基于时空分布分析的鲁棒可靠早期网站指纹识别攻击

网站指纹识别（Website Fingerprinting，以下简称 WF）攻击通过进行流量分析来识别用户访问的网站，从而侵犯用户隐私。尤其是基于深度学习的 WF 攻击显示出惊人的攻击性能。然而，这些攻击的有效性依赖于收集完整且纯净的页面加载期间流量，这会影响这些攻击的实际应用性。在动态网络条件和各种 WF 防御措施下，WF 性能较低，尤其是当分析的流量仅为完整流量的一小部分时。本文提出一种鲁棒可靠的早期 WF 攻击方法 Holmes。Holmes 利用网站流量的时间分布和空间分布分析，有效识别页面加载早期阶段的网站。具体而言，Holmes 基于网站流量的时间分布开发了自适应数据增强方法，并利用监督对比学习方法提取早期流量与预收集完整流量之间的相关性。Holmes 通过计算早期流量与空间分布信息之间的相关性，准确识别页面加载早期阶段的流量，从而确保根据早期流量实现稳健可靠的检测。我们在六个数据集上广泛评估了 Holmes。与九个现有的基于深度学习的 WF 攻击相比，Holmes 在识别早期流量的 F1 分数平均提高了 169.18%。此外，我们复现了访问真实暗网网站的流量。Holmes 在平均仅使用 21.71% 的页面加载时间的情况下，成功识别了暗网网站，平均精度提升了 169.36%。