揭示潜力：利用深度度量学习绕过视频流加密

互联网上的加密（随着向HTTPS的转变）是提高互联网用户隐私的重要一步。然而，关于从加密互联网流量中提取信息而无需解密的研究越来越多。此类攻击绕过了HTTPS假设提供的安全保证，因此需要被理解。先前的研究表明，视频流的可变比特率足以识别某人正在观看哪个视频。这些工作通常需要在准确性、可扩展性、鲁棒性等方面进行权衡。这些权衡使得这些攻击的实际使用变得复杂。为此，我们提出了一种基于三元组损失方法的深度度量学习框架。通过该框架，我们实现了鲁棒、可泛化、可扩展且可迁移的加密视频流检测。首先，三元组损失能更好地处理训练中未见过的视频流。其次，我们的方法可以准确分类训练中未见过的视频。第三，我们展示了我们的方法在超过1000个视频的数据集上具有良好的可扩展性。最后，我们展示了在Chrome上训练的视频流模型也可以分类Firefox上的流。我们的结果表明，这种侧信道攻击比最初认为的适用范围更广。我们提供了我们的代码以及一个多样且最新的数据集，以供未来研究。