公开暴露的大语言模型（LLM）基础设施正在形成一个新的、快速增长的攻击面，但学界与业界对攻击者实际如何针对这类服务开展攻击仍了解甚少——现有工作多停留在配置错误扫描或理论风险推演，缺乏来自真实互联网流量的长期实证数据。为弥补这一空白，作者设计并部署了 Ollure：一个低交互到中交互的蜜罐系统，它在协议层面完整模拟 Ollama 的 API（包括模型列表、模型拉取/删除、生成与对话等端点），但后端不接入任何真实 LLM，因此既能吸引攻击者又能避免被滥用为免费推理算力，同时天然规避了真实模型被污染的隐私风险。作者在云环境与高校网络中架设了四个部署实例，持续运行 84 天，共捕获 290,887 次交互，来自 2,793 个独立源 IP 地址。数据分析显示，绝大多数流量属于自动化资产发现、服务指纹识别与模型枚举，说明 Ollama 类端点已被主流扫描器纳入目标清单。更具价值的是，研究团队还记录到针对基础设施层与 LLM 层的具体利用尝试，涵盖模型管理接口滥用、路径遍历与 SSRF 探测、远程代码执行与加密货币挖矿载荷投递、资源耗尽型请求、提示注入、敏感信息提取，以及面向智能体的工具调用式攻击。论文的主要贡献在于：给出暴露自托管 LLM 服务的真实威胁画像与攻击者行为分类，验证蜜罐方法在 LLM 场景的可行性，并为运维方提供了可复用的观测与加固依据。适合 SOC 分析师、威胁情报人员、云安全与 LLM 平台运维工程师以及学术研究者阅读。