MMJan, 2018

深度指纹识别：利用深度学习破解网站指纹识别防御

PDF
TL;DR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。
website fingerprintingtordeep learningconvolutional neural networkssecurity
发现论文，激发创造
  • 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

  • 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

  • k-fingerprinting: 一种稳健可伸缩的网站指纹识别技术

    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。

    Sep, 2015

  • 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

  • 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

  • WaveAttack：基于不对称频率混淆的反向攻击对深度神经网络

    该研究论文提出了一种名为 WaveAttack 的新型基于频域的后门攻击方法，通过离散小波变换（DWT）获取图像的高频特征以生成后门触发器，并引入了一种不对称频域混淆方法，通过在训练和推理阶段添加自适应残差来增强触发器的影响，进一步提高了 WaveAttack 的有效性和隐匿性，在图像忠实度方面超过了现有的后门攻击方法。

    Oct, 2023

  • Web 攻击检测领域中深度学习模型的攻击和防御

    该研究探讨了网络攻击检测中的后门攻击及其相应的防御方法，通过在 textCNN、biLSTM 和 tinybert 模型上的实验，发现后门攻击的成功率达到 87%，但可以通过微调来降低。未来的研究应该关注网络攻击检测中的后门防御。

    Jun, 2024

  • 免接触指纹生物特征反欺骗：一种无监督深度学习方法

    我们提出了一种创新的反欺骗方法，将无监督自编码器与卷积块注意模块相结合，以解决现有方法的局限性，并具有有效推广性。我们的模型仅在真实图像上进行训练，未接触任何伪造样本，在测试阶段用于评估各种类型的展示攻击图像。我们的方案在涉及各种类型伪造样本的展示攻击中，实现了平均 BPCER 为 0.96％，APCER 为 1.6％。

    Nov, 2023

  • 通过可转移的对抗样本进行深度神经网络指纹识别

    我们提出了一种基于指纹的深度神经网络分类器方法，用于检测机器学习服务中的模型盗窃攻击，该方法提取一组从源模型中提供的输入，只有代理模型能够在这些输入上与源模型一致地进行分类。

    Dec, 2019