自我防御：最优QIF解及其在网站指纹识别中的应用

定量信息流（QIF）为设计泄露最小的安全系统提供了稳健的信息论框架。以往研究解决了在硬约束（如应用限制）和软约束（如效用）下的系统设计问题，但常出现核心系统行为被视为固定的场景。此时挑战在于为现有系统设计新组件，在不改变原系统的前提下最小化泄露。本文通过提出在已知且不可修改的信息论信道中构建新行的最优解来解决此问题，旨在最小化泄露。我们首先建模两类对手：精确猜测对手，试图一次猜中秘密；以及s-区分对手，试图将秘密s与所有其他秘密区分开。接着，我们针对固定先验和未知先验讨论设计策略，利用线性规划为每类对手提供线性约束下的最优解。我们将该方法应用于网站指纹识别防御问题，考虑站点管理员可修改自身站点但无法修改他站点的场景。我们通过实验评估所提解法与其他自然方法的对比。首先采样真实新闻网站，针对两类对手均证明所提解法能有效实现最小泄露。最后，通过为s-区分对手训练机器学习分类器模拟实际攻击，表明我们的方法降低了攻击者的准确率。