[论文解读] A Real-time Defense against Website Fingerprinting Attacks

Shawn Shan, Arjun Nitin Bhagoji+2 more|arXiv (Cornell University)|Feb 8, 2021

Adversarial Robustness in Machine Learning参考文献 81被引用 16

一句话总结

Dolos 是一种针对网站指纹识别（WF）攻击的实时防御机制，通过使用用户密钥参数化的对抗性补丁来干扰基于深度学习的 WF 分类器。通过在活动连接期间预计算并应用这些补丁，Dolos 在抵抗自适应对策的同时，实现了对最先进攻击超过 94% 的防护率，且开销和信息泄露极低。

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.

研究动机与目标

• 解决现有 WF 防御机制依赖连接后计算的局限性，使其对实时监听者无效。
• 开发一种实用的实时防御机制，利用对抗性补丁规避基于深度学习的 WF 分类器。
• 通过基于用户密钥的补丁参数化，确保攻击者无法通过对抗性训练长期破解防御。
• 在防护性能、带宽开销和信息泄露方面超越先前的防御方案。
• 评估对自适应攻击对策（包括对抗性补丁训练和正交特征分类器）的鲁棒性。

提出的方法

• 预计算与输入无关的对抗性补丁，通过向网络流量中注入虚假数据包来干扰基于深度学习的 WF 分类器。
• 使用客户端侧的用户密钥对补丁进行参数化，确保攻击者在未泄露密钥的情况下无法预测或复现补丁。
• 在活动网络会话期间实时应用补丁，实现无需等待会话完成即可立即获得防护。
• 使用特征提取器（例如 DF${}_{\text{Sirinam}}$）生成适用于多样化流量模式和分类器类型的补丁。
• 在防御方采用对抗性训练技术，增强补丁对已知攻击模式的鲁棒性，同时保持实时应用能力。
• 评估对多种自适应攻击的鲁棒性，包括对抗性补丁训练和基于正交特征的分类器。

实验结果

研究问题

• RQ1 对抗性补丁能否在实时场景中有效应用于防御网站指纹识别攻击？
• RQ2 基于用户密钥参数化的补丁是否能防止攻击者通过对抗性训练破解防御？
• RQ3 在不同训练与攻击配置下，Dolos 对最先进 DNN 基于的 WF 攻击表现如何？
• RQ4 自适应攻击对策（如对抗性补丁训练和正交特征学习）对 Dolos 的有效性有何影响？
• RQ5 在防护性能、带宽开销和信息泄露方面，Dolos 与先前防御方案相比表现如何？

主要发现

• Dolos 在所有评估场景下对最先进基于深度学习的 WF 攻击实现了超过 94% 的防护率，包括对抗性训练和正交特征攻击。
• 当攻击者在使用多个不同用户密钥防御的流量痕迹上进行训练时，防护率最低降至 87%，表明其具备极强的抗性。
• Dolos 在防护性能、带宽开销和信息泄露方面均优于三种最先进防御方案，且信息泄露和开销显著更低。
• 该防御对对抗性补丁训练具有鲁棒性，在攻击者分类器训练长达 200 个周期的情况下，防护率仍保持在 94% 以上。
• 当攻击者使用正交特征分类器时，20 个周期后分类准确率仅达 8%，表明此类对策可行性极低。
• Dolos 是首个将对抗性补丁应用于网站指纹识别的防御机制，实现了无需连接后计算的实时防护。