[論文レビュー] End-to-End Multi-Tab Website Fingerprinting Attack: A Detection Perspective

Mantun Chen, Yongxin Chen+4 more|arXiv (Cornell University)|Mar 12, 2022

Internet Traffic Analysis and Secure E-voting被引用数 4

ひとこと要約

本稿では、1つのタブでの閲覧や手動によるトレースのトリミングといった人工的な仮定を排除し、複数タブのTorトラフィックにおいて、未トリミングの状態のまま複数の監視対象ウェブサイトトレースを同時に局所化および分類するエンドツーエンドのウェブサイトフォグリープリント検出（WFD）モデルを提案する。WFDモデルは、コンピュータビジョンにおけるオブジェクト検出をインspiredしており、防御されたトレースにおいて最大80.56%のmAPを達成し、ベースレートや学習データサイズの変動に対しても頑健性を示す。

ABSTRACT

Website fingerprinting attack (WFA) aims to deanonymize the website a user is visiting through anonymous networks channels (e.g., Tor). Despite of remarkable progress in the past years, most existing methods make implicitly a couple of artificial assumptions that (1) only a single website (i.e., single-tab) is visited each time, and (2) website fingerprinting data are pre-trimmed into a single trace per website manually. In reality, a user often open multiple tabs for multiple websites spontaneously. Indeed, this multi-tab WFA (MT-WFA) setting has been studied in a few recent works, but all of them still fail to fully respect the real-world situations. In particular, the overlapping challenge between website fingerprinting has never been investigated in depth. In this work, we redefine the problem of MT-WFA as detecting multiple monitored traces, given a natural untrimmed traffic data including monitored traces, unmonitored traces, and potentially unconstrained overlapping between them. This eliminates the above assumptions, going beyond the conventional single website fingerprint classification perspective taken by all previous WFA methods. To tackle this realistic MT-WFA problem, we formulate a novel Website Fingerprint Detection (WFD) model capable of detecting accurately the start and end points of all the monitored traces and classifying them jointly, given long, untrimmed raw traffic data. WFD is end-to-end, with the trace localization and website classification integrated in a single unified pipeline. To enable quantitative evaluation in our MT-WFA setting, we introduce new performance metrics. Extensive experiments on several newly constructed benchmarks show that our WFD outperforms the state-of-the-art alternative methods in both accuracy and efficiency by a large margin, even with a very small training set. Code is available at https://github.com/WFDetector/WFDetection

研究の動機と目的

• 単一タブ、順次訪問されるウェブサイトを仮定し、手動で事前トリミングされたトレースに依存する従来のウェブサイトフォグリープリント攻撃の限界を解消すること。
• 複数タブのウェブサイトフォグリープリントを、すべての監視対象トレースを生の未トリミングトラフィック内から局所化・分類する検出問題として再定式化すること。
• トレースの局所化とウェブサイト分類を同時に最適化する統合的でエンドツーエンドのディープラーニングモデルを構築し、分離された局所化と分類のステップに起因する誤差伝搬を回避すること。
• 現実的で重複するトレースを伴う複数タブのウェブサイトフォグリープリントシナリオに適した新しい評価指標（mAPとMBps）を導入すること。
• ベースレート、1つのマルチタブトレースに含まれる単一タブトレースの数、および小規模な学習データサイズの変動に対して、モデルの頑健性と一般化性能を示すこと。

提案手法

• コンピュータビジョンにおけるオブジェクト検出の原則を応用し、各監視対象ウェブサイトトレースを長いトラフィックシーケンス内のオブジェクトとして扱い、同時に局所化と分類を実現すること。
• 共有特徴抽出、スケール認識、および2ヘッド予測（バウンディングボックス回帰とクラス分類）を備えた統合的ディープラーニングアーキテクチャを設計し、エンドツーエンドで訓練すること。
• 入力次元を低減しながらも重要なトラフィックパターンを保持する、新しいコンパクトな入力表現「Burst」を導入し、モデルの効率性を向上させること。
• 軽量なバックボーンネットワークと効率的なヘッド設計を採用し、精度を損なわず、最大120 MBpsの高速推論を実現すること。
• 監視対象、非監視対象、重複するトレースを含む生の未トリミングトラフィックデータ上で学習し、直接的に開始/終了タイムスタンプとウェブサイトラベルを予測すること。
• 検出精度と現実的環境における効率性を評価する主な指標として、平均平均精度（mAP）とスループット（MBps）を用いること。

実験結果

リサーチクエスチョン

• RQ1 手動によるトレーストリミングや順次訪問の仮定に依存せずに、未トリミングのTorトラフィックにおいて複数の重複するウェブサイトトレースを、1つのエンドツーエンドディープラーニングモデルが効果的に検出できるか？
• RQ2 重複するトレースや変動するベースレートを伴う現実的な複数タブ閲覧条件下で、提案されたWFDモデルは、最先端の手法と比較して、精度と効率の両面で優れた性能を示すか？
• RQ3 1つのマルチタブトレースに含まれる単一タブトレースの数の変動や、学習データサイズの変動に対して、WFDモデルの一般化性能はどの程度高いか？
• RQ4 特にFRONTノイズを用いたGLUE防御機構にさらされた状況でも、WFDモデルのウェブサイトトレース検出効果はどの程度高いか？
• RQ5 限られたデータ収集が現実的に一般的な状況を反映する小規模なデータセットで学習された場合でも、モデルは高い性能を維持できるか？

主な発見

• DS-19 GLUEデータセットにおいてFRONT防御下で80.56%のmAPを達成し、最良のCDSBシリーズ手法（15.81% mAP）を大きく上回り、防御に対して優れた頑健性を示した。
• トレーニング時に1つのマルチタブトレースあたり3つの単一タブトレースしか使用しなくても、mAPは60.55%から69.33%の範囲を維持し、再トレーニングなしでタブ数の変動に強く一般化できることが示された。
• 小規模な学習データでもmAPが55.46%以上を達成した一方で、通常サイズのデータでは62.02%であったため、データ効率が高く、低データ環境でも実用的であることが示された。
• 推論速度は最大120 MBpsに達し、小規模データでの学習時間も64分と、ベースライン手法に比べて著しく短縮された。これは高い効率性を示している。
• マルチタブトレースに含まれる単一タブトレースの数が増えるにつれて、性能が向上し、FRONT防御済みトラフィックの割合が減少するため、防御機構に対して耐性があることが示された。
• ベースレート（r）の変動に対してもモデルは頑健であり、rが増加するにつれて性能が向上する傾向を示しており、現実の閲覧パターンに適応できる高い柔軟性を有している。