通过增强网络踪迹实现 realistic 网站指纹识别
密码学与安全
2023-09-20 v1 机器学习
摘要
网站指纹识别（WF）被认为是 Tor 用户（及其他匿名系统）匿名性的主要威胁。尽管最先进的 WF 技术声称具有高攻击准确率，例如通过利用深度神经网络（DNN），但最近的若干工作对这些 WF 攻击在现实世界中的实用性提出质疑，原因在于这些攻击的设计与评估中做出了诸多假设。本工作中，我们认为此类不实用问题主要源于攻击者在全面网络条件下收集训练数据的能力不足，例如，一个 WF 分类器可能仅在特定高带宽网络链路上收集的样本上训练，却部署于具有不同网络条件的连接上。我们表明，增强网络踪迹可提升 WF 分类器在未见网络条件下的性能。具体而言，我们引入 NetAugment，一种针对 Tor 踪迹特性定制的增强技术。我们通过半监督与自监督学习技术实现 NetAugment。我们广泛的开放世界与封闭世界实验表明，在实际评估设定下，我们的 WF 攻击相比最先进技术具有更优性能；这归因于其使用增强网络踪迹进行训练，从而能在未见设定下学习目标流量的特征。例如，在封闭世界场景中采用 5-shot 学习时，我们的自监督 WF 攻击（名为 NetCLR）在评估踪迹由 WF 对手未观测到的设定收集时，准确率达 80%。相比之下，最先进的 Triplet Fingerprinting [35] 准确率为 64.4%。我们相信本工作的 promising 结果可鼓励在网络流量分析其他类型中运用网络踪迹增强。
引用
@article{arxiv.2309.10147,
title = {Realistic Website Fingerprinting By Augmenting Network Trace},
author = {Alireza Bahramali and Ardavan Bozorgi and Amir Houmansadr},
journal= {arXiv preprint arXiv:2309.10147},
year = {2023}
}