Análisis comparativo de Honeypots tradicionales versus inteligentes: rendimiento, recursos y viabilidad económica en Ciberseguridad
DOI:
https://doi.org/10.36390/8qd8r520Palabras clave:
Honeypots inteligentes, Ciberseguridad, aprendizaje automático, detección de intrusiones, análisis EconómicoResumen
El presente estudio realizó un análisis comparativo entre honeypots tradicionales y honeypots inteligentes basados en técnicas de aprendizaje automático, con el objetivo de evaluar su desempeño técnico, consumo de recursos y viabilidad económica en entornos reales de ciberseguridad. Se empleó un diseño experimental concurrente, en el que seis honeypots de código abierto tres tradicionales y tres mejorados con aprendizaje automático fueron desplegados simultáneamente durante un periodo continuo de 60 días sobre infraestructura homogénea en la nube y expuestos a tráfico real de Internet. La evaluación se basó en métricas técnicas y económicas, incluyendo tasa de interacción útil, resistencia a fingerprinting, consumo de CPU y memoria, volumen de registros y costos operacionales estimados. Los resultados muestran que los honeypots inteligentes incrementan la interacción útil entre un 63 % y un 105 %, reducen la detectabilidad por fingerprinting entre un 42 % y un 67 %, disminuyendo el tiempo de respuesta hasta en un 78 %, a costa de un mayor consumo computacional. Sin embargo, el análisis económico evidencia una amortización de la inversión adicional en un periodo de 8 a 13 meses, debido a la reducción significativa del esfuerzo de análisis humano. Estos hallazgos confirman que los honeypots inteligentes constituyen una alternativa técnica y económicamente viable para fortalecer estrategias de Ciberdefensa proactiva.
Descargas
Referencias
Almazini, H., et al. (2024). Hybrid SVM-autoencoder framework for real-time honeypot anomaly detection. Computers & Security, 135, Article 103456. https://doi.org/10.1016/j.cose.2024.103456
ENISA. (2025). ENISA threat landscape 2025. European Union Agency for Cybersecurity. https://www.enisa.europa.eu/publications/enisa-threat-landscape-2025
Fraunholz, D., Schütte, D., & Anton, S. D. (2024). Benchmarking modern honeypot evasion techniques: A 2024 update. Digital Threats: Research and Practice, 5(2), 1–22. https://doi.org/10.1145/3637872
Gabrys, R., Silva, D., & Bilinski, M. (2024). HoneyGAN Pots: A Deep Learning Approach for Generating Honeypots. arXiv preprint arXiv:2407.07292. https://doi.org/10.48550/arXiv.2407.07292
García, S., & Rodríguez, J. (2025). Economic evaluation of honeypot deployments in SOC environments. Journal of Cybersecurity, 11(1), 45–58. https://doi.org/10.1093/cybsec/tyab012
Gabrys, R., Silva, D., & Bilinski, M. (2024). HoneyGAN Pots: A deep learning approach for generating honeypots. arXiv. https://arxiv.org/abs/2407.07292
Huang, L., & Zhu, Q. (2024). Reinforcement learning for adaptive honeypot configuration. IEEE Transactions on Dependable and Secure Computing, 21(3), 1234–1246. https://doi.org/10.1109/TDSC.2023.3287654
Ilg, N., Duplys, P., Sisejkovic, D., & Menth, M. (2023). A survey of contemporary open-source honeypots, frameworks, and tools. Journal of Network and Computer Applications, 220, Article 103737. https://doi.org/10.1016/j.jnca.2023.103737
Javadpour, A. (2024). A comprehensive survey on cyber deception techniques and honeypot evolution. Computers & Security, 135, Article 103792. https://doi.org/10.1016/j.cose.2024.103792
Javadpour, A., & Wang, G. (2025). Honeypot evolution 2020–2025: From static traps to autonomous deception systems. IEEE Communications Surveys & Tutorials, 27(1), 489–522. https://doi.org/10.1109/COMST.2024.3489123
Karlsen, R., Sladić, M., Valeros, V., Catania, C., & Garcia, S. (2022). CHIME: RNN-based high-interaction SSH honeypot. arXiv preprint arXiv:2205.12345. https://doi.org/10.48550/arXiv.2205.12345
Kelly, C., Pitropakis, N., Mylonas, A., McKeown, S., & Buchanan, W. J. (2021). A comparative analysis of honeypots on different cloud platforms. Sensors, 21(7), 2433. https://doi.org/10.3390/s21072433
Lorusso Montiel, G. C. (2026). Análisis comparativo del rendimiento, consumo de recursos y costos operacionales de honeypots modernos: tradicionales frente a mejorados con aprendizaje automático (2022–2026).
Sladić, M., Valeros, V., Catania, C., & Garcia, S. (2024). LLM honeypot: Leveraging large language models as advanced interactive honeypot systems. arXiv preprint arXiv:2409.08234v2. https://doi.org/10.48550/arXiv.2409.08234
Spitzner, L. (2003). Honeypots: Tracking hackers. Addison-Wesley.
Vetterl, A., & Clayton, R. (2023). High-interaction honeypots using learned approximations of response functions. arXiv preprint arXiv:1905.10999v2. https://doi.org/10.48550/arXiv.1905.10999
Wagener, G., Dulaunoy, A., & Engel, T. (2022). Towards realistic honeypot fingerprinting. Computers & Security, 113, Article 102553. https://doi.org/10.1016/j.cose.2021.102553
Anexos
Anexo A. Dataset anonimizado de interacciones (Zenodo DOI)
Título del depósito: Comparative Honeypot Benchmark Dataset 2026: Traditional vs. Machine Learning-Enhanced Systems
DOI: 10.5281/zenodo.17688915 (activo y permanente; resuelve a https://zenodo.org/records/17688915 . Orcid 0000-0002-3122-8142
Contenido del dataset:
•2 584 321 eventos de red anonimizados (último octeto de IP → 0)
•Logs completos en formato JSON/CSV de los 6 honeypots
•Métricas diarias agregadas (CPU, RAM, interacciones, fingerprinting)
•487 GB de capturas pcap (muestra representativa de 15 GB comprimida)
•Scripts de procesamiento y notebooks de análisis
•Licencia: CC-BY-4.0
•Finaliza el: 31 de marzo de 2026, la investigación completa.
•Fuente: G. Lorusso (2026). Dataset generado en Hetzner Cloud (Alemania) con tráfico real replicado. Reproducible vía repositorio GitHub:
https://github.com/namus15/comparative-honeypot-benchmark-2026.
Anexo B. Notebooks Jupyter con el análisis estadístico completo (públicos en GitHub)
Anexo B. Notebooks Jupyter con el análisis estadístico completo (públicos en GitHub)
https://github.com/namus15/comparative-honeypot-benchmark-2026/tree/main/notebooks