Kamolchanok Saengtong, Chutirat Saengyingyongwattana, Sasin Janpuangtong, Norrathep Rattanavipanon · 2026 · arXiv
DOI: 10.48550/arXiv.2610.27722 · open-access PDF
बड़े भाषा मॉडल (एलएलएम) गतिशील, संदर्भ-जागरूक प्रतिक्रियाओं को उत्पन्न करके हनीपॉट वास्तविकता में सुधार कर सकते हैं, लेकिन शक्तिशाली क्लाउड मॉडल काफी लागत और देरी का सामना करते हैं, जबकि हल्के मॉडल कमजोर धोखा दे सकते हैं। यह अभ्यासकों को संचालन दक्षता और बातचीत वफादारी के बीच चयन करने के लिए मजबूर करता है। इस काम में, हम HydraPoT, एक कॉन्फ़िगरिबल मल्टी-एजेंट हनीपॉट फ्रेमवर्क प्रस्तुत करते हैं जो पारंपरिक एमुलेशन, हल्के एलएलएम, और शक्तिशाली क्लाउड एलएलएम को एकीकृत करता है।
Machine translation (Meta M2M100); the English original follows.
Large language models (LLMs) can improve honeypot realism by generating dynamic, context-aware responses, but powerful cloud models incur substantial cost and latency, while lightweight models may provide weaker deception. This forces practitioners to choose between operational efficiency and interaction fidelity. In this work, we present HydraPoT, a configurable multi-agent honeypot framework that integrates traditional emulation, lightweight LLMs, and powerful cloud LLMs. HydraPoT routes each attacker command to an appropriate agent according to a configurable complexity-based policy, while
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.27722, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange