从仿真到数学：一种应对基于特征的移动应用流量分类的更通用流量混淆方法
密码学与安全
2023-02-08 v1 网络与互联网体系结构
摘要
在数字时代，移动应用的使用无可争议。虽然每天产生海量数据，但用户隐私安全问题成为一个重要议题。如今，大量技术（如机器学习和深度学习流量分类器）已被应用于分析用户的应用流量。这些技术允许监控者在用户流量仍处于加密状态时获取使用应用的指纹，这引发了严重的隐私问题。为了对抗这类数据分析，人们一直在研究混淆算法，通过对数据包长度分布的修改进行数据伪装，以干扰基于特征的机器学习分类器。现有工作通过将源应用的流量数据包长度分布重新映射到伪装应用来实现这一目标。然而，由于该方法在使用流量伪装前需要对目标伪装应用的流量进行预采样，该解决方案在实际应用中缺乏可扩展性和灵活性。在本文中，我们提出了一种实用解决方案，使用数学模型来计算目标分布，同时使 AppScanner 移动流量分类器的性能保持至少 50% 的准确率下降，且在数据包修改期间产生的开销约为 20%。
引用
@article{arxiv.2302.03118,
title = {From Emulation to Mathematical: A More General Traffic Obfuscation Approach To Encounter Feature based Mobile App traffic Classification},
author = {Lichun Gao and Mingjie Zeng and Zhanhong Huang},
journal= {arXiv preprint arXiv:2302.03118},
year = {2023}
}