[论文解读] 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 4

一句话总结

本文提出了一种端到端的网站指纹检测（WFD）模型，可联合定位并分类未修剪的多标签Tor流量中多个被监控网站的访问痕迹，消除了对单标签浏览和手动痕迹修剪的假设。该WFD模型受计算机视觉中目标检测的启发，在受保护痕迹上的mAP最高达80.56%，且在不同基础率和训练数据规模下均保持鲁棒性。

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

研究动机与目标

• 解决现有网站指纹攻击方法中假设单标签、顺序访问网站且需手动预修剪痕迹的局限性。
• 将多标签网站指纹检测重新定义为检测问题，目标是在原始未修剪流量中定位并分类所有被监控的痕迹。
• 开发统一的端到端深度学习模型，联合优化痕迹定位与网站分类，避免因分步处理导致的误差传播。
• 引入新的评估指标——mAP与MBps，以适应具有重叠痕迹的真实多标签网站指纹检测场景。
• 在不同基础率、每个多标签痕迹中单标签痕迹数量以及小规模训练数据量下，验证模型的鲁棒性与泛化能力。

提出的方法

• 借鉴计算机视觉中的目标检测原理，将每个被监控的网站痕迹视为长流量序列中的一个对象，实现定位与分类的联合处理。
• 设计统一的深度学习架构，包含共享特征提取、尺度感知模块以及双头预测（用于边界框回归与类别分类），实现端到端训练。
• 提出一种新颖的紧凑输入表示方法，称为“Burst”，通过降低输入维度来提升模型效率，同时保留关键的流量模式。
• 采用轻量级主干网络与高效头部设计，实现在不损失准确率的前提下，实现高达120 MBps的高速推理。
• 在包含被监控、未被监控及重叠痕迹的原始未修剪流量数据上进行训练，直接预测起始/结束时间戳与网站标签。
• 以平均精度均值（mAP）与吞吐量（MBps）为主要评估指标，衡量模型在真实场景下的检测准确率与效率。

实验结果

研究问题

• RQ1 单一端到端深度学习模型是否能在不依赖手动痕迹修剪或顺序访问假设的前提下，有效检测未修剪Tor流量中多个重叠的网站痕迹？
• RQ2 在具有不同痕迹重叠程度与基础率的真实多标签浏览条件下，所提出的WFD模型在准确率与效率方面相较于最先进方法表现如何？
• RQ3 WFD模型在不同每个多标签痕迹中单标签痕迹数量以及不同规模训练数据量下的泛化能力如何？
• RQ4 当受到GLUE防御机制（尤其是FRONT噪声）防护时，WFD模型在检测网站痕迹方面的有效性如何？
• RQ5 在小规模数据集上进行训练时，模型是否仍能保持高性能，反映现实世界中数据收集受限的实际情况？

主要发现

• 在DS-19 GLUE数据集的FRONT防御下，WFD模型的mAP达到80.56%，显著优于最佳CDSB系列方法（15.81% mAP），展现出对防御机制的卓越鲁棒性。
• 即使在训练中每个多标签痕迹仅包含3个单标签痕迹，WFD的mAP仍保持在60.55%至69.33%之间，表明无需微调即可在不同标签数量下实现强大泛化能力。
• 即使在小规模训练数据下，WFD的mAP仍不低于55.46%，而正常规模数据下的mAP为62.02%，表明其在低数据场景下具备出色的样本效率与实用性。
• 模型的推理速度最高可达120 MBps，且小规模数据训练仅需64分钟——远快于基线方法——凸显其高效性。
• 随着多标签痕迹中单标签痕迹数量的增加，性能进一步提升，因为FRONT防御流量的比例降低，表明模型对防御机制具有较强韧性。
• 在不同基础率（r）下，模型性能保持稳定，且随r增加而提升，表明其对真实世界浏览模式具有强大适应能力。