无缝式多环境网站指纹识别

网站指纹识别（WF）攻击通过分析网络流量中的模式（如数据包大小、方向或间隔时间）来识别经过匿名化处理的访问网站。先前研究表明WF攻击具有高分类准确率。然而，多个问题质疑了现有WF方法在实际中的可行性，从而促使重新探讨。鉴于Tor的性能问题导致的糟糕浏览体验，绝大多数用户选择使用虚拟私人网络（VPN），尽管VPN的隐私保护较弱。随着网页技术的发展，许多过去的假设正变得越来越不现实。我们的工作解决了若干关键局限性。首先，我们引入一种新方法，对整个网站进行分类，而不是对单个网页进行分类。站点级别的分类使用来自网站所有组件（包括广告、多媒体和单页应用）的流量。其次，我们的卷积神经网络（CNN）仅使用来自TCP流中任意点的500个连续数据包的抖动和大小，而与先前需要找到页面边界的启发式方法不同。我们的无缝方法使窃听者攻击模型更加现实。使用受控浏览器的跟踪数据，我们显示CNN以超过90%的准确率将观察到的流量匹配到网站。我们发现训练流量质量至关重要，因为当训练数据缺乏网络位置、性能和客户计算能力的可变性时，分类准确率会显著降低。我们通过域适应增强了基本CNN的效能，使其能够抵消如网络位置等不相关特征。最后，我们评估了针对无缝WF攻击的几种防御策略。