面向大规模的细粒度网页指纹识别

网站指纹识别（WF）攻击可通过分析加密流量模式有效识别 Tor 客户端访问的网站。现有攻击侧重于识别不同网站，但当用于识别细粒度网页，尤其是区分同一网站的不同子页面时，准确率会显著下降。网页指纹识别（WPF）攻击面临流量模式高度相似和网页规模大幅增加的挑战。此外，客户端常同时访问多个网页，增加了从混淆流量中提取每个网页流量模式的难度。本文提出 Oscar，一种基于多标签度量学习的 WPF 攻击，通过变换特征空间来识别混淆流量中的不同网页。Oscar 能够提取各种网页之间的细微差异，即使其流量模式相似。具体而言，Oscar 结合基于代理的度量学习损失和基于样本的度量学习损失，从混淆流量中提取网页特征并识别多个网页。我们原型化 Oscar，并使用来自 1000 个监控网页和超过 9000 个非监控网页的真实流量进行评估。Oscar 在多标签度量 Recall@5 上比现有最先进攻击提高了 88.6%。