[논문 리뷰] Towards Predicting Efficient and Anonymous Tor Circuits

Armon Barton, Mohsen Imani외 2명|arXiv (Cornell University)|2018. 05. 05.

Internet Traffic Analysis and Secure E-voting참고 문헌 28인용 수 7

한 줄 요약

이 논문은 실시간 성능 측정 데이터를 기반으로 훈련된 랜덤 포레스트 분류기를 사용하여 더 빠르고 혼잡도가 낮은 회로를 예측하고 선택하는 경로 선택 기법 PredicTor를 제안한다. 시뮬레이션과 실시간 실험을 통해 평가된 결과, PredicTor는 Vanilla Tor 대비 11–23% 성능 향상을 이루었고, CAR 대비 7–13% 향상을 기록했으며, 네트워크 수준의 위치 기반 익명성 유출을 드러내는 새로운 메트릭인 CLASI를 통해 익명성을 유지한다. 이 메트릭은 기존 엔트로피 메트릭이 간과하는 위치 기반 익명성 유출을 포착한다.

ABSTRACT

The Tor anonymity system provides online privacy for millions of users, but it is slower than typical web browsing. To improve Tor performance, we propose PredicTor, a path selection technique that uses a Random Forest classifier trained on recent measurements of Tor to predict the performance of a proposed path. If the path is predicted to be fast, then the client builds a circuit using those relays. We implemented PredicTor in the Tor source code and show through live Tor experiments and Shadow simulations that PredicTor improves Tor network performance by 11% to 23% compared to Vanilla Tor and by 7% to 13% compared to the previous state-of-the-art scheme. Our experiments show that PredicTor is the first path selection algorithm to dynamically avoid highly congested nodes during times of high congestion and avoid long-distance paths during times of low congestion. We evaluate the anonymity of PredicTor using standard entropy-based and time-to-first-compromise metrics, but these cannot capture the possibility of leakage due to the use of location in path selection. To better address this, we propose a new anonymity metric called CLASI: Client Autonomous System Inference. CLASI is the first anonymity metric in Tor that measures an adversary's ability to infer client Autonomous Systems (ASes) by fingerprinting circuits at the network, country, and relay level. We find that CLASI shows anonymity loss for location-aware path selection algorithms, where entropy-based metrics show little to no loss of anonymity. Additionally, CLASI indicates that PredicTor has similar sender AS leakage compared to the current Tor path selection algorithm due to PredicTor building circuits that are independent of client location.

연구 동기 및 목표

• 성능 최적화된 경로 선택을 통해 지연 시간과 혼잡도를 줄임으로써 Tor의 성능을 향상시키기.
• 기존 경로 선택 알고리즘의 한계를 해결하여 네트워크 조건에 동적으로 적응하지 못하는 문제를 해결하기.
• 클라이언트의 AS 추론 위험을 반영한 새로운 익명성 메트릭인 CLASI를 개발하기.
• 성능 최적화 경로 선택이 사용자 익명성, 특히 네트워크 수준의 지문 분석을 통해 손상되는지 평가하기.
• 생산용 Tor 네트워크에 적용 가능한 확장성 있고 안전하며 효율적인 경로 선택 시스템을 구현하기.

제안 방법

• PredicTor는 지연 시간과 대역폭을 포함한 Tor 회로 성능의 실시간 측정 데이터를 기반으로 훈련된 랜덤 포레스트 분류기를 사용한다.
• 분류기는 회로가 구축되기 전 후보 회로의 성능을 예측하여 예측된 지연 시간과 혼잡도가 낮은 경로를 우선시한다.
• 훈련 데이터는 중앙 또는 분산된 기관에서 주기적으로 생성하는 측정 스트림을 통해 수집되며, 매시간 클라이언트로 전송된다.
• 측정 회로는 목적지 도메인과 페이로드 크기를 무작위로 변경하여 탐지 및 조작를 방지한다.
• CLASI는 네트워크, 국가, 릴레이 수준에서 클라이언트의 자율 시스템(AS)을 회로 지문 분석을 통해 유추할 수 있는 악성 공격자의 능력을 정량화하는 새로운 익명성 메트릭으로 도입된다.
• CLASI는 Tor의 연결 그래프와 릴레이 대역폭과 같은 보조 데이터를 모두 볼 수 있는 전지적 공격자를 가정한다.

실험 결과

연구 질문

• RQ1 PredicTor와 같은 머신러닝 기반 경로 선택 기법이 익명성 품질을 저하시키지 않고 Tor의 성능을 크게 향상시킬 수 있는가?
• RQ2 PredicTor의 혼잡도 및 거리에 대한 동적 적응 능력은 CAR 및 Vanilla Tor와 비교해 어떻게 다른가?
• RQ3 위치 인식 경로 선택 알고리즘이 클라이언트의 AS 정보를 얼마나 泄露하는가? 기존 익명성 메트릭은 이를 포착할 수 있는가?
• RQ4 CLASI가 기존 엔트로피 기반 메트릭이 간과하는 익명성 위험을 드러내는가?
• RQ5 실제 Tor 네트워크에 PredicTor를 통합하는 데 있어 실용적인 구현 과제는 무엇인가?

주요 결과

• Shadow 시뮬레이션에서 PredicTor는 Vanilla Tor 대비 23% 성능 향상을 기록했고, CAR 대비 13% 향상되었다.
• 실시간 Tor 실험에서 PredicTor는 고도의 혼잡 상황에서도 중앙값 기준 7–13%의 성능 향상을 달성했으며, Vanilla Tor를 초월했다.
• CLASI는 위치 인식 경로 선택 알고리즘에서 클라이언트의 AS 정보가 심각하게 泄露됨을 드러내었고, 엔트로피 기반 메트릭은 이에 따른 익명성 손실이 미미하다고 보고했다.
• PredicTor는 클라이언트의 위치를 고려하지 않고 회로를 선택하기 때문에 Vanilla Tor와 유사한 AS 유출 수준을 보였다. 이는 위치 기반 지문 분석을 피하는 데 기여한다.
• 기니 계수와 균일성 분석 결과, PredicTor 하에서 릴레이 선택은 균형을 유지했으며, Vanilla Tor 대비 엔트로피 손실이 최소한이었다.
• PredicTor의 첫 번째 해킹 시도까지의 시간은 Vanilla Tor와 유사할 것으로 예상된다. 가드 선택 방식이 그대로 유지되기 때문이다.