Mockingbird：利用对抗性轨迹防御基于深度学习的网站指纹攻击

网站指纹（WF）是一种流量分析攻击，可使本地被动窃听者推断出受害者的活动，即便流量受到 VPN 或 Tor 等匿名系统保护。借助深度学习分类器，WF 攻击者对 Tor 流量可获得超过 98% 的准确率。本文探索一种新颖的防御方法 Mockingbird，其基于在其他领域已被证明可破坏机器学习分类器的对抗样本思想。由于攻击者可根据防御来设计与训练其攻击分类器，我们首先证明一种生成基于对抗样本的轨迹的直接技术，无法抵御采用对抗训练进行鲁棒分类的攻击者。随后我们提出 Mockingbird，一种通过在可行轨迹空间中随机移动而非遵循更具可预测性的梯度来生成可抵抗对抗训练的轨迹的技术。该技术在仅带来 58% 带宽开销的情况下，将经对抗训练加固的最先进攻击的准确率从 98% 降至 42-58%。其攻击准确率通常低于最先进防御方法，且在考虑 Top-2 准确率时更低，同时带来的带宽开销也更小。