論文の概要: Rouxii: Exploiting Honeypots with Deception-Aware AI Pentesters

• arxiv url: http://arxiv.org/abs/2609.26555v1
• Date: Tue, 22 Sep 2026 15:10:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 01:05:39.719115
• Title: Rouxii: Exploiting Honeypots with Deception-Aware AI Pentesters
• Title（参考訳）: Rouxii: 詐欺を意識したAIペンテストでハニーポットを爆発させる
• Abstract要約: 我々は、ハニーポットの指紋を認識して行動する自律的な攻撃者について、その逆の設定について研究する。 我々は、反欺と偵察を統合するAI駆動の浸透テストフレームワークであるRoxiiを紹介する。 騙しの有効性は攻撃者の知識に強く依存しており、AI攻撃者に対するハニーポットレジリエンスの評価は、騙し層を積極的に推論し活用する敵を考慮しなければならない。
• 参考スコア（独自算出の注目度）: 3.0102563923286856
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Honeypots are designed to deceive attackers, and recent work shows they can also derail autonomous LLM-based pentesters. These evaluations, however, largely consider attackers unaware of the deception they face. We study the opposite setting: an autonomous attacker explicitly equipped to recognize and act on honeypot fingerprints. We introduce Rouxii, an AI-driven penetration-testing framework that integrates counter-deception into reconnaissance and pivots from honeypot detection to exploitation. We evaluate matched vanilla and anti-deception Rouxii configurations across three reasoning models and eleven network setups over twelve cycles (1,544 attack reports). Between the matched cohorts, which differ only in the prompt, counter-deception raises correct honeypot identification from 19% to 97%, an effect strongest on OT services (11% to 97%), while false alarms on the real service stay at 0.7%. Deception-unaware baselines (PentestGPT, HackingBuddy) fail similarly, indicating the effect is not specific to our framework. Detection, moreover, is not the endpoint: through a white-box analysis of the honeypots themselves we show that a detected trap can be turned against its operator, demonstrating a denial-of-service that disables Conpot without tripping its liveness monitoring, and a corruption of the intelligence a GasPot instance reports. These findings show that deception effectiveness depends strongly on attacker knowledge, and that evaluations of honeypot resilience against AI attackers must account for adversaries that actively reason about and exploit the deception layer.
• Abstract（参考訳）: ハニーポットは攻撃者を欺くように設計されており、最近の研究は、自律的なLSMベースのペンテストも脱線できることを示している。 しかし、これらの評価は、攻撃者は彼らが直面している騙しを知らないと考えている。 我々は、ハニーポットの指紋を認識し、行動する自律的な攻撃者について、反対の設定について研究する。 我々は、AI駆動の侵入テストフレームワークであるRoxiiを紹介した。 我々は3つの推論モデルと11のネットワークセットアップを12サイクルで比較した(攻撃報告1,544件)。 一致したコホートと一致したコホートの間では、偽装は正しいハニーポット識別を19%から97%に引き上げ、OTサービスに最も強い効果(11%から97%)、実際のサービスの誤報は0.7%に留まる。 認識できないベースライン(PentestGPT, HackingBuddy)も同様に失敗し、その効果が我々のフレームワークに固有のものではないことを示す。 さらに、検出はエンドポイントではない。ハニーポット自体をホワイトボックスで分析することで、検出されたトラップがオペレータに対してターン可能であることを示し、ライブ監視をトリプルすることなくConpotを無効にするサービス拒否と、GasPotインスタンスが報告したインテリジェンスの破壊を実証する。 これらの結果から, 詐欺効果は攻撃者の知識に強く依存しており, 攻撃者に対するハニーポットの弾力性の評価は, 攻撃層を積極的に推論し活用する敵を考慮しなければならないことが示唆された。

関連論文リスト

• Crushing the Evidence: A Dual-Penalty Evasion Framework for Fooling White-Box Explainable AI Auditors [4.377640147713394]
  ポストホックモデルの説明器は、高感度ドメインのモデルを監査するために広くデプロイされている。 説明可能性パイプラインにおける潜在的な攻撃について、いくつかの研究がなされている。 より強力なホワイトボックス、勾配調整型回避攻撃フレームワークを導入する。
  論文  参考訳（メタデータ） (2026-08-01T10:03:14Z)
• Towards Agentic Honeynet Configuration [0.8873265946210988]
  ハニーポット(Honeypots)は、脅威情報を集めるために脆弱なサービスをエミュレートする詐欺システムである。 実践的ネットワークと計算資源では、露出可能なハニーポットの数を制限する。 この研究は、進行中の攻撃に対して、ハニーポットの露光を自律的に管理するAI駆動のエージェントアーキテクチャを調査する。
  論文  参考訳（メタデータ） (2026-03-14T21:15:49Z)
• Coward: Toward Practical Proactive Federated Backdoor Defense via Collision-based Watermark [90.94234374893287]
  我々は、マルチバックドア衝突効果の発見に触発されて、Cowardと呼ばれる新しいプロアクティブディフェンスを導入する。 一般に,サーバから注入された,矛盾するグローバルな透かしが,保持されるのではなく,ローカルトレーニング中に消去されるかどうかを評価することで攻撃者を検出する。
  論文  参考訳（メタデータ） (2025-08-04T06:51:33Z)
• Cyber Deception Reactive: TCP Stealth Redirection to On-Demand Honeypots [0.0]
  サイバー詐欺(Cyber Deception, CYDEC)とは、敵が騙されていることを知らずに行動を起こすことを欺くこと。 本稿では,オンデマンドハニーサーバへのTCP通信のステルスリダイレクトに基づく偽装機構の設計,実装,評価を行う。
  論文  参考訳（メタデータ） (2024-02-14T14:15:21Z)
• Malicious Agent Detection for Robust Multi-Agent Collaborative Perception [52.261231738242266]
  多エージェント協調(MAC)知覚は、単エージェント認識よりも敵攻撃に対して脆弱である。 MAC知覚に特異的な反応防御であるMADE(Malicious Agent Detection)を提案する。 我々は、ベンチマーク3DデータセットV2X-simとリアルタイムデータセットDAIR-V2Xで包括的な評価を行う。
  論文  参考訳（メタデータ） (2023-10-18T11:36:42Z)
• Rethinking Backdoor Attacks [122.1008188058615]
  バックドア攻撃では、悪意ある構築されたバックドアの例をトレーニングセットに挿入し、結果のモデルを操作に脆弱にする。 このような攻撃に対する防御は、典型的には、これらの挿入された例をトレーニングセットの外れ値として見ることと、堅牢な統計からのテクニックを使用してそれらを検出し、削除することである。 トレーニングデータ分布に関する構造情報がなければ,バックドア攻撃は自然に発生するデータの特徴と区別できないことを示す。
  論文  参考訳（メタデータ） (2023-07-19T17:44:54Z)
• Untargeted Backdoor Attack against Object Detection [69.63097724439886]
  我々は,タスク特性に基づいて,無目標で毒のみのバックドア攻撃を設計する。 攻撃によって、バックドアがターゲットモデルに埋め込まれると、トリガーパターンでスタンプされたオブジェクトの検出を失う可能性があることを示す。
  論文  参考訳（メタデータ） (2022-11-02T17:05:45Z)
• The "Beatrix'' Resurrections: Robust Backdoor Detection via Gram Matrices [24.173099352455083]
  Deep Neural Networks(DNN)は、トレーニング中のバックドア攻撃の影響を受けやすい。 本稿では,Beatrix(Gram行列によるバックドア検出)という新しい手法を提案する。 提案手法は動的バックドア検出においてF1スコア91.1%を達成し,36.9%に到達した。
  論文  参考訳（メタデータ） (2022-09-23T16:47:19Z)
• Illusory Attacks: Information-Theoretic Detectability Matters in Adversarial Attacks [76.35478518372692]
  エプシロン・イリューソリー(epsilon-illusory)は、シーケンシャルな意思決定者に対する敵対的攻撃の新たな形態である。 既存の攻撃と比較して,エプシロン・イリューソリーの自動検出は極めて困難である。 以上の結果から, より優れた異常検知器, 効果的なハードウェアおよびシステムレベルの防御の必要性が示唆された。
  論文  参考訳（メタデータ） (2022-07-20T19:49:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。