TTPHoneyAI: anatomía de un honeypot LLM agéntico para cazar ataques contra infraestructura de IA

Abstract

Este documento presenta TTPHoneyAI, una plataforma de honeypot de interacción media-alta diseñada para emular servicios de inteligencia artificial — incluyendo las APIs de OpenAI, Anthropic Claude, Ollama y HuggingFace — con el objetivo de capturar, clasificar y visualizar en tiempo real los ataques dirigidos contra infraestructura de IA. El sistema opera desde un servidor en Santa Clara, CA, y ha registrado más de 4.300 ataques provenientes de 32 países en sus primeras semanas de operación. Los hallazgos iniciales revelan patrones de reconocimiento automatizado, intentos de abuso de API keys, prompt injection ofensivo y escaneo masivo de endpoints LLM expuestos — confirmando que la infraestructura de IA se ha convertido en un objetivo de alto valor para actores maliciosos. El mapa en vivo está disponible en honeypot.ttpsec.cl:4443/livemap.

1. Introducción: por qué necesitamos honeypots para IA

1.1 El nuevo perímetro de ataque

La adopción masiva de modelos de lenguaje ha creado una superficie de ataque sin precedentes. Organizaciones de todos los tamaños despliegan APIs de OpenAI, Claude, Ollama y modelos de HuggingFace en producción — frecuentemente con configuraciones inseguras, API keys expuestas en repositorios públicos y endpoints sin autenticación robusta.

Franco, Aris, Canberk y Uluagac (2021), en su survey exhaustivo publicado en IEEE Communications Surveys & Tutorials, clasificaron los honeypots según su nivel de interacción y dominio de aplicación, pero su taxonomía — como la mayoría de la literatura existente — se enfoca en protocolos de red tradicionales, IoT y sistemas industriales. No existe una categoría establecida para honeypots que emulen servicios de IA. TTPHoneyAI busca llenar ese vacío.

1.2 La tesis de investigación

Nuestra hipótesis de partida fue directa: si desplegamos servicios que emulan APIs de LLM populares en internet, ¿cuánto tiempo tarda en llegar el primer ataque? ¿Quién ataca? ¿Qué buscan?

La respuesta fue más rápida de lo esperado. Los primeros intentos de reconocimiento llegaron en menos de 8 minutos tras la activación del servicio OpenAI en el puerto 8080.

2. Marco teórico: tres décadas de decepción cibernética

2.1 Fundamentos de la decepción defensiva

El concepto de honeypot tiene raíces profundas en la teoría de seguridad. Zhang y Thing (2021), en su retrospectiva de tres décadas publicada en Computers & Security, documentaron la evolución desde los primeros honeypots de captura pasiva hasta los sistemas de decepción activa modernos. Han, Kheir y Balzarotti (2018), en ACM Computing Surveys, proporcionaron la taxonomía más citada de técnicas de decepción en seguridad informática, incluyendo honeypots, honeytokens, honeyfiles y señuelos de red.

Pawlick, Colbert y Zhu (2019), también en ACM Computing Surveys, formalizaron la decepción defensiva usando teoría de juegos, demostrando matemáticamente que los sistemas de engaño son estrategias óptimas bajo ciertas condiciones de asimetría informacional entre atacante y defensor.

2.2 La evolución: de Cowrie a los honeypots LLM

Los honeypots SSH como Cowrie y Kippo representan la generación clásica de captura de credenciales y comandos (Ilg, Duplys, Sisejkovic y Menth, 2023). Los honeypots IoT evolucionaron para capturar botnets como Mirai — Griffioen y Doerr (2020) usaron datos de honeypot en ACM CCS para analizar la batalla de Mirai por el control del IoT. Los honeypots ICS/SCADA (Conpot, GRFICSv2) llevaron la decepción al mundo OT — Maesschalck, Giotsas, Green y Race (2022) revisaron exhaustivamente cómo encajan los honeypots en la seguridad de sistemas de control industrial.

Srinivasa, Pedersen y Vasilomanolakis (2022), en ACM ACSAC, demostraron que el nivel de interacción del honeypot importa: los sistemas híbridos IoT/OT con mayor interacción capturan datos cualitativamente superiores.

TTPHoneyAI representa la siguiente generación: honeypots que emulan servicios de inteligencia artificial.

3. Arquitectura de TTPHoneyAI

3.1 Diseño general

TTPHoneyAI sigue un diseño modular con cinco capas:

┌─────────────────────────────────────────────────┐
│              CAPA DE VISUALIZACIÓN              │
│     Mapa en vivo · Dashboard · Live Feed        │
├─────────────────────────────────────────────────┤
│           CAPA DE CLASIFICACIÓN                 │
│  Threat Level · MITRE ATT&CK · Geolocalización │
├─────────────────────────────────────────────────┤
│            CAPA DE CAPTURA                      │
│   Logging estructurado · Payload capture        │
├─────────────────────────────────────────────────┤
│         CAPA DE EMULACIÓN (Honeypots)           │
│  OpenAI:8080 · Claude:8443 · Ollama:11434       │
│  HuggingFace:3000 · ClawBot:9001               │
├─────────────────────────────────────────────────┤
│          CAPA DE RED / INFRAESTRUCTURA          │
│   Servidor Santa Clara, CA · TLS · Firewall     │
└─────────────────────────────────────────────────┘

3.2 Servicios emulados

TTPHoneyAI despliega cinco honeypots especializados, cada uno emulando una API de IA real:

La elección de estos cinco servicios no fue arbitraria. OpenAI domina el mercado de APIs comerciales, Claude representa el principal competidor, Ollama es el estándar de facto para despliegues locales, y HuggingFace es la plataforma de modelos open-source más utilizada. Juntos cubren el espectro completo de la infraestructura LLM que una organización podría exponer.

3.3 Emulación de alta fidelidad

Javadpour, Ja’fari, Taleb, Shojafar y Benzaïd (2024), en su survey sobre técnicas de decepción para mejorar el rendimiento de honeypots publicado en Computers & Security, demostraron que la fidelidad de la emulación es el factor determinante en la calidad de los datos capturados. Un honeypot que responde con errores genéricos captura solo escaneos automatizados. Un honeypot que emula respuestas realistas captura atacantes sofisticados.

TTPHoneyAI implementa respuestas que replican fielmente las estructuras JSON de cada API:

• Headers correctos: x-request-id, openai-organization, rate-limit headers
• Respuestas de modelo: generación de completions con tokens contados, latencia simulada
• Errores realistas: 401 Unauthorized con mensajes que replican los de producción
• Rate limiting: comportamiento de throttling que imita servicios reales
• Streaming: soporte para text/event-stream en modo streaming

3.4 Geolocalización y enriquecimiento

Cada conexión entrante se enriquece con:

• Geolocalización IP: país, ciudad, coordenadas (usando MaxMind GeoIP2)
• ASN y organización: identificación del proveedor de red
• Reputación IP: verificación contra listas de IPs maliciosas conocidas
• Fingerprinting TLS: JA3/JA3S para identificar clientes
• User-Agent analysis: clasificación de bots, scrapers y clientes legítimos

Fachkha y Debbabi (2016), en IEEE Communications Surveys & Tutorials, establecieron el marco de referencia para el uso de darknets como fuente de inteligencia cibernética, incluyendo técnicas de geolocalización y caracterización de tráfico que informaron nuestro diseño.

4. Visualización en tiempo real: el Live Map

4.1 Diseño del dashboard

El componente más visible de TTPHoneyAI es su mapa en vivo (honeypot.ttpsec.cl:4443/livemap), que muestra:

• Mapa mundial con puntos de ataque geolocalizados en tiempo real
• Panel de servicios: contadores por honeypot con indicadores de actividad
• Top Origins: ranking de países por volumen de ataques
• Threat Level: clasificación de amenazas (Critical, High, Medium, Low)
• Live Feed: flujo en tiempo real de cada evento con IP, ubicación, servicio y tipo de ataque

Ferguson-Walter et al. (2019), en el estudio Tularosa presentado en HICSS, demostraron que la visualización en tiempo real de actividad de decepción mejora significativamente la capacidad de los operadores para detectar y responder a amenazas. Nuestro dashboard aplica esos principios al dominio específico de IA.

4.2 Clasificación de amenazas

Cada evento se clasifica automáticamente en cuatro niveles:

5. Hallazgos preliminares

5.1 Volumen y distribución geográfica

En las primeras semanas de operación, TTPHoneyAI registró:

• 4.338 ataques totales
• 32 países de origen
• 4.330 eventos geolocalizados exitosamente (99.8%)

La distribución geográfica de los atacantes revela patrones consistentes con la literatura de telescopios de red:

Kallitsis, Prajapati, Honavar, Wu y Yen (2022), en IEEE Transactions on Information Forensics and Security, documentaron patrones similares de concentración geográfica en telescopios de red, con Francia, Estados Unidos y Países Bajos consistentemente entre los principales orígenes de tráfico de escaneo — en gran parte debido a la concentración de infraestructura cloud y VPS en esos países.

5.2 OpenAI como objetivo principal

El honeypot que emula OpenAI capturó 324 ataques — el 75% del total de eventos de servicio. Esto confirma que las APIs de OpenAI son el objetivo más buscado, probablemente porque:

1. Dominancia de mercado: OpenAI tiene la mayor base de usuarios
2. Valor económico: las API keys de GPT-4 tienen valor de reventa directo
3. Reconocimiento de endpoints: el path /v1/chat/completions es universalmente conocido
4. Herramientas de escaneo: ya existen scripts de escaneo específicos para encontrar instancias de OpenAI expuestas

5.3 Taxonomía de ataques observados

Los ataques capturados se categorizan en patrones recurrentes:

Reconocimiento (85% de los eventos)

• Escaneo de puertos buscando servicios LLM conocidos (8080, 11434, 3000)
• Requests a /v1/models para enumerar modelos disponibles
• Health checks a /health, /api/status, /v1/engines
• User-agent analysis revela uso de python-requests, curl, y bots personalizados

Abuso de API keys (8% de los eventos)

• Intentos de autenticación con API keys robadas o filtradas
• Token stuffing: prueba automatizada de miles de keys
• Keys extraídas de repositorios GitHub públicos

Prompt injection ofensivo (4% de los eventos)

• Intentos de jailbreak contra el modelo emulado
• Exfiltración de system prompts
• Inyección de instrucciones maliciosas

Intentos de explotación (3% de los eventos)

• SSRF a través de parámetros de URL en requests
• Path traversal en endpoints de upload
• Intentos de ejecución remota de código

5.4 El ecosistema de bots de IA

Un hallazgo inesperado fue la presencia masiva de bots de crawling especializados en IA:

• HuggingFace crawlers (105 eventos): bots que escanean infraestructura buscando modelos expuestos
• ClawBot (23 eventos): agente de scraping automatizado
• OpenAI reconnaissance desde IPs de Ámsterdam: tráfico que aparenta ser de infraestructura propia de OpenAI escaneando servicios compatibles

Esto sugiere un ecosistema emergente de reconocimiento automatizado específico para infraestructura de IA — un fenómeno que la literatura académica apenas comienza a documentar.

6. Marco conceptual: Threat-Informed Defense para IA

6.1 Mapeo a MITRE ATT&CK

Los ataques capturados se mapean a tácticas MITRE ATT&CK (Strom et al., 2018):

6.2 ATLAS: el framework para amenazas a IA

Más allá de ATT&CK, MITRE desarrolló ATLAS (Adversarial Threat Landscape for AI Systems), un framework específico para amenazas contra sistemas de IA. Los ataques observados en TTPHoneyAI se alinean con varias técnicas ATLAS:

• AML.T0040 — Model Inference API Access: uso no autorizado de APIs de modelo
• AML.T0051 — LLM Prompt Injection: inyección de instrucciones maliciosas
• AML.T0024 — Exfiltration via ML Inference API: extracción de datos a través de la API
• AML.T0043 — Discover ML Model: enumeración de modelos disponibles

6.3 Inteligencia de amenazas compartible

Zhu et al. (2021), en IEEE Communications Surveys & Tutorials, demostraron que la integración de machine learning con técnicas de decepción mejora significativamente la capacidad de detección y clasificación de amenazas.

Alaeifar, Pal, Jadidi, Hussain y Foo (2024), en Journal of Information Security and Applications, revisaron los frameworks de compartición de inteligencia de amenazas (STIX/TAXII). TTPHoneyAI genera IOCs en formato STIX 2.1 que pueden integrarse en plataformas MISP, TheHive o cualquier TIP compatible.

Cada evento capturado genera un objeto STIX con:

• Indicator: IP del atacante, User-Agent, API key usada
• Attack Pattern: técnica ATT&CK/ATLAS correspondiente
• Observable: payload completo del request
• Sighting: timestamp, geolocalización, servicio objetivo

7. Implicaciones para la seguridad de infraestructura LLM

7.1 La superficie de ataque LLM es real y activa

Los datos de TTPHoneyAI demuestran inequívocamente que los servicios de IA ya son objetivo activo de reconocimiento y ataque. Mandiant/Google Cloud (2023) documentó que los tiempos de explotación están cayendo — nuestros datos muestran que para infraestructura LLM, el reconocimiento comienza en minutos, no días.

7.2 Ollama: el riesgo del despliegue local

Los 24 ataques capturados contra el honeypot Ollama (puerto 11434) revelan un problema específico: miles de instancias de Ollama están expuestas a internet sin autenticación. Ollama por defecto no requiere autenticación y escucha en todas las interfaces. Un atacante que encuentra una instancia expuesta puede:

• Ejecutar inferencia gratuita a costa del propietario
• Extraer modelos y pesos
• Usar la instancia como proxy para actividades maliciosas
• Potencialmente ejecutar código arbitrario a través de modelos maliciosos

7.3 API keys como commodity

El volumen de intentos de autenticación con keys robadas confirma que las API keys de OpenAI y Claude son un commodity en mercados clandestinos. Ferguson-Walter et al. (2023), en Computers & Security, documentaron que los atacantes responden a la decepción de maneras predecibles — nuestros honeypots capturan esas respuestas en el dominio específico de IA.

7.4 Recomendaciones de hardening

Basados en los patrones observados:

1. Nunca exponer APIs LLM directamente a internet — usar API gateways con autenticación robusta
2. Rotar API keys regularmente — asumiendo que toda key eventualmente se filtra
3. Monitorear uso anómalo — picos de consumo, requests desde geografías inusuales
4. Configurar Ollama con autenticación — no dejar el puerto 11434 abierto
5. Implementar rate limiting agresivo — los ataques automatizados se detectan fácilmente por volumen
6. Filtrar prompt injection — validar inputs antes de enviarlos al modelo
7. No incluir API keys en repositorios — usar secret managers, nunca hardcodear

8. Consideraciones éticas y legales

8.1 Marco ético

Formosa, Wilson y Richards (2021), en Computers & Security, propusieron un framework principialista para la ética en ciberseguridad que aplicamos al diseño de TTPHoneyAI:

• No-maleficencia: los honeypots no atacan ni dañan a los visitantes
• Proporcionalidad: solo se captura lo necesario para investigación
• Transparencia: los resultados se publican para beneficio de la comunidad
• Respeto a la privacidad: las IPs se procesan para geolocalización pero no se vinculan a personas

Macnish y van der Ham (2020), en Technology in Society, argumentaron que la decepción defensiva es éticamente justificable cuando se usa proporcionalmente para proteger sistemas críticos.

8.2 Marco legal

TTPHoneyAI opera bajo principios legales establecidos:

• Propiedad del servidor: los honeypots operan en infraestructura propia
• Sin entrapment: los servicios no inducen a cometer delitos — simplemente registran actividad no solicitada
• Cumplimiento de privacidad: la captura se limita a datos técnicos de conexión y payloads de ataque
• Infraestructura en jurisdicción conocida: servidor ubicado en Santa Clara, CA bajo legislación de EE.UU.

9. Trabajo futuro y evolución del proyecto

9.1 Expansión de servicios

La siguiente fase incluye emulación de:

• Midjourney API: captura de ataques contra servicios de generación de imágenes
• Stable Diffusion WebUI: emulación de Automatic1111 expuesto
• Vector databases (Pinecone, Weaviate): captura de ataques contra infraestructura RAG
• MLflow / Kubeflow: emulación de plataformas MLOps

9.2 Honeypots agénticos adaptativos

Tian et al. (2021), en IEEE Internet of Things Journal, propusieron estrategias de detección de honeypots basadas en teoría de juegos de prospectos. El siguiente paso de TTPHoneyAI es implementar respuestas adaptativas: honeypots que modifican su comportamiento basándose en el perfil del atacante, aumentando la interacción para capturar más inteligencia de atacantes sofisticados.

Sengupta et al. (2020), en su survey sobre Moving Target Defense publicado en IEEE Communications Surveys & Tutorials, proporcionan el marco teórico para sistemas de defensa que cambian dinámicamente su superficie — un principio que aplicaremos a la emulación de APIs.

9.3 Detección de movimiento lateral en infraestructura LLM

Ho et al. (2021), en USENIX Security, presentaron Hopper para modelar y detectar movimiento lateral. Planeamos implementar detección similar para escenarios donde un atacante pivota desde un servicio LLM comprometido hacia la infraestructura interna.

9.4 Detección de APTs con decepción

Zhu, Yu et al. (2023), en IEEE Transactions on Dependable and Secure Computing, desarrollaron APTSHIELD para detección de APTs en tiempo real. Integraremos capacidades similares para detectar ataques persistentes y sofisticados contra infraestructura de IA.

10. Conclusiones

TTPHoneyAI demuestra tres cosas:

Primero, la infraestructura de IA es un objetivo activo y creciente. Con más de 4.300 ataques en semanas de operación, provenientes de 32 países, la evidencia es clara: los atacantes ya están buscando, encontrando y explotando servicios LLM expuestos.

Segundo, los honeypots especializados en IA son una herramienta de inteligencia de amenazas viable y valiosa. Los datos capturados revelan patrones de ataque, herramientas, técnicas y motivaciones que no son visibles desde otras fuentes.

Tercero, la comunidad de seguridad necesita desarrollar frameworks, taxonomías y herramientas específicas para proteger la infraestructura de IA. MITRE ATLAS es un comienzo, pero falta mucho trabajo — especialmente en el ámbito de la detección y respuesta.

El mapa en vivo de TTPHoneyAI está disponible públicamente como contribución a la comunidad de ciberseguridad: honeypot.ttpsec.cl:4443/livemap. Los datos confirman lo que muchos intuíamos: la próxima generación de ataques no apunta a tus servidores web. Apunta a tus modelos.

Referencias

1. Alaeifar, P., Pal, S., Jadidi, Z., Hussain, M., & Foo, E. (2024). Current Approaches and Future Directions for Cyber Threat Intelligence Sharing: A Survey. Journal of Information Security and Applications, 83, 103786. https://doi.org/10.1016/j.jisa.2024.103786

2. Fachkha, C., & Debbabi, M. (2016). Darknet as a Source of Cyber Intelligence: Survey, Taxonomy, and Characterization. IEEE Communications Surveys & Tutorials, 18(2), 1197–1227. https://doi.org/10.1109/COMST.2015.2497690

3. Ferguson-Walter, K. J., Major, M. M., Johnson, C. K., Johnson, C. J., Scott, D. D., Gutzwiller, R. S., & Shade, T. (2023). Cyber Expert Feedback: Experiences, Expectations, and Opinions about Cyber Deception. Computers & Security, 130, 103268. https://doi.org/10.1016/j.cose.2023.103268

4. Ferguson-Walter, K. J., Shade, T. B., Rogers, A. V., Niedbala, E. M., Trumbo, M. C., Nauer, K. S., Divis, K. M., Jones, A. P., Combs, A. L., & Abbott, R. G. (2019). The Tularosa Study: An Experimental Design and Implementation to Quantify the Effectiveness of Cyber Deception. In Proc. 52nd Hawaii International Conference on System Sciences (HICSS), 1–10. https://doi.org/10.24251/HICSS.2019.874

5. Formosa, P., Wilson, M., & Richards, D. (2021). A Principlist Framework for Cybersecurity Ethics. Computers & Security, 109, 102382. https://doi.org/10.1016/j.cose.2021.102382

6. Franco, J., Aris, A., Canberk, B., & Uluagac, A. S. (2021). A Survey of Honeypots and Honeynets for Internet of Things, Industrial Internet of Things, and Cyber-Physical Systems. IEEE Communications Surveys & Tutorials, 23(4), 2351–2383. https://doi.org/10.1109/COMST.2021.3106669

7. Griffioen, H., & Doerr, C. (2020). Examining Mirai’s Battle over the Internet of Things. In Proc. 27th ACM Conference on Computer and Communications Security (CCS ‘20), 743–756. https://doi.org/10.1145/3372297.3417277

8. Han, X., Kheir, N., & Balzarotti, D. (2018). Deception Techniques in Computer Security: A Research Perspective. ACM Computing Surveys, 51(4), Article 80, 80:1–80:36. https://doi.org/10.1145/3214305

9. Ho, G., Dhiman, M., Akhawe, D., Paxson, V., Savage, S., Voelker, G. M., & Wagner, D. (2021). Hopper: Modeling and Detecting Lateral Movement. In Proc. 30th USENIX Security Symposium, 3093–3110. https://www.usenix.org/conference/usenixsecurity21/presentation/ho

10. Ilg, N., Duplys, P., Sisejkovic, D., & Menth, M. (2023). A Survey of Contemporary Open-Source Honeypots, Frameworks, and Tools. Journal of Network and Computer Applications, 220, 103737. https://doi.org/10.1016/j.jnca.2023.103737

11. Javadpour, A., Ja’fari, F., Taleb, T., Shojafar, M., & Benzaïd, C. (2024). A Comprehensive Survey on Cyber Deception Techniques to Improve Honeypot Performance. Computers & Security, 140, 103792. https://doi.org/10.1016/j.cose.2024.103792

12. Kallitsis, M., Prajapati, R., Honavar, V., Wu, D., & Yen, J. (2022). Detecting and Interpreting Changes in Scanning Behavior in Large Network Telescopes. IEEE Transactions on Information Forensics and Security, 17, 3611–3625. https://doi.org/10.1109/TIFS.2022.3211644

13. Macnish, K., & van der Ham, J. (2020). Ethics in Cybersecurity Research and Practice. Technology in Society, 63, 101382. https://doi.org/10.1016/j.techsoc.2020.101382

14. Maesschalck, S., Giotsas, V., Green, B., & Race, N. (2022). Don’t Get Stung, Cover Your ICS in Honey: How Do Honeypots Fit within Industrial Control System Security. Computers & Security, 114, 102598. https://doi.org/10.1016/j.cose.2021.102598

15. Pawlick, J., Colbert, E., & Zhu, Q. (2019). A Game-Theoretic Taxonomy and Survey of Defensive Deception for Cybersecurity and Privacy. ACM Computing Surveys, 52(4), Article 82. https://doi.org/10.1145/3337772

16. Sengupta, S., Chowdhary, A., Sabur, A., Alshamrani, A., Huang, D., & Kambhampati, S. (2020). A Survey of Moving Target Defenses for Network Security. IEEE Communications Surveys & Tutorials, 22(3), 1909–1941. https://doi.org/10.1109/COMST.2020.2982955

17. Srinivasa, S., Pedersen, J. M., & Vasilomanolakis, E. (2022). Interaction Matters: A Comprehensive Analysis and a Dataset of Hybrid IoT/OT Honeypots. In Proc. 38th Annual Computer Security Applications Conference (ACSAC ‘22), 742–755. https://doi.org/10.1145/3564625.3564645

18. Strom, B. E., Applebaum, A., Miller, D. P., Nickels, K. C., Pennington, A. G., & Thomas, C. B. (2018). MITRE ATT&CK: Design and Philosophy. MITRE Corporation. https://attack.mitre.org/docs/ATTACK_Design_and_Philosophy_March_2020.pdf

19. Tian, W., Du, M., Ji, X., Liu, G., Dai, Y., & Han, Z. (2021). Honeypot Detection Strategy Against Advanced Persistent Threats in Industrial Internet of Things: A Prospect Theoretic Game. IEEE Internet of Things Journal, 8(24), 17372–17381. https://doi.org/10.1109/JIOT.2021.3080527

20. Zhang, L., & Thing, V. L. L. (2021). Three Decades of Deception Techniques in Active Cyber Defense — Retrospect and Outlook. Computers & Security, 106, 102288. https://doi.org/10.1016/j.cose.2021.102288

21. Zhu, M., Anwar, A. H., Wan, Z., Cho, J.-H., Kamhoua, C. A., & Singh, M. P. (2021). A Survey of Defensive Deception: Approaches Using Game Theory and Machine Learning. IEEE Communications Surveys & Tutorials, 23(4), 2460–2493. https://doi.org/10.1109/COMST.2021.3102375

22. Zhu, Y., et al. (2023). APTSHIELD: A Stable, Efficient and Real-Time APT Detection System for Linux Hosts. IEEE Transactions on Dependable and Secure Computing, 20, 5247–5264. https://doi.org/10.1109/TDSC.2023.3243667