利用机器学习大规模增强基于规则的 DNS 审查检测
机器学习
2023-06-19 v2 人工智能
计算机与社会
网络与互联网体系结构
摘要
全球审查的蔓延导致了大量监测平台的开发，以监控和揭露审查行为。域名系统（DNS）审查是不同国家使用的一种关键机制。目前，它通过对特定目的地的 DNS 查询和响应（探测）样本应用启发式方法来检测。然而，这些启发式方法既是平台特定的，也被发现在审查者改变其封锁行为时很脆弱，因此需要一种更可靠的自动化过程来检测审查。本文中，我们探索了机器学习（ML）模型如何（1）帮助简化检测过程，（2）提高利用大规模数据集进行审查检测的潜力，以及（3）发现现有启发式方法遗漏的新审查实例和封锁签名。我们的研究表明，使用专家在已知异常和可能审查实例上导出的标签训练的监督模型，可以学习不同测量平台所使用的检测启发式方法。更关键的是，我们发现仅使用未审查实例训练的无监督模型，能够识别出现有启发式方法遗漏的新审查实例和变体。此外，两种方法都展示了发现大量新 DNS 封锁签名（即被现有启发式方法忽略的注入虚假 IP 地址）的能力。这些结果由一个重要的方法论发现支撑：比较使用相同探测但标签来自独立过程的模型输出，使我们能够在缺乏审查真实标签的情况下更可靠地检测审查案例。
引用
@article{arxiv.2302.02031,
title = {Augmenting Rule-based DNS Censorship Detection at Scale with Machine Learning},
author = {Jacob Brown and Xi Jiang and Van Tran and Arjun Nitin Bhagoji and Nguyen Phong Hoang and Nick Feamster and Prateek Mittal and Vinod Yegneswaran},
journal= {arXiv preprint arXiv:2302.02031},
year = {2023}
}
备注
To appear in Proceedings of the 29th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD '23)