🤖 AI

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

O Chameleon é uma plataforma de honeypot impulsionada por IA, adaptável e de baixo custo, que supera a natureza estática dos sistemas de decepção tradicionais ao integrar um classificador de ameaças BiLSTM, um modelo de linguagem local Qwen3.5-0.8B e novos motores metaheurísticos TC-PSO e S-RRT para evoluir dinamicamente as respostas semânticas em tempo real, alcançando precisão de detecção e convergência superiores, enquanto reduz os custos operacionais em aproximadamente 490 vezes em comparação com alternativas comerciais.

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

Publicado 2026-08-18

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

No mundo digital, as equipes de segurança enfrentam um fluxo constante e avassalador de alertas. Todos os dias, as organizações processam milhares de potenciais ameaças, mas os analistas humanos conseguem investigar apenas uma pequena fração delas. As defesas tradicionais, como firewalls, atuam como portões rígidos que apenas reconhecem atores maldosos conhecidos; elas têm dificuldade quando os atacantes usam novos truques ou se escondem dentro do tráfego normal. Para resolver isso, especialistas há muito utilizam "honeypots" (potes de mel), sistemas isca projetados para parecer computadores reais e vulneráveis. Essas armadilhas atraem os atacantes, permitindo que os defensores estudem seus métodos sem arriscar dados reais. No entanto, a maioria dos honeypots existentes é estática. Uma vez configurados, seu comportamento nunca muda. Um atacante habilidoso pode rapidamente testar alguns comandos, perceber que as respostas são perfeitas demais ou rígidas demais, e identificar o sistema como uma armadilha, partindo antes que qualquer informação útil seja coletada.

Os pesquisadores Rohit Swami, Tushar Singh, Akash Warde e Sri Muthu desenvolveram um novo tipo de honeypot chamado Chameleon para corrigir essa falha. Ao contrário de seus predecessores estáticos, o Chameleon é um sistema adaptável que altera seu comportamento em tempo real com base no que o atacante está fazendo. Ele combina um detector de ameaças rápido com um modelo de linguagem capaz de manter uma conversa, tudo guiado por dois motores de otimização especializados. O objetivo é manter o atacante engajado tempo suficiente para aprender suas táticas, enquanto faz isso a uma fração mínima do custo das alternativas comerciais caras. A equipe testou seu sistema em simulações, descobrindo que ele poderia distinguir entre tráfego inofensivo e ataques genuínos com precisão quase perfeita, e que suas estratégias adaptativas superaram significativamente os métodos padrão utilizados na área.

A inovação central do Chameleon reside em como ele reage ao perigo. Quando uma conexão é feita, o sistema primeiro analisa os comandos recebidos para determinar se são benignos ou maliciosos. Ele utiliza uma rede neural, um tipo de programa de computador modelado após o céreento humano, para escanear o texto dos comandos. Este classificador é incrivelmente rápido, tomando uma decisão em cerca de dois milissegundos, e identifica corretamente sete tipos diferentes de ameaças, como tentativas de roubar dados ou assumir o controle de um servidor, com uma precisão de 99,61 por cento. Se o tráfego for inofensivo, o sistema responde com uma resposta simples e rápida. Mas se o sistema detectar uma ameaça séria, ele escala a interação para uma camada mais sofisticada.

Esta segunda camada envolve um modelo de linguagem, uma versão compacta de uma inteligência artificial projetada para entender e gerar texto semelhante ao humano. Em vez de dar uma resposta pronta, este modelo engaja o atacante em uma conversa realista, imitando um sistema operacional real. Ele lembra o histórico da conversa para manter a consistência, garantindo que o engano pareça autêntico. Para evitar que o atacante saia, o sistema também emprega duas estratégias matemáticas para decidir quanto tempo manter a conexão e como evoluir o sistema de arquivos falso que apresenta. Uma estratégia ajusta o atraso antes da resposta, fazendo o sistema parecer lento ou pouco responsivo de uma forma que frustra o atacante e o mantém tentando. A outra estratégia expande uma estrutura de diretórios complexa e falsa que imita um servidor real, mas o faz de forma inteligente, focando sua energia nas partes do sistema que o atacante realmente está interessado.

Os pesquisadores descobriram que essas estratégias adaptativas fizeram uma diferença enorme. Quando compararam seus novos métodos com versões padrão, não adaptativas, os resultados foram impressionantes. O sistema adaptativo melhorou a qualidade de seu engajamento em quase 50 por cento em um teste e em mais de 250 por cento em outro. Nos cenários mais críticos, onde o atacante estava usando as técnicas mais perigosas, o sistema adaptativo foi mais de três vezes melhor em manter um engano convincente do que a abordagem padrão. Além disso, o sistema foi projetado para ser eficiente em termos de memória, usando cerca de 25 por cento menos memória de computador do que as versões não otimizadas, o que permite que ele rode em hardware modesto.

Talvez a descoberta mais surpreendente seja o custo. Enquanto as plataformas de decepção comercial podem custar entre cem mil e cento e cinquenta mil dólares por ano, o Chameleon pode ser executado em um servidor básico na nuvem por aproximadamente dezessete dólares por mês. Isso representa uma redução de custo de quase 490 vezes. O sistema alcança isso rodando inteiramente em processadores de computador padrão, sem precisar de placas de vídeo caras, e usando componentes de software de código aberto que os pesquisadores disponibilizaram gratuitamente. Todo o sistema, incluindo o código e os dados usados para testá-lo, é lançado sob uma licença que permite que qualquer pessoa estude, modifique e use.

O estudo confirma que a decepção adaptativa não é apenas possível, mas altamente eficaz quando o sistema consegue aprender com o atacante em tempo real. Ao acoplar um detector de ameaças rápido com uma IA conversacional e uma otimização inteligente, os pesquisadores criaram uma armadilha que é difícil de reconhecer e cara para um atacante contornar. Os resultados foram verificados através de testes rigorosos, com o sistema passando por uma série de noventa e um testes automatizados e mostrando melhorias estatisticamente significativas sobre os métodos existentes. Embora os resultados atuais sejam baseados em simulações e experimentos controlados, os autores sugerem que a abordagem oferece uma nova ferramenta poderosa e acessível para a cibersegurança, potencialmente mudando a forma como as organizações protegem suas redes ao transformar o custo da decepção de um luxo em uma prática padrão e acessível.

Resumo Técnico: Chameleon – Uma Arquitetura de Honeypot Adaptativa Impulsionada por IA

Declaração do Problema
As instalações tradicionais de honeypots sofrem de uma vulnerabilidade crítica: um perfil comportamental invariante. Adversários habilidosos podem identificar esses ambientes de decepção por meio de alguns comandos diagnósticos (ex: uname -a), ao combinar padrões de resposta determinísticos contra assinaturas conhecidas de honeypots. Embora existam produtos de decepção comerciais, eles são proibitivamente caros (USD 100.000–150.000 anualmente) e carecem de loops de feedback em tempo real, baseados em modelos, para adaptar suas respostas dinamicamente. Soluções de código aberto existentes, como Cowrie e T-Pot, compartilham a mesma deficiência estrutural: seu output comportamental é fixo no momento da implantação e não pode evoluir em resposta a uma sessão ativa. Isso cria uma lacuna onde os defensores não conseguem redistribuir efetivamente a assimetria do engajamento do atacante sem incorrer em custos massivos ou depender de sensores estáticos e facilmente detectáveis.

Metodologia e Arquitetura
O artigo apresenta o Chameleon, uma plataforma de honeypot adaptativa e de código aberto, projetada para fechar essa lacalidade de capacidade através de uma arquitetura de cinco camadas com acoplamento de feedback. O sistema opera em hardware apenas com CPU e integra três componentes principais:

Pipeline de Classificação de Ameaças:
- Pré-processamento: Os payloads recebidos passam por um pipeline de normalização de quatro estágios (colapso Unicode NFKC, mapeamento de caracteres estruturais, supressão de caracteres de controle e normalização de nível de token) para evitar evasão baseada em codificação.
- Classificador BiLSTM: Uma rede neural de memória de longo prazo bidirecional (BiLSTM) classifica o tráfego em sete categorias (injeção de SQL, XSS, inclusão de servidor, path traversal, RCE, força bruta e benigno). Treinado em 50.000 exemplos, alcança 99,61% de precisão com aproximadamente 2ms de latência de CPU.
- Lógica de Decisão: Payloads com uma probabilidade de classe $\theta \geq 0,85$ são escalonados para o motor de decepção; o tráfego benigno recebe respostas estáticas leves para manter a baixa latência.
Motor de Decepção Semântica:
- Integração de LLM: Sessões escalonadas são gerenciadas por um modelo de linguagem Qwen3.5-0.8B implantado localmente (ajustado via Low-Rank Adaptation). Ele gera respostas de terminal contextuais com 90% de precisão e latência média de 4,5ms.
- Continuidade de Sessão: Um histórico rotativo de até 20 turnos de comando-resposta por endereço IP de origem é mantido para garantir interações coerentes.
- Confiabilidade: O sistema emprega um disjuntor (circuit breaker), um cache de resposta TTL (reduzindo as chamadas ao modelo em 30–60%) e um scanner de padrão de credenciais OGCPS para detecção de exfiltração.
Camadas de Otimização Meta-heurística:
- Otimização de Enxame de Partículas Calibrada por Ameaças (TC-PSO): Este módulo ajusta dinamicamente os atrasos de manutenção de conexão. Diferente do PSO padrão com inércia fixa, o TC-PSO modula o peso de inércia $w(t)$ com base no escore de anomalia $A(t)$ do BiLSTM. À medida que a severidade da ameaça aumenta, a inércia diminui para forçar a convergência rápida em direção ao máximo de atraso de engajamento. Ele também amplifica a recompensa da função objetivo para sessões de alta severidade.
- Árvores de Busca Aleatória de Expansão Rápida de Decepção Semântica (S-RRT): Este módulo evolui o esquema do sistema de arquivos de decepção. Ele utiliza um Índice de Severidade de Payload ( $\Psi$ ) computado pelo LLM para escalar exponencialmente as atualizações de feromônio ( $\Delta\tau' = \Delta\tau \cdot e^{\Psi-1}$ ). Ataques de alta severidade depositam significativamente mais feromônio, guiando a árvore para esquemas de decepção eficazes. Crucialmente, um multiplicador de decaimento de profundidade impõe uma pegada de memória finita, evitando a proliferação descontrolada de nós vista em RRTs padrão.

Principais Contribuições
O artigo apresenta cinco contribuições primárias:

TC-PSO: A primeira aplicação de um sinal de anomalia derivado de BiLSTM para governar a inércia das partículas e a amplificação do objetivo especificamente para a otimização de atraso de tarpit em honeypots.
S-RRT: Uma variante novel da família RRT onde o reforço de feromônio é escalonado exponencialmente por um índice de severidade computado por LLM, combinada com uma restrição de memória de decaimento de profundidade comprovável.
Cascata de Feedback Acoplado: Um pipeline de dois estágios pareando o classificador BiLSTM com um modelo compacto Qwen3.5-0.8B, alcançando ~99,5% de precisão combinada com ~4,5ms de latência em hardware apenas com CPU.
Instrumentação de Produção: Um stack completo incluindo logs forenses encadeados por Merkle ancorados à Ethereum Sepolia, arquivos canary de honeytoken disparando a geração de bundles STIX 2.1 e um sensor SSH baseado em Paramiko com emulação completa de pseudo-terminal.
Reprodutibilidade: Lançamento completo do código-fonte sob licença MIT, conjuntos de dados de benchmark e uma suíte de 91 testes determinísticos para replicação independente.

Resultos
Experimentos foram conduzidos em hardware Apple M-Series ARM64 (16GB RAM) através de cinco execuções independentes (seeds 42–46) sem aceleração de GPU.

Desempenho TC-PSO: Superou o PSO padrão em 48,1% na média de fitness final (2,60 para 3,85) e obteve um ganho de 32,7% na velocidade de convergência. Todas as diferenças foram estatisticamente significativas ( $p < 0,01$ ).
Desempenho S-RRT: Excedeu o RRT padrão em 258,9% no melhor fitness de execução (450,2 para 1.615,8). Em severidade crítica ( $\Psi = 3,0$ ), o ganho de fitness foi de 329,2% (264,64 para 1.135,75). O S-RRT também alcançou uma redução de 24,9% no consumo de memória em comparação com baselines sem restrições.
Classificação e Latência: O classificador BiLSTM alcançou 99,61% de precisão com uma taxa de falso-positivo de 0,39%. O modelo Qwen3.5-0.8B alcançou 90% de precisão de geração contextual. A latência média ponderada do pipeline foi de aproximadamente 4,5ms.
Eficiência de Custo: Custos operacionais são estimados em USD 17 por mês para uma instância de nuvem de núcleo único, representando uma redução de aproximadamente 490 vezes em comparação com alternativas comerciais (aprox. USD 8.333/mês).

Significância e Alegações
O artigo alega que o Chameleon demonstra que a infraestrutura de decepção comportamentalmente adaptável é alcançável a uma fração do custo das soluções proprietárias comerciais. Afirma que formulações meta-heurísticas específicas para o domínio são críticas; algoritmos de otimização padrão (PSO, RRT) aplicados sem modificação produzem resultados substancialmente inferiores comparados às versões calibradas por ameaças (TC-PSO, S-RRT).

A significância do trabalho reside em sua robustez estatística (todas as melhorias mantêm-se em $p < 0,01$ ) e sua integração de ponta a ponta de classificação de ameaças, otimização meta-heurística e geração de resposta impulsionada por modelos de linguagem em infraestrutura de código aberto apenas com CPU. Ao lançar o sistema sob uma licença MIT, os autores visam baixar a barreira para a pesquisa de decepção adaptativa e contribuir para uma literatura mais empiricamente fundamentada sobre design de meta-heurísticas.

Limitações
Os autores reconhecem quatro limitações:

O modelo Qwen3.5-0.8B foi ajustado para apenas 600 iterações; uma precisão maior (94–96%) é extrapolada para 2.000 iterações, mas não foi executada devido a restrições de recursos.
Todos os experimentos foram conduzidos em simulação; a validação no mundo real requer implantação ao vivo com aprovação ética.
Os algoritmos de otimização são atualmente de objetivo único; trabalhos futuros poderiam estendê-los para frameworks de múltiplos objetivos (ex: NSGA-II).
O Índice de Severidade de Payload usa valores discretos; uma calibração contínua é proposta para melhorias de precisão futuras.

Resumo Técnico: Chameleon – Uma Arquitetura de Honeypot Adaptativa Impulsionada por IA

Mais como este