Bayes，非 Na"ive：网站指纹防御的安全界限
密码学与安全
2017-12-08 v2
摘要
网站指纹（Website Fingerprinting, WF）攻击引发了关于用户隐私的重大担忧。它们利用机器学习（Machine Learning, ML）使得本地被动攻击者能够揭示用户的 Web 浏览行为，即使用户通过加密隧道（例如 Tor、VPN）浏览也是如此。过去已有许多防御方法被提出；然而，通常难以对其安全性提供形式化保证，其安全性往往是针对 SOTA 攻击进行经验性评估。在本文中，我们提出了一种实用的方法来推导任何 WF 防御的安全界限，该界限取决于所选的特征集。该结果源于将 WF 攻击归约为 ML 分类任务，在此任务中我们可以确定最小可达误差（即 Bayes 误差）；这种误差在实践中可以被估计，并且对于 WF 攻击者无论使用何种分类算法而言都是一个下界。我们的工作有两个主要后果：i) 它允许以黑盒方式确定 WF 防御相对于 SOTA 特征集的安全性；ii) 它促使未来 WF 研究的焦点转向识别最优特征集。该方法的普适性进一步表明，该方法可用于定义其他基于 ML 的攻击的安全界限。
引用
@article{arxiv.1702.07707,
title = {Bayes, not Na\"ive: Security Bounds on Website Fingerprinting Defenses},
author = {Giovanni Cherubin},
journal= {arXiv preprint arXiv:1702.07707},
year = {2017}
}