Surakav: Generating Realistic Traces for a StrongWebsite Fingerprinting Defense

2022 IEEE S&P

训练生成器的源代码 code

修改后的 WFDefProxy 的源代码（实现 Surakav 和其他防御措施） code

Surakav利用生成生成对抗网络（GAN）生成真实的发送模式，并根据采样模式调节缓冲数据。

• 对网页的先验知识。一些防御需要了解每个页面是如何加载的，但这样会造成很大负担，因为大多数网站都是频繁更新的。
• 所有页面的固定模式。一些防御强制所有页面使用相同的模式，以恒定速率发送数据包。

Surakav不需要在网页上加载任何先验知识，利用一个生成器可以输出无限的非重复发送模式。

第二节背景和相关工作，第三节前言，第四节提出新防御，第五节评估，第六节进一步探讨 

二、背景与相关工作

A. 威胁模型

假设攻击者不会破坏Tor的加密或修改任何数据包、客户端一次访问一个页面。

真阳性率TPR定义为正确分类的受监控轨迹占受监控轨迹总数的百分比；
假阳性率FPR 定义为未被监控的轨迹被错误分类为监控轨迹的百分比。

Tik-Tok（明天看