Attack Smarter: Attention-Driven Fine-Grained Webpage Fingerprinting Attacks

网站指纹识别 (WF) 攻击旨在通过分析流量模式推断用户访问的网站，从而侵犯用户隐私。虽然该技术在受控实验环境中证明有效，但仍主要局限于小规模场景，通常仅限于识别网站主页。在实际应用中，用户频繁地快速连续访问多个子页面，往往在前一个内容完全加载前就已访问后续页面。网页指纹识别 (WPF) 将 WF 框架扩展到大规模环境，通过将同一网站的子页面建模为不同类别来实现。这些页面常共享相似页面元素，导致流量特征的类别间变异较小。此外，我们考虑了多标签浏览场景，即单个 trace 包含多类网页。这导致流量段重叠，类似特征可能出现在流量的不同位置，从而增加分类难度。为解决这些挑战，我们提出了基于注意力机制的细粒度 WPF 攻击方法 ADWPF。具体而言，在训练阶段，我们基于注意力图对流量中显著区域应用针对性数据增强，包括注意力裁剪与注意力遮蔽。ADWPF 随后从原始与增强流量中提取低维特征，并应用自注意力模块以捕获 trace 的全局语境模式。最后，为处理多标签场景，我们采用残差注意力生成网页在不同时间位置出现的类别特定表示。大量实验表明，所提方法在不同规模数据集上 consistently 超越最新技术基线。