[论文解读] Counting Down Thunder: Timing Attacks on Privacy in Payment Channel Networks

Elias Rohrer, Florian Tschorsch|arXiv (Cornell University)|Jun 22, 2020

Blockchain Technology Applications and Security参考文献 14被引用 5

一句话总结

本文展示了时序侧信道攻击如何通过测量HTLC消息交换中的时间差，实现对闪电网络中支付端点的去匿名化。通过部署概念验证测量节点并模拟攻击场景，作者表明，即使仅部署少量战略性恶意节点，也能以高精度和高召回率对超过50%的支付实现去匿名化，从而破坏网络的隐私保障。

ABSTRACT

The Lightning Network is a scaling solution for Bitcoin that promises to enable rapid and private payment processing. In Lightning, multi-hop payments are secured by utilizing Hashed Time-Locked Contracts (HTLCs) and encrypted on the network layer by an onion routing scheme to avoid information leakage to intermediate nodes. In this work, we however show that the privacy guarantees of the Lightning Network may be subverted by an on-path adversary conducting timing attacks on the HTLC state negotiation messages. To this end, we provide estimators that enable an adversary to reduce the anonymity set and infer the likeliest payment endpoints. We developed a proof-of-concept measurement node that shows the feasibility of attaining time differences and evaluate the adversarial success in model-based network simulations. We find that controlling a small number malicious nodes is sufficient to observe a large share of all payments, emphasizing the relevance of the on-path adversary model. Moreover, we show that adversaries of different magnitudes could employ timing-based attacks to deanonymize payment endpoints with high precision and recall.

研究动机与目标

• 探究HTLC消息交换中的时序侧信道信息是否可被利用，以实现对闪电网络中支付端点的去匿名化。
• 通过真实世界测量和网络仿真，评估此类攻击的可行性。
• 开发并验证基于时序的估计器，以缩小支付端点的匿名集合。
• 评估恶意节点部署位置与规模对去匿名化成功率的影响。
• 将基于时序的估计器与基线方法（如First-Spy估计器）的效能进行比较。

提出的方法

• 作者开发了一个概念验证测量节点，部署于闪电网络测试网，用于收集HTLC消息交换的时间差测量数据。
• 提出了基于时序的估计器，利用时间差数据，基于最大似然法对候选发送方和接收方节点进行排序。
• 通过探测网络，构建了对抗性链路延迟模型，以推断支付路径上的往返延迟。
• 基于公开闪电网络的真实世界快照，构建了离散事件网络仿真器，用于在多样化对抗配置下评估攻击成功率。
• 该方法结合网络探测、时间差分析与概率排序，实现对支付端点的高精度推断。
• 该方法与基线First-Spy估计器进行对比评估，以证明其在去匿名化任务中表现更优。

实验结果

研究问题

• RQ1 路径上的攻击者是否可通过测量HTLC消息交换中的时间差，推断出闪电网络支付的真实发送方和接收方？
• RQ2 与现有方法相比，基于时序的估计器在缩小匿名集合和识别支付端点方面有多高效？
• RQ3 恶意节点的部署位置与规模对去匿名化攻击成功率有何影响？
• RQ4 网络拓扑结构与路径长度分布在多大程度上影响基于时序的去匿名化准确性？
• RQ5 当仅控制少量节点时，时序攻击是否仍能以高精度和高召回率实现对支付的去匿名化？

主要发现

• 仅控制10个恶意节点，攻击者即可实现超过50%的去匿名化精度。
• 网络中四个最中心的节点平均可观察到72%的所有支付，凸显了中心节点的风险。
• 控制单个高度中心化的节点，攻击者可观察到近50%的所有支付，表明网络中心性存在显著漏洞。
• 基于时序的估计器显著优于First-Spy基线方法，尤其在完全去匿名化场景中表现更优。
• 通过部署于测试网的概念验证测量节点，证实了该攻击在实际中的可行性。
• 结果表明，时序攻击在去匿名化发送方和接收方端点方面，最高可达50%的召回率。