面向深度学习威胁行为分析的自适应多层次蜂网架构

日益增长的网络威胁的复杂性和多样性使静态蜂罐变得不足，亟需一种自适应且以情报为导向的欺骗系统。本文介绍ADLAH：一种自适应深度学习异常检测蜂网，旨在通过自主编排基础设施最大化高保真威胁情报，同时最小化成本。其主要贡献是提供一个贯穿端到端的架构蓝图和愿景，用于AI驱动的欺骗平台。可行性通过中央决策机制的功能原型得到证明，其中一个强化学习 (RL) 代理实时确定会话何时应该从低交互传感器节点升级到动态配置的高交互蜂罐。由于缺乏足够的实地数据，不能声称进行大规模验证；相反，详细阐述了设计权衡和局限性，并提供了一套走向大规模经验评估的严格路线图。除了选择性升级和异常检测，该架构还追求自动从提取、聚类和版本化机器人攻击链，这一核心能力是基于经验观察到的暴露服务主导自动化流量。这些元素共同描绘了一条通往高价值对手行为捕获、系统机器人版本化以及可操作威胁情报生产的实用路径。