少样本网站指纹攻击
密码学与安全
2021-03-05 v2
摘要
本工作引入一种用于少样本网站指纹（WF）攻击的新型数据增强方法，其中每个网站仅有少量训练样本可用于深度学习模型优化。超越早期依赖人工设计特征表示的 WF 方法，更先进的深度学习替代方案表明从训练数据自动学习特征表示更优。然而，该优势受制于一个不现实假设，即每个网站存在大量训练样本，否则优势将消失。为此，我们引入一种模型无关、高效且协调的数据增强（HDA）方法，可显著改进深度 WF 攻击方法。HDA 包含样本内与样本间数据变换，可以协调方式用于将微小训练数据集扩展为任意大集合，从而有效且显式地解决内在数据稀缺问题。我们进行了大量实验以验证我们的 HDA 在封闭世界与开放世界攻击场景下、在有强防御与无强防御时提升最先进深度学习 WF 攻击模型。例如，在具 WTF-PAD 基防御的更具挑战性与现实的评估场景中，我们的 HDA 方法在 20-shot 学习情形下绝对分类准确率超越先前最先进结果逾 4%。
引用
@article{arxiv.2101.10063,
title = {Few-Shot Website Fingerprinting Attack},
author = {Mantun Chen and Yongjun Wang and Zhiquan Qin and Xiatian Zhu},
journal= {arXiv preprint arXiv:2101.10063},
year = {2021}
}
备注
10 pages, 3 figures