QuicTor: Enhancing Tor for Real-TimeCommunication Using QUICTransport Protocol

本文详细探讨了QUIC协议如何改善Tor的性能,包括队头阻塞的解决方案、公平带宽分配和安全性的考量。通过实验评估了QuicTor在网页浏览、下载和视频流等应用中的优势,并研究了QUIC对Tor安全的影响及应对策略。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

2021 IEEE

在第 2 节中,我们介绍了 Tor 匿名网络和 QUIC 协议的必要背景。随后,我们回顾了为 Tor 网络设计的改进技术。第 3 节讨论 QuicTor 的设计和架构。第 4 节介绍并讨论性能评估结果。最后,第 6 节是我们的结论和未来工作计划。

贡献

  • 我们详细讨论了 QUIC 协议使其成为 Tor 传输层合适候选协议的特点。
  • 我们建立了一个支持使用基于 UDP 协议(如 QUIC)的现实测试平台,并使用 Tor 实时网络的性能校准了我们的环境。
  • 我们针对不同类型的应用(网页浏览、批量下载和视频流),评估了 QuicTor 相对于 vanilla Tor 的性能增益。
  • 我们分析了 Tor 网络上不同类型的攻击,并强调了可能受所用传输协议影响的攻击类型,从而对 QuicTor 的安全性进行了全面研究。我们实施了各种类型的攻击,并评估了它们对 QuicTor 和 vanilla Tor 的影响。

二、背景

A. Tor

洋葱代理接受 TCP 请求(TCP 流),然后在创建的线路上对其进行多路复用。来自客户端的流量使用三个密钥加密,电路上每一跳使用一个密钥。在出口 OR,目的地地址会被披露,这样出口 OR 就能完成连接。最初的洋葱路由设计为每个 TCP 流使用一个电路。

B. 当前问题

专门解决当前Tor传输层设计问题

队头阻塞

C. 增强Tor性能

流量管理 ->应用层缺乏拥塞控制

电路调度改进 -> 指数加权移动平均EWMA:每个电路都会保留一个状态变量来跟踪加权移动平均值,该值表明了该电路的活跃程度,活跃程度较低的电路在调度时会获得更高的优先级。

为所有连接分配相同的带宽,造成不公平排队 -> 将未使用的带宽重新分配给需要更多带宽的连接

Tor N23基于异步传输模式ATM

在单个TCP通道上处理多个电路的多路复用

电路构建和路径选择 -> 路径选择算法,使用随机森林分类器

-> 使用延迟作为拥塞的度量,并推断中继的拥塞状态,为此Tor选择拥塞较少的电路中继

D. Tor安全性

回顾Tor的威胁模型和利用Tor设计流程发起去匿名化攻击的技术

1)对手模型

大多数去匿名化攻击都假设攻击者至少控制着一个电路跳点、入口或出口,或两者都控制。此外可以提供一个受损的客户端或恶意目的地。

2)侧信道攻击

三、QuicTor

A. Quic

1)安全问题

TLS最健壮的方法是先加密后认证。QUIC的数据被放在帧中,这些帧也被加密,然后在数据包中进行身份验证。TLS 容易受到拒绝服务(DoS)攻击,而QUIC 通过忽略未经验证的流量,降低了 DoS 攻击的风险。这两种协议都容易受到针对接收方实施的特定加密标准的攻击,如 Bleichenbacher 对 RSA 的攻击

B. QuicTor 设计

C. Quic在Tor网络中的部署和实现 

 

 

 

### NeXtSRGAN 超分辨率 GAN 的实现 NeXtSRGAN 是一种基于 Super-Resolution GAN 的改进模型,其核心在于利用 ConvNeXt 构建判别器网络以提升图像细节的表现力和生成质量。以下是有关其实现的关键部分: #### 判别器设计 ConvNeXt 结构被引入到判别器的设计中,通过分层特征提取来增强对高分辨率图像真实性的判断能力。ConvNeXt 使用深度可分离卷积以及残差连接机制,在保持计算效率的同时提升了性能[^1]。 ```python import tensorflow as tf from tensorflow.keras import layers def convnext_block(input_tensor, filters, kernel_size=7): x = layers.DepthwiseConv2D(kernel_size=kernel_size, padding='same')(input_tensor) x = layers.LayerNormalization(epsilon=1e-6)(x) x = layers.Dense(filters * 4)(x) x = layers.Activation('gelu')(x) x = layers.Dense(filters)(x) return layers.Add()([input_tensor, x]) def build_discriminator(img_shape=(128, 128, 3), num_blocks=3): input_img = layers.Input(shape=img_shape) x = layers.Conv2D(64, kernel_size=3, strides=2, padding="same")(input_img) x = layers.LeakyReLU(alpha=0.2)(x) current_filters = 64 for _ in range(num_blocks): x = convnext_block(x, current_filters) current_filters *= 2 if current_filters > img_shape[-1]: break x = layers.Conv2D(current_filters, kernel_size=3, strides=2, padding="same")(x) x = layers.LeakyReLU(alpha=0.2)(x) x = layers.Flatten()(x) output = layers.Dense(1, activation='sigmoid')(x) model = tf.keras.Model(inputs=input_img, outputs=output, name="convnext_discriminator") return model ``` 上述代码展示了如何构建一个基于 ConvNeXt 的判别器架构。它采用逐步下采样的方式减少空间维度并增加通道数,从而捕获更深层次的语义信息[^2]。 #### 生成器设计 对于生成器而言,可以借鉴已有的超分辨率技术如 EDSR 或 RCAN 来搭建基础框架,并调整参数适配具体应用场景需求[^3]。 ```python def res_block(input_tensor, filters): shortcut = input_tensor x = layers.Conv2D(filters, kernel_size=3, padding='same', use_bias=False)(input_tensor) x = layers.ReLU()(x) x = layers.Conv2D(filters, kernel_size=3, padding='same', use_bias=False)(x) return layers.Add()([shortcut, x]) def upscale_ps(input_tensor, factor=2): return layers.UpSampling2D(size=factor, interpolation='bilinear')(input_tensor) def build_generator(lr_shape=(32, 32, 3)): inputs = layers.Input(shape=lr_shape) x = layers.Conv2D(64, kernel_size=9, padding='same')(inputs) x = layers.ReLU()(x) residual = x for _ in range(16): x = res_block(x, 64) x = layers.Conv2D(64, kernel_size=3, padding='same')(x) x = layers.BatchNormalization()(x) x = layers.Add()([residual, x]) x = upscale_ps(x, factor=4) out = layers.Conv2D(3, kernel_size=9, padding='same', activation='tanh')(x) generator_model = tf.keras.models.Model(inputs=[inputs], outputs=out, name="generator") return generator_model ``` 此段脚本定义了一个典型的残差块堆叠型生成器结构,适用于大多数 SISR(Single Image Super Resolution)任务中的低频重建阶段。 #### 训练过程概述 训练过程中需注意平衡生成器与判别器之间的对抗关系,通常会设置不同的损失函数组合来优化整体表现效果。例如 LSGAN 提倡使用的最小二乘误差替代传统交叉熵作为目标函数之一;而针对特定数据集特性还可能加入感知损失(perceptual loss),风格迁移项(style transfer term)等辅助约束条件进一步改善视觉体验品质。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值