Newest papers

HydraPoT: A Configurable Multi-Agent Framework for Cost-Aware LLM-Assisted Honeypots

Kamolchanok Saengtong, Chutirat Saengyingyongwattana, Sasin Janpuangtong, Norrathep Rattanavipanon · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.27722 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Các mô hình ngôn ngữ lớn (LLM) có thể cải thiện sự hiện thực của honeypot bằng cách tạo ra phản ứng năng động, nhận thức ngữ cảnh, nhưng các mô hình đám mây mạnh mẽ có chi phí và độ trễ đáng kể, trong khi các mô hình nhẹ có thể cung cấp sự lừa dối yếu hơn. Điều này buộc các học viên lựa chọn giữa hiệu quả hoạt động và lòng trung thành tương tác. Trong công việc này, chúng tôi trình bày HydraPoT, một khuôn khổ honeypot đa đại lý có thể cấu hình tích hợp mô phỏng truyền thống, LLM nhẹ và LLM đám mây mạnh mẽ. HydraPoT định tuyến mỗi lệnh tấn công đến một đại lý thích hợp theo một chính sách dựa trên sự phức tạp có thể cấu hình, trong khi duy trì trạng thái phiên chia sẻ để duy trì tính nhất quán trên các giao dịch đại lý. Chúng tôi đánh giá HydraPo

Machine translation (Meta M2M100); the English original follows.

Abstract

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 maintaining shared session state to preserve consistency across agent transitions. We evaluate HydraPoT through an architectural-overhead analysis, a cross-agent context-preservation benchmark, and a three-agent case study. HydraPoT introduces less than 5% runtime overhead, preserves context across heterogeneous agents, and achieves fidelity close to a cloud-LLM-only honeypot. Under our case-study policy, it reduces cloud-processed tokens by 72.6% and operational cost by 3.7x. These results demonstrate that configurable multi-agent routing can make realistic LLM-assisted honeypots more practical under limited operational budgets.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Honeypot, Computer science, Cloud computing, Consistency (knowledge bases), Context (archaeology), State (computer science)

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange