--- title: Defensa de objetivo móvil url: https://ftrlg.com/es/wiki/moving-target-defense/ lang: es published: 2026-10-23 version: 1 summary: Una defensa que no tapa todos los agujeros, sino que cambia sin parar dónde están, para que el mapa del atacante caduque antes de que pueda usarlo. La IA acelera a ambos bandos. cite_as: "future.log, «Defensa de objetivo móvil», https://ftrlg.com/es/wiki/moving-target-defense/" license: CC BY 4.0 https://creativecommons.org/licenses/by/4.0/ --- # Defensa de objetivo móvil **La defensa de objetivo móvil** (en inglés, *moving target defense*, MTD), a la que también se llama en sentido figurado «código líquido», es un enfoque de protección de sistemas informáticos en el que el sistema cambia de forma constante e impredecible aquello en lo que se apoya el atacante: las direcciones de memoria, las direcciones de red, los nombres de los campos de una página web, el propio código máquina. El objetivo no es cerrar todas las vulnerabilidades, sino que el reconocimiento del atacante quede obsoleto antes de que tenga tiempo de aprovecharlo. La idea surgió a principios de la década de 1990; en 2011, el Gobierno de Estados Unidos la incluyó entre las líneas de investigación que «cambian las reglas del juego»,[^1] y su variante más extendida, la aleatorización de las direcciones de memoria, funciona desde hace tiempo en los sistemas operativos habituales: Microsoft, por ejemplo, anunció en 2006 que venía activada por defecto en Windows Vista.[^5] Con la llegada de la IA, también el código de los atacantes se ha vuelto «fluido»: han aparecido los primeros programas maliciosos, por ahora sobre todo experimentales, que mientras se ejecutan piden a un modelo de lenguaje que les escriba código, y los defensores responden con IA que encuentra y parchea vulnerabilidades por sí sola.[^2][^20] ## Historia - **10.1993** Fred Cohen propone proteger los sistemas operativos mediante la evolución de programas (en inglés, *program evolution*): un código que cambia constantemente de aspecto pero hace lo mismo es más difícil de atacar de forma automática.[^3] - **05.05.1997** Stephanie Forrest, Anil Somayaji y David Ackley escriben que la diversidad es «una fuente importante de robustez en los sistemas biológicos», mientras que los ordenadores «destacan por su falta de diversidad», y proponen que cada copia de un programa sea un poco distinta.[^4] - **26.05.2006** Microsoft anuncia que Windows Vista trae activada por defecto la aleatorización del espacio de direcciones (ASLR): una biblioteca se carga en uno de 256 lugares posibles, y el atacante acierta la dirección con una probabilidad de 1/256.[^5] - **2011** Se publica el volumen colectivo «Moving Target Defense», editado por Sushil Jajodia y otros autores.[^6] - **12.2011** El plan federal de investigación en ciberseguridad de Estados Unidos sitúa el «objetivo móvil» entre los cuatro temas que «cambian las reglas del juego»: los sistemas deben volverse «menos deterministas, menos homogéneos y menos estáticos» para «aumentar sustancialmente el coste de los ataques».[^1] - **21.01.2014** La startup Shape Security sale del anonimato con ShapeShifter, un dispositivo que reescribe el código de una página web cada vez que se muestra, generando «un flujo interminable de variaciones aleatorias del código» y desbaratando a los bots que buscan los campos por su nombre.[^7] - **30.03.2014** Linux 3.14 incorpora la aleatorización de las direcciones del propio núcleo (KASLR).[^8] - **03.11.2014** Se celebra en Scottsdale el primer taller científico de la ACM sobre defensa de objetivo móvil.[^9] - **19.12.2019** F5 anuncia la compra de Shape Security por unos $1000 millones.[^10] - **19.03.2025** Cloudflare lanza AI Labyrinth: en lugar de bloquear a un rastreador que incumple las reglas del sitio, lo mete en un laberinto de páginas verosímiles escritas por IA.[^11] - **05.11.2025** Google describe el programa malicioso PROMPTFLUX, una de cuyas variantes pide cada hora al modelo Gemini que reescriba todo su código fuente para que el antivirus no lo reconozca.[^2] ## Cómo funciona Todas las variantes de la defensa de objetivo móvil parten de una misma observación: un ataque casi siempre empieza por el reconocimiento, y el reconocimiento da por hecho que el sistema mañana será igual que hoy. Lo que cambia es justo lo que estudia el atacante. **Memoria.** El programa y sus bibliotecas acaban en direcciones nuevas en cada ejecución (ASLR en Windows, Linux, macOS, OpenBSD); sistemas de investigación como Shuffler reordenan el código de un programa ya en marcha cada pocas decenas de milisegundos.[^5][^12] La israelí Morphisec vende la misma idea para estaciones de trabajo; en 2018, el Departamento de Seguridad Nacional de Estados Unidos le concedió $200.000 para una versión destinada a escritorios virtuales.[^13] **Red.** Los ordenadores cambian sus direcciones con regularidad, de modo que los participantes legítimos siguen comunicándose entre sí, mientras que el escáner del atacante ve cada vez un panorama distinto (MT6D, 2011; OpenFlow Random Host Mutation, 2012).[^14][^15] **Página web.** Los nombres de los campos, la estructura del marcado y los scripts de protección cambian en cada carga, para que el bot que rellena un formulario de memoria falle: Shape Security (desde 2020, parte de F5) y Kasada, que escribe que sus scripts «cambian constantemente, con una ofuscación distinta cada vez que se cargan».[^7][^16] Una técnica cercana son las trampas en las que la propia página es infinita: AI Labyrinth y Nepenthes llevan al rastreador a un laberinto de páginas generadas.[^11][^17] **Código del atacante.** Los programas maliciosos llevan mucho tiempo cambiando de aspecto para que el antivirus no los reconozca; cuando se presentó Shape Security, su producto se describió abiertamente como el traslado de esa técnica al lado de la defensa.[^7] Con los modelos de lenguaje, reescribir se ha vuelto barato. La muestra BlackMamba (HYAS, 2023) obtenía de nuevo su código de un modelo de [OpenAI](https://ftrlg.com/es/models/openai/) en cada ejecución; LAMEHUG, atribuido al grupo APT28, no guarda ningún comando: le pide al modelo Qwen que los redacte a partir de una descripción.[^18][^19] **Código del defensor.** La otra cara del mismo abaratamiento: los sistemas de IA buscan vulnerabilidades y escriben ellos mismos las correcciones. En la final del concurso AIxCC de DARPA, estos sistemas trabajaron con más de 54 millones de líneas de código, y CodeMender, de [Google DeepMind](https://ftrlg.com/es/models/google-deepmind/), envió en medio año 72 correcciones a proyectos abiertos, reescribiendo a veces fragmentos enteros de código en lugar de limitarse a parchear.[^20][^21] Bruce Schneier y sus coautores lo llaman «descubrimiento continuo/reparación continua».[^22] ## Datos **Cuánto le cuesta al ataque y a la defensa** | Quién y cuándo | Qué se investigó | Qué se encontró | |---|---|---| | Shacham et al., 10.2004[^23] | Si se puede eludir por fuerza bruta la aleatorización de la memoria en un sistema de 32 bits | Un servidor web Apache protegido con PaX cae, de media, en 216 segundos. | | Okhravi et al. (MIT Lincoln Laboratory), 03.2014[^24] | Los puntos débiles de la aleatorización | Ningún método resiste la fuga de una zona arbitraria de la memoria; 16 bits de aleatoriedad en un servidor que se reinicia automáticamente se adivinan en minutos. | | Williams-King et al. (Universidad de Columbia), 2016[^12] | Cuánto cuesta reordenar el código sobre la marcha | Reordenándolo cada 50 ms, el programa funciona un 14,9% más lento. | **Qué hace la IA con la «fluidez»** | Quién y cuándo | Qué se investigó | Qué se encontró | |---|---|---| | Unit 42 (Palo Alto Networks), 20.12.2024[^25] | Si un modelo de lenguaje puede reescribir JavaScript malicioso de forma que un detector basado en redes neuronales no lo reconozca | En el 88% de los casos, el detector pasaba a considerar seguro el código. Reentrenar el detector con 10.000 de estas variantes mejoró en un 10% la detección de muestras nuevas. | | Hortea et al., 05.2026[^26] | Cuán diverso es el código malicioso que escriben los modelos de IA | Cada variante cuesta $0,41–0,73, pero el modelo no toca las fronteras entre módulos, y una sola firma detecta todas las variantes. | | Nogueira et al., 07.2026[^27] | Si los errores de varias versiones de un programa escritas por IA son independientes | No: de tres a cinco versiones dan menos de la mitad del aumento de fiabilidad que habría si los errores fueran independientes, y las versiones de un mismo modelo, menos de un tercio. | | DARPA AIxCC, 08.08.2025[^20] | Si los sistemas de IA pueden encontrar y corregir vulnerabilidades por sí solos | En los 63 retos de la final se encontraron 54 vulnerabilidades introducidas a propósito y se corrigieron 43; además, se encontraron 18 reales que nadie había introducido. | > **[CONCLUSIÓN DE LA REDACCIÓN]** La defensa de objetivo móvil encarece el ataque, pero no lo hace imposible: la aleatorización de la memoria se rompe por fuerza bruta en minutos si hay poca aleatoriedad (Shacham, Okhravi), y el movimiento constante le cuesta velocidad al defensor (Williams-King). La IA ha abaratado la «fluidez» para ambos bandos, pero por ahora de forma superficial: el código reescrito por un modelo engaña a un detector basado en redes neuronales (Unit 42), pero cae ante una sola firma precisa (Hortea), y las versiones de un mismo programa hechas por IA se equivocan igual (Nogueira); es decir, la IA todavía no aporta una diversidad real. El cambio más medible está del lado de la defensa: sistemas que encuentran y corrigen vulnerabilidades por sí solos (AIxCC). ## Incidentes ### LAMEHUG: un programa malicioso que le pide los comandos a un modelo, julio de 2025 El equipo ucraniano de respuesta a incidentes CERT-UA informó de un envío de correos a organismos del sector de seguridad y defensa: el adjunto contenía un programa que, a partir de una descripción fijada de antemano, pedía al modelo de lenguaje Qwen 2.5-Coder, a través del servicio Hugging Face, que generara comandos, y luego los ejecutaba. CERT-UA vinculó el ataque, con un grado de confianza moderado, al grupo APT28.[^19] En noviembre, Google calificó esta familia (que ella llama PROMPTSTEAL) como el primer caso, de los que ella ha observado, de un programa malicioso que consulta a un modelo de lenguaje en una operación real.[^2] ### PromptLock: el «primer ransomware conocido impulsado por IA» resultó ser un trabajo académico, agosto de 2025 ESET anunció el descubrimiento del «primer ransomware conocido impulsado por IA»: el programa generaba por sí mismo scripts maliciosos con el modelo abierto gpt-oss-20b, aunque no se le había visto en ataques.[^28] Poco después se supo que las muestras encontradas en VirusTotal eran un prototipo de investigadores de la Escuela de Ingeniería Tandon de la Universidad de Nueva York: ESET actualizó su artículo el 3 de septiembre, y la universidad lo explicó el 17 de septiembre.[^29] ### Los bots aprenden a superar Anubis, agosto de 2025 El alojamiento de código Codeberg, protegido de los scrapers de IA con el programa Anubis (que obliga al navegador a resolver un problema de cálculo), informó: «parece que los rastreadores de IA han aprendido a resolver los desafíos de Anubis».[^30] El investigador Tavis Ormandy calculó que ese problema no le cuesta casi nada a un scraper: acceder durante una semana a todos los sitios con Anubis sale por «aproximadamente $0».[^31] ## Críticas Los límites del enfoque se vieron pronto: Shacham y sus coautores concluyeron en 2004 que, en sistemas de 32 bits, la aleatorización del espacio de direcciones al estilo de PaX solo aporta «una pequeña ralentización» de la propagación de los gusanos.[^23] Los autores del plan federal de Estados Unidos de 2011 reconocieron ellos mismos la contradicción principal: se suele pensar que la complejidad añade riesgo a un sistema, y el reto es «demostrar que la complejidad es de verdad una ventaja y no un lastre».[^1] La misma pregunta se le planteó a este sitio. En el prototipo del formulario de comentarios de future.log, cada vez que se abría generaba nuevos nombres de campos aleatorios y campos señuelo mezclados. En la revisión previa al lanzamiento se renunció a ellos: cuando los primeros comentarios de un recién llegado los revisa la redacción y la confianza queda ligada a la firma permanente del autor (el tripcode), los nombres aleatorios apenas añadían nada a la protección. Se mantuvieron un token firmado de un solo uso, un campo trampa y los límites de frecuencia.[^35] El investigador Marcus Hutchins calificó de exagerado el revuelo en torno a PROMPTFLUX: en el código no hay ningún mecanismo que garantice que la nueva versión sea distinta de la anterior y funcione, y la propia función de reescritura estaba comentada.[^32] La misma Google escribió que el programa todavía no es capaz de infectar la red de una víctima.[^2] ⧗ ## Evolución La defensa de objetivo móvil se desplaza en dos direcciones. La protección contra bots complementa la ofuscación con la verificación de firmas: con el aumento del tráfico de [agentes de IA](https://ftrlg.com/es/wiki/autonomous-ai-agents/), Cloudflare escribe que qué se considera un bot «ya no está claro», y propone que los bots honestos firmen sus solicitudes criptográficamente, para que los sitios no tengan que reconocerlos por rasgos fáciles de falsificar.[^33] Y el «movimiento» de la defensa pasa a ser la velocidad de las correcciones: Google informó en mayo de 2026 de que por primera vez había encontrado un exploit para una vulnerabilidad de día cero creado, según su estimación, con ayuda de IA, y de que llegó a tiempo antes de un ataque masivo.[^34] > **[CONCLUSIÓN DE LA REDACCIÓN]** En su origen, la defensa de objetivo móvil significaba «baraja para que el enemigo no encuentre nada». En la era de la IA significa cada vez más «reescribe más rápido de lo que el enemigo encuentra»: ambos bandos usan modelos para cambiar el código, y gana quien tiene el ciclo más corto. Barajar sigue funcionando contra la automatización masiva y barata, pero frente a un atacante que lee el sistema igual que una persona, lo decisivo ya no es la forma del código, sino la velocidad con la que se corrige. ## Señales - 2025-10-10 — Bruce Schneier: «Durante mucho tiempo hemos dado por hecho que tenemos tiempo de parchear los sistemas después de que se conozcan las vulnerabilidades … Eso ya no es así. … estos avances amenazan con inclinar la balanza por completo. Puede que estemos ante un evento de singularidad para los ciberatacantes» — criptógrafo, en un ensayo escrito junto con Heather Adkins (Google) y Gadi Evron; la respuesta de la defensa la ven en el «descubrimiento continuo/reparación continua» de vulnerabilidades con ayuda de la IA (https://ftrlg.com/es/signals/cydmuidxd/) - 2025-08-08 — Stephen Winchell: «Encontrar vulnerabilidades y parchear el código con los métodos actuales es lento, caro y depende de una plantilla limitada, sobre todo ahora que los adversarios usan la IA para potenciar sus exploits. La tecnología desarrollada en AIxCC dará a los defensores una ventaja muy necesaria para identificar y parchear vulnerabilidades con rapidez y a gran escala» — director de DARPA, en el comunicado sobre los resultados del concurso AIxCC, en el que sistemas de IA encontraban y corregían vulnerabilidades por sí solos; cuatro de los siete sistemas finalistas se publicaron en abierto (https://ftrlg.com/es/signals/cmnxgsk24/) ## Véase también Escudos de prueba de trabajo · [Biometría del comportamiento](https://ftrlg.com/es/wiki/behavioral-biometrics/) · [La muerte del CAPTCHA](https://ftrlg.com/es/wiki/death-of-captcha/) · [Teoría del internet muerto](https://ftrlg.com/es/wiki/dead-internet-theory/) · [Agentes de IA autónomos](https://ftrlg.com/es/wiki/autonomous-ai-agents/) · [Seguridad de la IA](https://ftrlg.com/es/wiki/ai-safety/) · [Código abierto](https://ftrlg.com/es/wiki/open-source/) ## Referencias [^1]: Trustworthy Cyberspace: Strategic Plan for the Federal Cybersecurity Research and Development Program — National Science and Technology Council, Executive Office of the President, 12.2011. [nitrd.gov](https://www.nitrd.gov/pubs/Fed_Cybersecurity_RD_Strategic_Plan_2011.pdf) [^2]: GTIG AI Threat Tracker: Advances in Threat Actor Usage of AI Tools — Google Threat Intelligence Group, 05.11.2025. [cloud.google.com](https://cloud.google.com/blog/topics/threat-intelligence/threat-actor-usage-of-ai-tools) [^3]: F. B. Cohen. Operating system protection through program evolution — Computers & Security, vol. 12, n.º 6, 10.1993. [doi.org](https://doi.org/10.1016/0167-4048(93)90054-9) [^4]: S. Forrest, A. Somayaji, D. H. Ackley. Building diverse computer systems — HotOS-VI, IEEE, 05.05.1997. [doi.org](https://doi.org/10.1109/HOTOS.1997.595185) [^5]: M. Howard. Address Space Layout Randomization in Windows Vista — Microsoft, 26.05.2006. [learn.microsoft.com](https://learn.microsoft.com/en-us/archive/blogs/michael_howard/address-space-layout-randomization-in-windows-vista) [^6]: S. Jajodia, A. K. Ghosh, V. Swarup, C. Wang, X. S. Wang (eds.). Moving Target Defense: Creating Asymmetric Uncertainty for Cyber Threats — Springer, 2011. [doi.org](https://doi.org/10.1007/978-1-4614-0977-9) [^7]: J. Casaretto. Shape Security emerges from stealth, looking to change website security forever — SiliconANGLE, 21.01.2014. [siliconangle.com](https://siliconangle.com/2014/01/21/shape-security-emerges-from-stealth-looking-to-change-website-security-forever/) [^8]: Linux 3.14 — Kernel Newbies, 30.03.2014. [kernelnewbies.org](https://kernelnewbies.org/Linux_3.14) [^9]: First ACM Workshop on Moving Target Defense (MTD 2014) — George Mason University, 03.11.2014. [csis.gmu.edu](https://csis.gmu.edu/MTD2014/) [^10]: F5 to Acquire Shape Security, Transforming Application Security — F5 Networks (anexo al informe 8-K presentado ante la SEC), 19.12.2019. [sec.gov](https://www.sec.gov/Archives/edgar/data/1048695/000104869519000036/pressrelease12192019.htm) [^11]: R. Tatoris. Trapping misbehaving bots in an AI Labyrinth — Cloudflare, 19.03.2025. [blog.cloudflare.com](https://blog.cloudflare.com/ai-labyrinth/) [^12]: D. Williams-King et al. Shuffler: Fast and Deployable Continuous Code Re-Randomization — OSDI, USENIX, 2016. [cs.columbia.edu](https://www.cs.columbia.edu/~junfeng/papers/shuffler/) [^13]: News Release: Israeli Morphisec Gets $200K for Cybersecurity Tech — U.S. Department of Homeland Security, 02.10.2018. [dhs.gov](https://www.dhs.gov/science-and-technology/news/2018/10/02/news-release-israeli-morphisec-gets-200k-cybersecurity-tech) [^14]: M. Dunlop, S. Groat, W. Urbanski, R. Marchany, J. Tront. MT6D: A Moving Target IPv6 Defense — MILCOM, IEEE, 11.2011. [doi.org](https://doi.org/10.1109/MILCOM.2011.6127486) [^15]: J. H. Jafarian, E. Al-Shaer, Q. Duan. OpenFlow random host mutation: transparent moving target defense using software defined networking — HotSDN, ACM, 13.08.2012. [doi.org](https://doi.org/10.1145/2342441.2342467) [^16]: JavaScript Deobfuscation: Hiding Intent to Fortify Bot Defenses — Kasada, 12.03.2021. [kasada.io](https://www.kasada.io/blog/javascript-deobsfusction-bot-defenses) [^17]: J. Koebler. Developer Creates Infinite Maze That Traps AI Training Bots — 404 Media, 23.01.2025. [404media.co](https://www.404media.co/developer-creates-infinite-maze-to-trap-ai-crawlers-in/) [^18]: J. Sims. BlackMamba: Using AI to Generate Polymorphic Malware — HYAS Labs, 07.03.2023 (copia archivada). [web.archive.org](http://web.archive.org/web/20230327012801/https://www.hyas.com/blog/blackmamba-using-ai-to-generate-polymorphic-malware) [^19]: [Ciberataques de UAC-0001 contra el sector de seguridad y defensa con la herramienta de software LAMEHUG, que utiliza un LLM (CERT-UA#16039)] (en ucraniano) — CERT-UA, 17.07.2025. [cert.gov.ua](https://cert.gov.ua/article/6284730) [^20]: AI Cyber Challenge marks pivotal inflection point for cyber defense — DARPA, 08.08.2025. [darpa.mil](https://www.darpa.mil/news/2025/aixcc-results) [^21]: R. A. Popa, F. Flynn. Introducing CodeMender: an AI agent for code security — Google DeepMind, 06.10.2025. [deepmind.google](https://deepmind.google/discover/blog/introducing-codemender-an-ai-agent-for-code-security/) [^22]: H. Adkins, G. Evron, B. Schneier. Autonomous AI Hacking and the Future of Cybersecurity — Schneier on Security (reproducido de CSO), 10.10.2025. [schneier.com](https://www.schneier.com/blog/archives/2025/10/autonomous-ai-hacking-and-the-future-of-cybersecurity.html) [^23]: H. Shacham et al. On the Effectiveness of Address-Space Randomization — ACM CCS, 10.2004. [hovav.net](https://hovav.net/ucsd/papers/sppgmb04.html) [^24]: H. Okhravi, T. Hobson, D. Bigelow, W. Streilein. Finding Focus in the Blur of Moving-Target Techniques — IEEE Security & Privacy, 03.2014. [ll.mit.edu](https://www.ll.mit.edu/sites/default/files/publication/doc/2018-04/2014_04_15_OkhraviH_IEEES%26amp%3BP_FP.pdf) [^25]: Now You See Me, Now You Don’t: Using LLMs to Obfuscate Malicious JavaScript — Unit 42, Palo Alto Networks, 20.12.2024. [unit42.paloaltonetworks.com](https://unit42.paloaltonetworks.com/using-llms-obfuscate-malicious-javascript/) [^26]: Hortea, Varlese, Romano, Tapiador. The Infinite Mutation Engine? Measuring Polymorphism in LLM-Generated Offensive Code — arXiv, 05.05.2026. [arxiv.org](https://arxiv.org/abs/2605.03619) [^27]: Nogueira, Pattabiraman, Vieira, Campos. A Systematic Methodology for Evaluating Failure Independence in LLM-Generated Code — arXiv, 02.07.2026. [arxiv.org](https://arxiv.org/abs/2607.02808) [^28]: A. Cherepanov, P. Strýček. First known AI-powered ransomware uncovered by ESET Research — ESET, 26.08.2025. [welivesecurity.com](https://www.welivesecurity.com/en/ransomware/first-known-ai-powered-ransomware-uncovered-eset-research/) [^29]: AI-Powered Ransomware That Sparked Concern Was NYU's Work — NYU Tandon School of Engineering, 17.09.2025. [engineering.nyu.edu](https://engineering.nyu.edu/news/ai-powered-ransomware-sparked-concern-was-nyus-work) [^30]: T. Claburn. Codeberg beset by AI bots that now bypass Anubis tarpit — The Register, 15.08.2025. [theregister.com](https://www.theregister.com/2025/08/15/codeberg_beset_by_ai_bots/) [^31]: T. Ormandy. Anubis. — lock.cmpxchg8b.com, 2025. [lock.cmpxchg8b.com](https://lock.cmpxchg8b.com/anubis.html) [^32]: R. Lakshmanan. Google Uncovers PROMPTFLUX Malware That Uses Gemini AI to Rewrite Its Code Hourly — The Hacker News, 05.11.2025. [thehackernews.com](https://thehackernews.com/2025/11/google-uncovers-promptflux-malware-that.html) ⧗ [^33]: T. Meunier, M. Galicer. Forget IPs: using cryptography to verify bot and agent traffic — Cloudflare, 15.05.2025. [blog.cloudflare.com](https://blog.cloudflare.com/web-bot-auth/) [^34]: GTIG AI Threat Tracker: Adversaries Leverage AI for Vulnerability Exploitation, Augmented Operations, and Initial Access — Google Threat Intelligence Group, 11.05.2026. [cloud.google.com](https://cloud.google.com/blog/topics/threat-intelligence/ai-vulnerability-exploitation-initial-access) [^35]: Registro de decisiones de future.log, decisiones n.º 23 (10.10.2026) y n.º 108 (12.10.2026) — redacción de future.log; documento interno. — future.log, «Defensa de objetivo móvil», https://ftrlg.com/es/wiki/moving-target-defense/ · CC BY 4.0