DEMUX：面向多标签网站指纹识别的边界感知多尺度流量解混
密码学与安全
2026-04-20 v1
摘要
网站指纹（WF）攻击通过匿名网络（如 Tor）中的加密流量推断用户访问的网站。现有的深度学习方法在单标签假设下达到了高准确率，但当用户同时打开多个标签页时，性能会大幅下降，因为产生的交织流量将 WF 转化为一个隐式的解混问题。我们确定了有效多标签解混的三个结构性需求，即分段边界的信号完整性、多尺度局部建模以及分散片段的相对时间关联，并表明现有方法均无法同时满足这三个需求。我们提出了 DEMUX，一个通过三个紧密耦合的组件来满足这些需求的精心设计的框架。边界保留聚合模块采用重叠窗口划分，并结合数据包级和突发级特征提取。多尺度并行 CNN 通过并行分支捕获异构时间模式。带有旋转位置嵌入的两阶段 Transformer 编码器实现了鲁棒的跨窗口片段关联。边界保留聚合模块还可作为即插即用的预处理器，无需修改架构即可持续改进现有基线。在封闭世界、开放世界、防御增强、动态标签页和跨配置设置下的大量实验表明，DEMUX 达到了最先进的性能。在具有挑战性的封闭世界 5 标签页设置中，DEMUX 的 P@5 达到 0.943，MAP@5 达到 0.961，分别比最强基线高出 9.2 和 6.2 个百分点，证实了其在复杂多标签页解混场景中的强大鲁棒性。
引用
@article{arxiv.2604.15677,
title = {DEMUX: Boundary-Aware Multi-Scale Traffic Demixing for Multi-Tab Website Fingerprinting},
author = {Yali Yuan and Yaosheng Liu and Qianqi Niu and Guang Cheng},
journal= {arXiv preprint arXiv:2604.15677},
year = {2026}
}