自适应 LLM 驱动蜜罐对抗 LLM 驱动攻击者:叙事连贯性能否提升欺骗效果?
Adaptive LLM-Driven Honeypots vs. LLM-Driven Attackers: Does Narrative Coherence Improve Deception?
AI 导读
论文提出并验证了叙事欺骗(narrative deception)蜜罐策略,实验显示连贯的场景叙事能把高技能 LLM 攻击者的会话长度中位数从 40 条命令提升到 165 条、放弃率从 86% 降到 52%。方法上,防御方把观测到的攻击者命令映射到 MITRE ATT&CK 技术,从基于 MITRE Engage 的目录中选取兼容场景,在入侵进行时于模拟 Ubuntu 主机上部署相互引用的文件、进程、服务和日志。LLM 防御者与自主 LLM 攻击者通过真实 SSH 会话交互,终止策略区分攻击者是因怀疑被欺骗还是因失去兴趣而放弃。1150 次会话比较了 Static、Same-TTP、Multi-TTP、Chain 四种条件,覆盖 4 个开放权重攻击者模型、4 个防御者模型和 3 种攻击技能水平,参与度逐步显著提升;该效果随攻击技能增强,在全部 16 个模型组合上成立,推理成本相当。