不止于所见：面向可泛化网站指纹识别的语义感知流量增强框架
机器学习
2026-05-13 v1 密码学与安全
网络与互联网体系结构
摘要
基于深度学习的网站指纹识别已成为推断用户访问网站的有效技术。尽管现有方法在封闭世界数据集上取得了强大性能，但它们通常无法泛化到真实世界环境，尤其是在地理和时间偏移下。这一局限性从根本上源于两个关键挑战的耦合效应：应用层资源组成可变性和由跨层封装引起的可观测特征不稳定性。这些因素交织在一起，导致底层应用语义与可观测流量特征之间发生系统性偏移。为解决上述挑战，我们提出 SATA，一个语义感知的流量增强框架。具体来说，SATA 首先基于协议规则执行应用层语义增强，扩展每个流内的资源组成模式以及协议约束下的帧序列模式。基于这些增强的帧序列，我们进一步通过知识蒸馏引入跨层特征对齐机制。它将帧序列与数据包长度序列特征对齐，从而在增强语义和可观测序列之间实现跨层特征对齐。大量实验表明，SATA 成功生成了训练集中不存在但测试集中真实存在的流量模式，并显著提高了主流模型在多样化和复杂场景下的性能。特别是在开放世界设置中，SATA 将准确率提高了 90.81%，将 AUROC 提高了 48.37%。原型系统的源代码可在 https://anonymous.4open.science/r/SATA-B6C2/ 获取。
引用
@article{arxiv.2605.11402,
title = {More Than Meets the Eye: A Semantics-Aware Traffic Augmentation Framework for Generalizable Website Fingerprinting},
author = {Youquan Xian and Xueying Zeng and Lingjia Meng and Lei Cui and Runhan Song and Wei Wang and Zhengquan Ding and Peng Liu and Zhiyu Hao},
journal= {arXiv preprint arXiv:2605.11402},
year = {2026}
}
备注
18 pages, 19 figures, Submitted to NDSS 2027