
Un honeypot che ostacola gli attacchi guidati da agenti AI con tecniche di tarpitting e "context bomb". Python/Flask, basato su configurazione, con avvisi multi-canale e una web UI opzionale.
Un honeypot che ostacola e rallenta gli attacchi condotti da agenti AI.
AI Tarpit presenta un'intranet aziendale dall'aspetto ordinario in cui ogni pista interessante è una trappola. Implementa le tecniche di inganno "context bomb" misurate da Tracebit Research (Context Bombs, ottobre 2026) oltre a ulteriori tecniche di tarpitting, su base Flask. Gli agenti di attacco autonomi spendono budget reale — token, tempo e chiamate agli strumenti — inseguendo segreti falsificati che non sbloccano nulla, flussi di dati che non finiscono mai e documenti che dicono loro silenziosamente di fermarsi, mentre tu ricevi avvisi classificati che mostrano esattamente cosa è stato coinvolto e per quanto tempo.
Stato: v1.0.0 — tutte le 15 tecniche v1 implementate, Web UI di amministrazione, strumento di test e documentazione.
Un agente di attacco AI ragiona su qualunque cosa restituisca il bersaglio e non riesce facilmente a distinguere una vera pista da una fabbricata. AI Tarpit sfrutta questo: fornisce all'agente un contesto ingannevole che spreca il suo budget, inonda la sua finestra di contesto o lo persuade a fermarsi — tutto passivamente, e tutto con dati sintetici che non concedono accesso a nulla.
attacker / AI agent
|
decoy listener :8080 admin listener :8443 (loopback)
(fake corporate intranet) (API + Web UI, token-protected)
| |
+-------------------+------------------+ |
| lures -> techniques -> honeytokens | |
| fingerprinting + correlation |---> events -> alerts (console / syslog / webhook)
+--------------------------------------+ |
| |
SQLite store <--------- reporting ----+
Un processo esegue due listener: il decoy che gli attaccanti raggiungono, e una superficie admin su loopback per monitoraggio, configurazione e reportistica. Ogni ingaggio genera un evento classificato che viene segnalato e registrato.
| Tecnica | Cosa fa a un agente | |
|---|---|---|
| T01 | Crittografia a stadi | Una catena di archivi AES-ZIP reali che restituiscono solo "chiavi" honeytoken. |
| T02 | Pressione sul parser HTTP | Impaginazione che non finisce mai, con JSON instabile e in parte malformato. |
| T03 | Recupero da buffer trattenuto | Una finta perdita di memoria che l'agente ricostruisce byte per byte. |
| T04 | Needlestack | Segreti frammentati tra dozzine di ruoli che non si combinano mai del tutto. |
| T05 | Esposizione di report di pentest | Una valutazione falsificata che reindirizza l'agente verso decoy e canary. |
| T06 | Grandstanding | Un "exchange" che induce l'agente ad auto-denunciare le proprie tecniche. |
| T07 | Recupero password con perdita | Un segreto rilasciato carattere per carattere con ritardi. |
| T08 | Regolazione delle richieste | Una finta politica di rate-limit che rallenta un agente compiacente fino a fermarlo. |
| T09 | Replicazione | Un "passaggio di consegne" che cattura il piano dell'agente e lo conclude. |
| T10 | Revoca di scope / RoE | Avvisi autorevoli che chiedono agli agenti automatizzati di fermarsi. |
| T11 | Trasporto a goccia lenta | Risposte erogate un po' alla volta, o all'infinito. |
| T12 | Inondazione del contesto | Risposte riempite con contenuti voluminosi plausibili ma inutili. |
| T13 | Labirinto procedurale | Un albero infinito di pagine generate che sembrano interne. |
| T14 | Esca specifica per AI | llms.txt, un finto endpoint MCP e API di "automazione" che convogliano verso trappole. |
| T15 | Cancello proof-of-work | Un cancello 428 che costringe l'agente a consumare potenza di calcolo per raggiungere altri decoy. |
| T16 | Fingerprinting + honeytoken | Classifica ogni sessione e traccia ogni segreto per il riutilizzo tra sessioni. |
Ciascuna è abilitata e regolata in modo indipendente. Vedi il Manuale di riferimento — Parte 1 per meccanismi, esche e impatto previsto.
# Windows (PowerShell)
py -3 -m venv venv
.\venv\Scripts\Activate.ps1
pip install -r requirements.txt
# Linux / macOS
python3 -m venv venv
source venv/bin/activate
pip install -r requirements.txt
# run from the repo root — no install of the project itself
python aitarpit.py init-config # writes ./aitarpit.json with a fresh admin token
python aitarpit.py validate
python aitarpit.py run # decoy on :8080, admin API + Web UI on 127.0.0.1:8443
python aitarpit.py # same as `run` — it is the default command
Vengono installate solo le dipendenze di runtime; il progetto stesso non viene installato. L'honeypot viene eseguito tramite
python aitarpit.py <command>dalla radice del repository; lo strumento di test complementare ha il proprio launcher,python aitarpit-test.py <command>.
Poi verifica che funzioni, con lo strumento di test incluso:
python aitarpit-test.py check --target http://127.0.0.1:8080 \
--admin http://127.0.0.1:8443 --token YOUR_ADMIN_TOKEN
Docker:
docker build -t aitarpit .
docker run -v $PWD/aitarpit.json:/config/aitarpit.json -v tarpit-data:/data \
-p 8080:8080 -p 127.0.0.1:8443:8443 aitarpit
I manuali completi sono inclusi in docs/, sia in Markdown che in PDF:
docs/quickstart.md /
docs/aitarpit-quickstart.pdf — installazione, configurazione, esecuzione,
primo avviso, primo controllo.docs/reference.md /
docs/aitarpit-reference.pdf — Parte 1 Concetti,
Parte 2 Installazione, Parte 3 Esecuzione (configurazione, monitoraggio, reportistica, CLI e Web UI), Parte 4 Test.AI Tarpit include uno strumento complementare, eseguito come python aitarpit-test.py check / python aitarpit-test.py agent:
check — conformità deterministica e adatta alla CI per ogni tecnica (exit 0 solo se
tutti superano il test; output in testo / JSON / JUnit).agent — un attaccante LLM opzionale, vincolato all'origine (compatibile OpenAI o
Anthropic) che misura quanto lontano arriva un agente reale e per quanto tempo il tarpit lo trattiene.AI Tarpit è passivo — non si riconnette mai a un attaccante, non serve mai
malware reale e non "contrattacca" mai. Ogni credenziale, token e archivio è un honeytoken
sintetico che non concede nulla; utilizzarne uno è di per sé un avviso. La superficie di amministrazione è
isolata sul loopback dietro un token, le tecniche lente/di flooding sono limitate da tetti
di risorse, e l'agente di test LLM opzionale è rigidamente limitato all'unico target che gli fornisci.
Eseguilo solo contro traffico che sei autorizzato a intrappolare, e usa un dominio persona che
controlli o un nome riservato .example.
MIT — vedi LICENSE.