Integrating Generative AI into Honeypots for Capturing Botnets

• Cleber Reis UFPA
• Eduardo Lourenço UFPA
• Reginaldo Santos UFPA
• André Riker UFPA / ASU

DOI: https://doi.org/10.5753/eniac.2025.14010

Resumo

Honeypot é uma técnica que complementa os sistemas de defesa em cibersegurança. Um honeypot consiste em um sistema "isca" que simula alvos atraentes e vulneráveis para potenciais atacantes. Neste artigo, abordamos a falta de capacidade de honeypots baseados em scripts para simular um dispositivo real para atacantes botnet. Além disso, outro problema abordado é a falta de funcionalidades automatizadas de geração de dados relacionados ao contexto, análise de dados de log para criação de relatórios e emissão de alertas e ações de mitigação. Para atacar estes problemas, propomos um honeypot que integra IA generativa, um modelo grande de linguagem capaz de melhorar a interação com o atacante e prover ações automatizadas de: (i) adaptação de respostas de comando; (ii) geração de informação de contexto; (iii) geração de relatórios, execução de ações de defesa e emissão de alertas. Além disso, este artigo apresenta e avalia uma prova de conceito da funcionalidade responsável pelas respostas de linha de comando, usando o honeypot Cowrie como referência. Foram feitos testes para medir a precisão das respostas de linha de comandos produzidos pelo honeypot proposto, o tempo necessário para geração das respostas e o número de Tokens. Os resultados obtidos revelam a viabilidade da integração proposta, mostrando que modelo grande de linguagem é uma alternativa promissora para que honeypots atinjam um maior nível no engano de atacantes, em especial botnets.

Referências

Bagui, S. e Li, K. (2021). Resampling imbalanced data for network intrusion detection datasets. Journal of Big Data, 8(1):6.

Bertino, E. e Islam, N. (2017). Botnets and internet of things security. Computer, 50(2):76–79.

Christli, J. A., Lim, C., e Andrew, Y. (2024). Ai-enhanced honeypots: Leveraging llm for adaptive cybersecurity responses. In 2024 16th International Conference on Information Technology and Electrical Engineering (ICITEE), pages 451–456. IEEE.

Guan, C., Cao, G., e Zhu, S. (2024). Honeyllm: Enabling shell honeypots with large language models. In 2024 IEEE Conference on Communications and Network Security (CNS), pages 1–9.

Guan, C., Liu, H., Cao, G., Zhu, S., e La Porta, T. (2023). Honeyiot: Adaptive high-interaction honeypot for iot devices through reinforcement learning. In Proceedings of the 16th ACM Conference on Security and Privacy in Wireless and Mobile Networks, pages 49–59.

Koroniotis, N., Moustafa, N., Sitnikova, E., e Turnbull, B. (2019). Towards the development of realistic botnet dataset in the internet of things for network forensic analytics: Bot-iot dataset. Future Generation Computer Systems, 100:779–796.

Kristyanto, M. A. e Louk, M. H. L. (2024). Evaluation and comparison of the use of reinforcement learning algorithms on ssh honeypot. Teknika, 13(1):77–85.

Ma, L., Chen, M., e Liu, L. (2024). Vdh: a dynamic honeynet technology based on game theory. In Fourth International Conference on Machine Learning and Computer Application (ICMLCA 2023), volume 13176, pages 430–438. SPIE.

Memos, V. A. e Psannis, K. E. (2022). Nfv-based scheme for effective protection against bot attacks in ai-enabled iot. IEEE Internet of Things Magazine, 5(1):91–95.

Omar, A. H. E., Soubra, H., Moulla, D. K., e Abran, A. (2024). An innovative honeypot architecture for detecting and mitigating hardware trojans in iot devices. IoT, 5(4):730–755.

Trajanovski, T. e Zhang, N. (2021). An automated and comprehensive framework for iot botnet detection and analysis (iot-bda). IEEE Access, 9:124360–124383.

Winkler, I. e Gomes, A. T. (2016). Advanced persistent security: a cyberwarfare approach to implementing adaptive enterprise protection, detection, and reaction strategies. Syngress.

Zhang, W., Zhang, B., Zhou, Y., He, H., e Ding, Z. (2019). An iot honeynet based on multiport honeypots for capturing iot attacks. IEEE Internet of Things Journal, 7(5):3991–3999.