente para la optimización del tarpit-delay en honeypots.
S-RRT: Una variante novedosa de la familia RRT donde la retroalimentación de feromonas se escala exponencialmente por un índice de severidad computado por LLM, combinada con una restricción de memoria de decaimiento de profundidad demostrable.
Cascada Acoplada por Retroalimentación: Un pipeline de dos etapas que empareja el clasificador BiLSTM con un modelo compacto Qwen3.5-0.8B, logrando una precisión combinada de ~99.5% con una latencia de ~4.5ms en hardware exclusivo de CPU.
Instrumentación de Producción: Un stack completo que incluye registros forenses encadenados por Merkle anclados a Ethereum Sepolia, archivos canary de honeytoken que activan la generación de paquetes STIX 2.1, y un sensor SSH basado en Paramiko con emulación completa de pseudo-terminal.
Reproducibilidad: Lanzamiento completo del código fuente bajo licencia MIT, conjuntos de datos de referencia y una suite de 91 pruebas deterministas para la replicación independiente.

Resultados
Los experimentos se realizaron en hardware Apple M-Series ARM64 (16GB RAM) a través de cinco ejecuciones independientes (semillas 42–46) sin aceleración de GPU.

Rendimiento de TC-PSO: Superó al PSO estándar en un 48.1% en la aptitud media final (de 2.60 a 3.85) y logró una ganancia del 32.7% en la velocidad de convergencia. Todas las diferencias fueron estadísticamente significativas ( $p < 0.01$ ).
Rendimiento de S-RRT: Excedió al RRT estándar en un 258.9% en la aptitud de la mejor ejecución (de 450.2 a 1,615.8). En severidad crítica ( $\Psi = 3.0$ ), la ganancia de aptitud fue del 329.2% (de 264.64 a 1,135.75). El S-RRT también logró una reducción del 24.9% en el consumo de memoria en comparación con las líneas base sin restricciones.
Clasificación y Latencia: El clasificador BiLSTM alcanzó una precisión del 99.61% con una tasa de falsos positivos del 0.39%. El modelo Qwen3.5-0.8B logró un 90% de precisión en la generación de contexto. La latencia promedio ponderada del pipeline fue de aproximadamente 4.5ms.
Eficiencia de Costos: Los costos operativos se estiman en USD 17 al mes para una instancia en la nube de un solo núcleo, lo que representa una reducción de aproximadamente 490 veces en comparación con las alternativas comerciales (aprox. USD 8,333/mes).

Significancia y Reivindicaciones
El artículo afirma que Chameleon demuestra que la infraestructura de engaño conductualmente adaptativa es alcanzable a una fracción del costo de las soluciones comerciales patentadas. Sostiene que las formulaciones meta-heurísticas de dominio específico son críticas; los algoritmos de optimización estándar (PSO, RRT) aplicados sin modificaciones producen resultados sustancialmente inferiores comparados con las versiones calibradas por amenazas (TC-PSO, S-RRT).

La significancia del trabajo reside en su robustez estadística (todas las mejoras se mantienen con $p < 0.01$ ) y su integración de extremo a extremo de clasificación de amenazas, optimización meta-heurística y generación de respuestas impulsada por modelos de lenguaje en infraestructura de código abierto exclusiva de CPU. Al liberar el sistema bajo una licencia MIT, los autores pretenden reducir la barrera para la investigación de engaño adaptativo y contribuir a una literatura empíricamente fundamentada sobre el diseño de meta-heurísticas.

Limitaciones
Los autores reconocen cuatro limitaciones:

El modelo Qwen3.5-0.8B fue ajustado para solo 600 iteraciones; se extrapola una precisión mayor (94–96%) para 2,000 iteraciones, pero no se ejecutó debido a restricciones de recursos.
Todos los experimentos se realizaron en simulación; la validación en el mundo real requiere despliegue en vivo con aprobación ética.
Los algoritmos de optimización son actualmente de un solo objetivo; el trabajo futuro podría extenderlos a marcos de múltiples objetivos (por ejemplo, NSGA-II).
El Índice de Severidad de la Carga Útil utiliza valores discretos; se propone una calibración continua para mejoras de precisión futuras.

Resumen Técnico: Chameleon – Una Arquitectura de Honeypot Adaptativa Impulsada por IA

Más como este