迈向无缝无跟踪网络：基于单类学习改进跟踪器检测
密码学与安全
2016-03-22 v1
摘要
众多工具已被开发出来，用于主动阻止Web浏览器中流行JavaScript程序(JS)的执行。这种阻止也会影响网页功能并损害用户体验。因此，许多为限制通常通过JS执行的在线跟踪而开发的隐私保护工具(PP-Tools)，可能面临性能不佳和采用有限的问题。一种能够将网站正常运行所需的JS与跟踪JS隔离的机制将是有用的。通过使用由2,612个JS组成的手动标注数据集，我们展示了当前PP-Tools在阻止跟踪JS与允许功能JS之间找不到正确平衡。据我们所知，这是首项评估当前Web PP-Tools性能的研究。为改善这一平衡，我们考察了两类JS，并假设跟踪JS共享结构相似性，可用于将其与功能JS区分开。我们方法的原理是，Web开发者经常借用并定制现有代码片段，以将跟踪（相应功能）JS嵌入其网页。接着，我们提出使用从JS提取的句法和语义特征训练的单类机器学习分类器。当仅使用跟踪JS样本训练时，我们的分类器达到了99%的准确率，而最佳PP-Tools的准确率为78%。我们进一步在包含4K网站和135K JS的语料库上测试了我们的分类器和若干流行PP-Tools。我们最佳分类器在该数据上的输出与PP-Tools相差20%至64%。我们手动分析了分类器与所有其他PP-Tools均不一致的JS样本，表明我们的方法不仅能通过正确分类更多功能JS来提升用户Web体验，还能发现先前未知的跟踪服务。
引用
@article{arxiv.1603.06289,
title = {Towards Seamless Tracking-Free Web: Improved Detection of Trackers via One-class Learning},
author = {Muhammad Ikram and Hassan Jameel Asghar and Mohamed Ali Kaafar and Balachander Krishnamurthy and Anirban Mahanti},
journal= {arXiv preprint arXiv:1603.06289},
year = {2016}
}