Var-CNN: A Data-Efficient WebsiteFingerprinting Attack Based on Deep Learning

2018  code

利用深度学习以及特定于数据包序列分类的新见解 -> 大大减少执行成功的网站指纹攻击所需的训练数据量，这缩短了数据收集所需的时间，降低了出现数据过时问题的可能性

深度学习的显著缺点：需要大量训练数据

Var-CNN是基于深度学习的半自动特征提取WF攻击，也是第一个专门针对网络数据包序列分类的深度学习WF攻击。

威胁模型

将数据包是传入还是传出称为方向数据，将两个连续数据包之间的时间延迟称为时间数据。

相关工作

自动特征提取攻击

在训练数据较少情况下DF与现有技术比几乎没有改进。

Var-CNN与DF之间的关键区别：

• V-C 采用了一些针对数据包序列分类的新见解，包括扩张因果卷积、累积统计信息和定时数据。
• 我们的研究表明，无论使用的数据量多少，Var-CNN 在每个开放和封闭世界的测试环境中都优于 DF。
• V-C 模型在使用少量训练数据的情况下有明显改善。这一点非常重要，原因如下：（1）深度学习模型通常无法在较小的训练集中很好地工作（2）训练集越小，训练时间越短（3）训练集越小，对手所需的资源和收集数据库的时间就越少，从而直接减少了工作量

Var-CNN

由两种类型的集成组成，一种是训练中扩展因果ResNet18和累积特征的组合，另一种是方向和时间模型的训练后集成。

Var-CNN与DF评估

在不设防的场景中，Var-CNNÿ