增强型网站指纹攻击：通过机器学习遗忘应对匿名网络中的后门投毒
密码学与安全
2025-06-17 v1 网络与互联网体系结构
摘要
网站指纹（WF）是调节和管理暗网的有效工具。然而，在实际部署中，其性能可能因后门投毒攻击而显著降低。本文旨在解决网站指纹攻击面临的后门投毒攻击问题，并设计了一种可行的方法，集成机器学习遗忘技术以实现自动投毒点的检测及其破坏性影响的完全消除，仅需少量已知的投毒测试点。以 Tor 洋葱路由为例，我们的方法将每个训练样本对这些已知投毒测试点的影响值作为判断依据。我们优化影响得分的使用，以在训练数据集中识别投毒样本。此外，通过量化模型参数在训练数据和干净数据上的贡献差异，动态调整目标参数以消除后门攻击的影响。在封闭世界（CW）和开放世界（OW）假设下对公开数据集进行的实验验证了所提方法的有效性。在同时包含干净网站指纹特征和后门触发器的复杂场景中，模型在投毒数据集和测试数据集上的准确率稳定在约 80%，显著优于传统 WF 攻击模型。此外，所提方法在运行效率上相比基线方法实现了 2-3 倍的加速。通过纳入机器学习遗忘，我们实现了一个在对抗性设置中展现出增强的后门投毒抵抗力和更快执行速度的 WF 攻击模型。
引用
@article{arxiv.2506.13563,
title = {Unlearning-Enhanced Website Fingerprinting Attack: Against Backdoor Poisoning in Anonymous Networks},
author = {Yali Yuan and Kai Xu and Ruolin Ma and Yuchen Zhang},
journal= {arXiv preprint arXiv:2506.13563},
year = {2025}
}