Feb, 2019

Mockingbird：抵御基于深度学习的网站指纹攻击及其反对手迹

PDF
TL;DR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。
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

  • 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

  • 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

  • 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

  • 从对抗样本的指纹中进行逆向工程的对抗性攻击

    通过反向工程将对抗样本归类至代表其算法和参数的类中，进而遏制不良者进行相关攻击。

    Jan, 2023

  • 基于联邦学习的无线流量预测中的攻击

    通过引入一种新的虚假流量注入（FTI）攻击和一种名为全局局部不一致检测（GLID）的防御机制，对分布式的无线流量预测系统中的安全性进行了充分的实验评估，并在现实世界的无线流量数据集上取得了显著优于现有基线的效果。

    Apr, 2024

  • 通过神经指纹识别对抗性样本

    该论文提出了一种名为神经指纹的简单而有效的方法，通过验证模型行为是否与一组秘密指纹一致的方法检测对抗性例子，具有检测速度快、攻击者极难逆向工程以及不需要假定对手知识等优势。该方法在各种威胁模型下均表现优异，成功检测出了具有最强攻击性的对抗样本，同时还能很好地适应各种超参数和指纹选择。

    Mar, 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