[논문 리뷰] A Real-time Defense against Website Fingerprinting Attacks

Shawn Shan, Arjun Nitin Bhagoji외 2명|arXiv (Cornell University)|2021. 02. 08.

Adversarial Robustness in Machine Learning참고 문헌 81인용 수 16

한 줄 요약

Dolos는 사용자 비밀값을 기반으로 한 적대적 패치를 사용하여 딥러닝 기반의 웹사이트 지문 공격(WF)에 실시간으로 대응하는 방어 기법이다. 활성 연결 중에 사전에 계산하고 적용함으로써 Dolos는 최신 공격 기술에 대해 94% 이상의 보호율을 달성하면서도 적응형 대응 조치에 저항하고 오버헤드 및 정보 泄露 를 최소화한다.

ABSTRACT

Anonymity systems like Tor are vulnerable to Website Fingerprinting (WF) attacks, where a local passive eavesdropper infers the victim's activity. Current WF attacks based on deep learning classifiers have successfully overcome numerous proposed defenses. While recent defenses leveraging adversarial examples offer promise, these adversarial examples can only be computed after the network session has concluded, thus offer users little protection in practical settings. We propose Dolos, a system that modifies user network traffic in real time to successfully evade WF attacks. Dolos injects dummy packets into traffic traces by computing input-agnostic adversarial patches that disrupt deep learning classifiers used in WF attacks. Patches are then applied to alter and protect user traffic in real time. Importantly, these patches are parameterized by a user-side secret, ensuring that attackers cannot use adversarial training to defeat Dolos. We experimentally demonstrate that Dolos provides 94+% protection against state-of-the-art WF attacks under a variety of settings. Against prior defenses, Dolos outperforms in terms of higher protection performance and lower information leakage and bandwidth overhead. Finally, we show that Dolos is robust against a variety of adaptive countermeasures to detect or disrupt the defense.

연구 동기 및 목표

• 기존의 웹사이트 지문 방어 기법이 연결 후 계산이 필요해 실시간 스노핑 공격에는 효과가 없음을 해결하기 위해.
• 적대적 패치를 활용하여 실시간으로 작동하는 실용적인 방어 기법을 개발하기 위해.
• 공격자가 적대적 훈련을 통해 방어 기법을 공략하는 것을 방지하기 위해 사용자 비밀값 기반의 패치 파rameterization을 통해 장기적인 강건성을 확보하기 위해.
• 보호 성능, 대역폭 오버헤드, 정보 泄露 측면에서 이전 방어 기법들을 능가하기 위해.
• 적응형 공격 대응 조치(예: 적대적 패치 훈련 및 수직 특징 기반 분류기)에 대한 강건성을 평가하기 위해.

제안 방법

• 딥러닝 기반의 웹사이트 지문 분류기의 성능을 저하시키기 위해 네트워크 트래픽에 가짜 패킷을 주입하는 입력 무관(adversarial patches)를 사전에 계산한다.
• 사용자 측의 비밀값을 사용해 패치를 파arameterization하여, 비밀값이 유출되지 않는 한 공격자가 이를 예측하거나 재현할 수 없도록 한다.
• 실시간으로 활성 네트워크 세션 동안 패치를 적용함으로써 세션 종료를 기다리지 않고 즉각적인 보호를 가능하게 한다.
• 다양한 트래픽 패턴과 분류기 유형에 효과적인 패치 생성을 위해 특징 추출기(예: DF${}_{\text{Sirinam}}$)를 활용한다.
• 기존의 공격 패tern에 대비해 방어자 측에서 적대적 훈련 기법을 적용하여 패치의 강건성을 강화하면서도 실시간 적용 가능성을 유지한다.
• 적대적 공격 패턴에 대한 강건성을 평가하기 위해 여러 적응형 공격(예: 적대적 패치 훈련 및 수직 특징 기반 분류기)에 대응한다.

실험 결과

연구 질문

• RQ1 적대적 패치는 실시간으로 웹사이트 지문 공격에 효과적으로 적용될 수 있는가?
• RQ2 사용자 비밀값 기반의 패치는 공격자가 적대적 훈련을 통해 방어 기법을 우회하는 것을 방지할 수 있는가?
• RQ3 다양한 훈련 및 공격 설정에서 최신 DNN 기반의 웹사이트 지문 공격에 대해 Dolos는 어떻게 성능을 내는가?
• RQ4 적응형 공격 대응 조치(예: 적대적 패치 훈련 및 수직 특징 학습)는 Dolos의 효과성에 어떤 영향을 미치는가?
• RQ5 보호 성능, 대역폭 오버헤드, 정보 泄露 측면에서 Dolos는 이전의 방어 기법들과 비교해 어떻게 성과를 내는가?

주요 결과

• Dolos는 모든 평가 환경에서 최신 딥러닝 기반의 웹사이트 지문 공격에 대해 94% 이상의 보호율을 달성한다. 이는 적대적 훈련 및 수직 특징 공격 조건에서도 동일하게 유지된다.
• 공격자가 여러 다른 사용자 비밀값을 사용해 방어된 트레이스를 기반으로 훈련할 경우 보호율이 최소 87%로 떨어지며, 이는 매우 강력한 내구성을 보여준다.
• Dolos는 세 가지 최신 방어 기법보다 보호 성능, 대역폭 오버헤드, 정보 泄露 측면에서 뛰어나며, 특히 정보 泄露 와 오버헤드가 현저히 낮다.
• 적대적 패치 훈련에 대해서도 방어 기법이 강건하여, 공격자의 분류기가 최대 200 에포크 동안 훈련되더라도 보호율이 94% 이상 유지된다.
• 공격자가 수직 특징 기반 분류기를 사용할 경우 20 에포크 후에 정확도가 8%에 불과하여 이러한 대응 조치의 실현 가능성은 매우 낮다.
• Dolos는 웹사이트 지문 공격에 대해 적대적 패치를 적용한 최초의 방어 기법으로, 연결 후 계산이 필요 없이 실시간 보호를 가능하게 한다.