L. J. MoellerEN

ADLAH

Adaptive mehrschichtige Honeynet-Architektur zur Analyse von Threat-Verhalten mit Machine Learning.

Problem

Klassische Honeypots verraten ihren Zweck oft schnell. Danach liefern sie wenig zu Post-Exploitation oder Toolchains. ADLAH fragt, wie Schichtung, Adaptation und konsistente Telemetrie Beobachtungsfenster verlängern können -- bei reproduzierbaren Deployments für Vergleichsstudien.

Architektur

Daten fließen von der exponierten Kante durch geschachtelte Täuschungsebenen in Normalisierung und Speicher, dann in Analyse-Jobs (inkl. ML-Summarization). Das Diagramm ist schematisch; Details stehen im Paper und Repository.

  1. Exposed edge
  2. Deception layers
  3. Telemetry pipeline
  4. ML analysis
Schematischer Datenfluss

Wissenschaftlicher Beitrag

Die Kernbehauptung ist methodisch: Honeynets als konfigurierbare Beobachtungsinstrumente mit klaren Telemetrie-Verträgen; Analyse-Pipelines (inkl. ML) mit Rückverfolgbarkeit zu Rohereignissen. Der arXiv-Preprint definiert Architektur, begründet Design und skizziert Evaluation; das Repository trägt die Implementierung.

Status & Artefakte

Paper: arXiv:2512.07827

Code: github.com/JohannesLks/ADLAH

Evaluation: Laufend -- öffentliche Notizen dokumentieren Datensätze, Label-Annahmen und Benchmarks, sobald sie stabil sind.