[论文解读] Towards Predicting Efficient and Anonymous Tor Circuits

Armon Barton, Mohsen Imani+2 more|arXiv (Cornell University)|May 5, 2018

Internet Traffic Analysis and Secure E-voting参考文献 28被引用 7

一句话总结

本文提出 PredicTor，一种用于 Tor 的路径选择技术，该技术利用基于实时性能测量的随机森林分类器，预测并选择更快、更少拥塞的电路。通过仿真和实际实验评估，PredicTor 在 Vanilla Tor 上实现 11–23% 的性能提升，在 CAR 上实现 7–13% 的性能提升，同时通过一种新指标 CLASI 维持匿名性，该指标揭示了传统熵度量所遗漏的位置相关匿名泄露风险。

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.

研究动机与目标

• 通过智能路径选择减少延迟和拥塞，提升 Tor 的性能。
• 解决现有路径选择算法无法动态适应网络状况的局限性。
• 开发一种新的匿名性度量指标 CLASI，以捕捉基于位置的路径选择所导致的客户端自治系统（AS）推断风险。
• 评估性能优化的路径选择是否通过网络级指纹识别损害用户匿名性。
• 实现在生产级 Tor 网络中可扩展、安全且高效的路径选择系统部署。

提出的方法

• PredicTor 使用基于实时 Tor 电路性能测量（包括延迟和带宽）的随机森林分类器进行训练。
• 分类器在电路建立前预测候选电路的性能，优先选择预测延迟和拥塞较低的路径。
• 训练数据通过集中式或分布式权威机构定期发送的测量流收集，每小时发送给客户端。
• 通过随机化目标域名和有效载荷大小对测量电路进行混淆，以防止被检测和操纵。
• 引入 CLASI 作为新的匿名性度量指标，用于量化攻击者通过网络、国家和中继层级的电路指纹识别推断客户端自治系统（AS）的能力。
• CLASI 模拟一个全知攻击者，其对 Tor 的连接图具有完全可见性，并可访问中继带宽等辅助数据。

实验结果

研究问题

• RQ1 基于机器学习的路径选择技术（如 PredicTor）是否能在不降低匿名性的前提下显著提升 Tor 的性能？
• RQ2 PredicTor 对拥塞和距离的动态适应能力与 CAR 和 Vanilla Tor 等现有方案相比如何？
• RQ3 基于位置的路径选择算法在多大程度上泄露客户端 AS 信息？这种泄露能否被现有匿名性度量指标捕捉？
• RQ4 CLASI 是否揭示了传统基于熵的度量指标所未能检测到的匿名性风险？
• RQ5 将 PredicTor 集成到实际 Tor 网络中面临哪些实际部署挑战？

主要发现

• 在 Shadow 仿真中，PredicTor 相较于 Vanilla Tor 将 Tor 网络性能提升了 23%，相较 CAR 提升了 13%。
• 在实际 Tor 实验中，PredicTor 在高拥塞情况下实现了 7–13% 的中位数性能提升，优于 Vanilla Tor。
• CLASI 揭示了基于位置的路径选择算法存在显著的客户端 AS 泄露，而基于熵的度量指标则显示匿名性损失极小。
• 由于 PredicTor 选择电路时不依赖客户端位置，因此其 AS 泄露程度与 Vanilla Tor 相当，避免了基于位置的指纹识别。
• 基尼系数和均匀性分析表明，PredicTor 下的中继选择保持平衡，与 Vanilla Tor 相比熵损失极小。
• PredicTor 的首次被攻破时间预计与 Vanilla Tor 相当，因为守护节点选择机制保持不变。