Var-CNN：一种基于深度学习且数据高效的网站指纹攻击
密码学与安全
2019-07-25 v2 机器学习
摘要
近年来，已有若干工作利用网站指纹技术使本地对手能够确定 Tor 用户访问了哪个网站。当前最先进的攻击使用深度学习，在中等至大量数据下优于先前方法，但在两者均使用少量训练数据时，其准确率提升微乎其微甚至没有。在本工作中，我们提出 Var-CNN，一种利用深度学习技术并结合针对数据包序列分类的新颖见解的网站指纹攻击。在具有大量数据的开放世界设置中，Var-CNN 的真阳性率（TPR）比最先进攻击高出超过 ，同时假阳性率（FPR）降低 。Var-CNN 的改进在少数据场景下尤为显著，其将先前方法的 FPR 降低 同时将 TPR 提高 。总体而言，用于开发 Var-CNN 的见解可应用于未来基于深度学习的攻击，并大幅减少执行成功网站指纹攻击所需的训练数据量。这缩短了数据收集所需时间并降低了出现数据陈旧问题的可能性。
引用
@article{arxiv.1802.10215,
title = {Var-CNN: A Data-Efficient Website Fingerprinting Attack Based on Deep Learning},
author = {Sanjit Bhat and David Lu and Albert Kwon and Srinivas Devadas},
journal= {arXiv preprint arXiv:1802.10215},
year = {2019}
}
备注
Original paper split into "Var-CNN: A Data-Efficient Website Fingerprinting Attack Based on Deep Learning" (PETS 2019) and "DynaFlow: An Efficient Website Fingerprinting Defense Based on Dynamically-Adjusting Flows" (WPES 2018)