Sep, 2015

k-fingerprinting: 一种稳健可伸缩的网站指纹识别技术

PDF
TL;DR本研究提出 k-fingerprinting 技术，基于随机决策森林实现网页指纹识别，并在标准网页和 Tor 隐藏服务上进行了评估，结果表明它比现有技术攻击更有效，对于大量嘈杂数据也能够实现攻击，另外还指出了攻击误差率因不同的网络资源而异。
发现论文，激发创造
  • 深度指纹识别：利用深度学习破解网站指纹识别防御

    本文研究了针对 Tor 的深度指纹识别攻击，这种攻击使用了卷积神经网络等深度学习技术，与现有的 WTF-PAD 和 Walkie-Talkie 两种防御策略相比，攻击的准确率超过 98％，并展示了对这种新型攻击的需求和防御策略的必要性。

    Jan, 2018

  • Neural-FacTOR: TOR 匿名下的网站指纹识别攻击的神经表征学习

    本文提出了一种基于卷积神经网络的网站指纹识别攻击模型，实现了对 TOR 网络中的网站匿名性的破解，相比现有方法提高了 12.21% 的准确率。

    Sep, 2022

  • 贝叶斯而非朴素：网站指纹识别防御的安全界限

    本研究利用机器学习分类方法，以最小可达误差为基础，推导了任何 WF 防御的安全限制，并且证明了这种方式可以用于定义其他基于 ML 的攻击的安全限制。

    Feb, 2017

  • 通过增强网络跟踪实现逼真的网站指纹识别

    使用网络痕迹增强技术，提高网络指纹识别攻击的性能和可行性，从而降低对 Tor 用户（以及其他匿名系统）的匿名性威胁。

    Sep, 2023

  • 稳健可靠的早期网站指纹识别攻击：基于时空分布分析

    本文提出了 Holmes，一种强大而可靠的早期阶段网站指纹攻击方法，通过对网站流量的时空分布分析有效地识别页面加载的早期阶段，与现有的基于深度学习的 WF 攻击相比，Holmes 的 F1 分数平均提高了 169.18%。

    Jul, 2024

  • Mockingbird：抵御基于深度学习的网站指纹攻击及其反对手迹

    使用 Mockingbird 技术可以减少基于对手训练的恶意软件的攻击精度，而带来较小的带宽开销。

    Feb, 2019

  • 通过 Transformer 编码的 HTTP 响应头指纹识别 Web 服务器

    利用最先进的深度学习、大数据和自然语言处理技术探索提高对易受攻击的 Web 服务器版本检测的方法，通过发送各种模糊和非标准的 HTTP 请求到 477 万个域名并捕获 HTTP 响应状态行，通过使用 BPE 标记器和 RoBERTa 编码器进行无监督的掩码语言建模来表示这些状态行，对编码的响应行进行降维和连接以表示每个域的 Web 服务器，通过 Random Forest 和多层感知器（MLP）对这些 Web 服务器进行分类，检测到五种最流行的起点 Web 服务器的宏 F1 分数分别为 0.94 和 0.96，MLP 在对 347 种主要类型和次要版本对进行分类时得到了权重 F1 分数 0.55，分析表明我们的测试案例是 Web 服务器类型的有意义的差异判别因子，我们的方法展示了作为基于规则系统的强大而灵活的替代方案的潜力。

    Mar, 2024

  • TuRF：基于指纹的室内定位快速数据收集

    本研究提出了基于路径的指纹采集机制 TuRF，可通过步数计算近似位置标签用于高斯过程回归模型的训练，有效提高了室内定位的指纹采集效率和定位性能。

    May, 2017

  • 指纹验证系统直接攻击评估

    研究了指纹识别系统在有或没有用户配合下直接攻击的漏洞，通过对真假指纹数据库上两个不同系统（细节和脊特征）的评估，根据指纹图像质量和在不同操作场景下获得的结果， 得出了一些关于系统的鲁棒性的统计显著观察结果。

    Dec, 2022

  • 网络流量指纹识别的局部敏感哈希算法

    本研究提出了利用局部敏感哈希技术进行网络流量指纹识别的解决方案，并通过与基于机器学习的流量指纹识别方法的比较，得出了相对于现有方法准确率提高了 12% 的结论，达到了 94% 的网络设备识别准确率。

    Feb, 2024