Deep Fingerprinting: Undermining Website Fingerprintin Defenses with Deep Learning

2018 CCS code

WF从机器学习的角度来看，是一个分类问题，对手在一组网站上训练了一个分类器，提取每个网站独有的网络流量特征。为了部署攻击，攻击者使用分类器将受害者的痕迹与这些站点之一进行匹配。 WF 的有效性在很大程度上取决于分类器算法和所使用的特征集。

深度学习（DL）在许多领域表现都优于传统的机器学习技术，例如语音识别、是绝对下识别和对象检测，而且不需要手动选择和微调特征。

贡献：

• 我们提出了深度指纹识别（DF），这是一种基于卷积神经网络（CNN）的新型 WF 攻击，采用最先进的 DL 方法进行设计。该攻击使用简单的输入格式，无需手工制作分类特征。我们介绍了 DF 如何利用计算机视觉研究的进展来实现有效而稳健的分类性能。
• 为了详细研究该攻击，我们在一个封闭世界环境中使用我们收集的新数据集进行了实验，该数据集包含 95 个站点和每个站点 1,000 个痕迹。我们发现，我们的 DF WF 攻击对 Tor 的准确率比最先进的攻击高出 98.3%。我们还展示了训练历元数和训练数据集大小对分类准确性的影响。
• 然后，我们展示了在封闭世界环境中针对使用 WTF-PAD 和 W-T 进行防御的 Tor 流量的 DF 攻击的有效性。针对 WTF-PAD 的攻击准确率达到 90%，明显优于其他所有攻击。针对 W-T 的攻击准确率为 49.7%，优于所有其他攻击，几乎达到理论最高准确率 [41]。
• 为了在更现实的环境中进行研究，我们使用了一个拥有 20,000 个不受监控站点的开放世界。在非防御流量上࿰