I Know Why You Went to the Clinic: Risks and Realization of HTTPS Traffic Analysis
政府和企业对大规模电子监控和数据采掘的揭露推动了HTTPS的采用。我们对6000多个网页进行了流量分析攻击，这些网页跨越了医疗保健、金融、法律服务和流媒体视频等领域10个广泛使用的行业领先网站的HTTPS部署。我们的攻击以89%的准确率识别同一网站中的各个页面，暴露个人详细信息，包括医疗状况，财务和法律事务以及性取向。我们检查评估方法，并揭示影响缓存和cookie的假设所造成的高达18%的准确性变化。我们提出了一种新的防御方法，将攻击准确性降低到27%，流量增加9%，并在我们的评估环境中证明了先前防御的有效性显着提高，包括启用缓存，用户特定的Cookie和同一网站内的页面。
2014-03-03 cs.CR
Activity Detection from Encrypted Remote Desktop Protocol Traffic
越来越多的互联网流量将其内容加密。我们解决的问题，是否有可能预测的活动发生在加密的渠道，特别是微软的远程桌面协议。我们表明，存在的五个典型的活动可以检测到的准确率大于97%，召回率大于94%，在30秒的痕迹。我们还表明，该协议的设计暴露了细粒度的动作，如键盘和鼠标移动，可以利用这些动作来揭示密码长度等属性。
2020-08-06 cs.CR
Website-Targeted False Content Injection by Network Operators
众所周知，一些网络运营商将虚假内容注入用户的网络流量中。然而，所有以前的作品，调查这种做法的重点是边缘ISP（互联网服务提供商），即那些提供互联网接入的最终用户。注入虚假内容的边缘ISP只影响他们的客户。然而，在这项工作中，我们表明，不仅边缘ISP可能会注入虚假内容，而且核心网络运营商。这些运营商可能会改变访问预定网站的\emph{all}互联网用户的流量。我们通过检查来自多个网络的大量流量来揭示这种做法。我们的研究是基于这样的观察，即伪造的流量是以带外的方式注入的：网络运营商不更新路径中的网络数据包，而是发送伪造的数据包\emph{without}，丢弃合法的数据包。这在伪造的数据包和合法的数据包到达最终用户时造成了竞争。这个种族可以被识别和分析。我们的分析表明，内容注入的主要目的是通过在网站上插入广告来增加网络运营商的收入。尽管如此，令人惊讶的是，我们也观察到了大量注入恶意内容的情况。我们公布了具有代表性的注射样本，以方便安全界继续分析这种做法。
2016-02-29 cs.CR
Deep Fingerprinting: Undermining Website Fingerprinting Defenses with Deep Learning
网站指纹识别使本地窃听者能够确定用户正在通过加密连接访问哪些网站。最先进的网站指纹攻击已被证明即使对Tor也有效。最近，已经提出了针对Tor的轻量级网站指纹防御，大大降低了现有的攻击：WTF-PAD和Walkie-Talkie。在这项工作中，我们提出了深度指纹识别（DF），这是一种针对Tor的新网站指纹识别攻击，它利用了一种称为卷积神经网络（CNN）的深度学习，具有复杂的架构设计，我们评估了这种针对WTF-PAD和Walkie-Talkie的攻击。DF攻击在没有防御的情况下对Tor流量的准确率超过98%，优于所有之前的攻击，它也是唯一一种对WTF-PAD有效的攻击，准确率超过90%。对讲机仍然有效，攻击准确率仅为49.7%。在更现实的开放世界环境中，我们的攻击仍然有效，在不设防的流量上具有0.99的精确度和0.94的召回率。在此环境下，对WTF-PAD防御的流量，攻击仍然可以获得0.96的准确率和0.68的召回率。这些发现强调了有效防御这种新攻击的必要性，并且可以在Tor中部署。
2018-08-20 cs.CR
DEMUX: Boundary-Aware Multi-Scale Traffic Demixing for Multi-Tab Website Fingerprinting
School of Cyber Science and Engineering, Southeast University（东南大学网络空间安全学院）；School of Artificial Intelligence, Southeast University（东南大学人工智能学院）
本文提出DEMUX框架，通过三个紧密耦合组件解决多标签网站指纹识别问题，实现信号边界完整性、多尺度局部建模和分散片段的相对时间关联，提升多标签场景下的分离性能。
2026-04-17 cs.CR
Robust and Reliable Early-Stage Website Fingerprinting Attacks via Spatial-Temporal Distribution Analysis
Tsinghua University（清华大学）；Zhongguancun Laboratory（中关村实验室）
本文提出Holmes早期网站指纹攻击，通过时空分布分析和监督对比学习，在页面加载早期仅约21.71%流量下实现鲁棒识别，F1-score较现有方法平均提升169.18%。
2024-07-01 cs.AI cs.CR cs.LG
Reality Check for Tor Website Fingerprinting in the Open World
Simon Fraser University（西蒙菲莎大学）
本研究通过实测数据和合成轨迹构建开放世界背景，评估了网站指纹识别在真实Tor网络中的有效性，发现其在高精度和召回率下仍表现优异，并展示了对网络波动和流量分割的鲁棒性。
2026-03-08 cs.CR
Padding Ain't Enough: Assessing the Privacy Guarantees of Encrypted DNS
DNS over TLS（DoT）和DNS over HTTPS（DoH）加密DNS，通过向被动攻击者隐藏DNS解析来保护用户隐私。然而，过去的攻击表明，加密的DNS仍然对流量分析敏感。因此，RFC 8467建议在加密之前填充消息，这大大降低了加密流量的特性。在本文中，我们表明，填充单独是不足以对抗DNS流量分析。我们提出了一种新的流量分析方法，结合大小和时间信息来推断用户访问的网站纯粹基于加密和填充的DNS跟踪。为此，我们对DNS序列进行建模，以捕捉通常触发数十个DNS解析而不仅仅是单个DNS事务的网站的复杂性。一项基于Alexa前10 k网站的封闭世界评估显示，攻击者可以在80.2%的网站中对至少一半的测试跟踪进行去匿名化，甚至可以正确标记32.0%的网站的所有跟踪。我们的研究结果破坏了DoT/DoH中最先进的消息填充策略的隐私目标。我们的结论表明，成功的缓解这种攻击必须删除查询响应之间的到达时间间隔的熵。
2019-07-02 cs.CR
You get PADDING, everybody gets PADDING! You get privacy? Evaluating practical QUIC website fingerprinting protections for the masses
网站指纹（WF）是一个众所周知的威胁用户的网络隐私。新的互联网标准，如QUIC，包括填充以支持对WF的防御。以前的工作只分析了用户在VPN后面时防御的有效性。然而，这并不是大多数用户浏览互联网的方式。在本文中，我们提供了一个全面的评估QUIC填充为基础的防御WF当用户直接浏览网页。我们证实了以前的说法，网络层填充不能提供良好的保护，对强大的对手能够观察到所有的流量痕迹。我们进一步证明，这种填充是无效的，即使对对手的流量可见性和处理能力的限制。在应用程序层，我们表明，防御需要部署的第一和第三方，他们只能在有限的情况下阻止流量分析。我们确定部署有效WF防御的挑战，并提供解决这些挑战的建议。
2022-12-15 cs.CR
Seamless Website Fingerprinting in Multiple Environments
本文提出一种无缝网站指纹识别方法，利用CNN仅分析TCP流中500个连续数据包的抖动和大小，实现站点级网站分类，准确率超90%，并验证了训练数据多样性与领域自适应对提升效能的关键作用，最后评估了相关防御策略。
2024-07-28 cs.CR
Automated Website Fingerprinting through Deep Learning
imec-DistriNet, KU Leuven（imec-DistriNet，鲁汶大学）；imec-COSIC, ESAT, KU Leuven（imec-COSIC，ESAT，鲁汶大学）
一些研究表明，通过Tor访问网站所产生的网络流量通过网络数据包的时间和大小揭示了网站特定的信息。通过捕获用户和他们的Tor入口防护之间的流量跟踪，网络窃听者可以利用这些元数据来揭示Tor用户正在访问的网站。这种攻击的成功在很大程度上取决于用于构建指纹的特定流量特征集。通常，这些功能是手动设计的，因此，任何引入Tor网络的更改都可能使这些精心构建的功能无效。在本文中，我们证明了对手可以自动化特征工程过程，从而通过应用我们基于深度学习的新方法自动对Tor流量进行去匿名化。我们收集了一个由超过300万个网络痕迹组成的数据集，这是有史以来用于网站指纹识别的最大的网络流量数据集，并发现我们的深度学习方法所实现的性能与已知方法相当，这些方法包括多年来的各种研究工作。对于100个网站的封闭世界，获得的成功率超过96%，对于我们最大的900个类的封闭世界，获得的成功率超过94%。在我们的开放世界评估中，性能最好的深度学习模型比最先进的攻击准确率高2%。此外，我们表明，通过我们的方法自动学习的隐式特征对网络内容随时间的动态变化更具弹性。我们的结论是，自动构建最相关的流量特征并执行准确的流量识别的能力使我们基于深度学习的方法成为一种高效，灵活和强大的网站指纹技术。
2017-12-05 cs.CR cs.LG
A Real-time Defense against Website Fingerprinting Attacks
像Tor这样的匿名系统容易受到网站指纹（WF）攻击，其中本地被动窃听者推断受害者的活动。目前基于深度学习分类器的WF攻击已经成功地克服了许多提出的防御。虽然最近利用对抗性示例的防御提供了希望，但这些对抗性示例只能在网络会话结束后计算，因此在实际设置中为用户提供的保护很少。我们提出了Dolos，一个实时的修改用户网络流量以成功规避WF攻击的系统。Dolos通过计算输入不可知的对抗补丁将虚拟数据包注入流量跟踪，这些补丁会破坏WF攻击中使用的深度学习分类器。然后应用补丁来实时的改变和保护用户流量。重要的是，这些补丁是由用户侧秘密参数化的，确保攻击者无法使用对抗训练来击败Dolos。我们通过实验证明，Dolos在各种设置下都能提供94%以上的保护，抵御最先进的WF攻击。与之前的防御相比，Dolos在更高的保护性能和更低的信息泄漏和带宽开销方面表现出色。最后，我们证明了Dolos对各种自适应对策的鲁棒性，以检测或破坏防御。
2021-02-08 cs.CR
Efficient and Low Overhead Website Fingerprinting Attacks and Defenses based on TCP/IP Traffic
Nanjing University of Science and Technology（南京理工大学）；Zhejiang Lab（之江实验室）；Data 61, CSIRO（澳大利亚联邦科学与工业研究组织Data 61）；Shandong University（山东大学）；Nanjing University of Aeronautics and Astronautics（南京航空航天大学）
网站指纹攻击是一种广泛研究的技术，用于Web浏览器中分析流量模式，从而推断用户的机密信息。基于机器学习和深度学习的几种网站指纹攻击倾向于使用最典型的特征来实现令人满意的攻击率性能。然而，这些攻击受到几个实际实现因素的影响，例如巧妙的预处理步骤或干净的数据集。为了防御这种攻击，通常应用具有过高网络开销的高成本的随机分组防御（RPD）。在这项工作中，我们首先提出了一个实用的过滤器辅助攻击的RPD，它可以过滤掉注入的噪声利用TCP/IP流量的统计特性。然后，我们提出了一个列表辅助防御机制来防御所提出的攻击方法。为了实现可配置的防御和网络开销之间的权衡，我们进一步改进了基于列表的防御流量分割机制，它可以打击上述攻击，以及节省了大量的网络开销。在实验中，我们使用三种主流浏览器收集真实的流量模式，即，微软Edge、Google Chrome和Mozilla Firefox以及在封闭和开放世界数据集上进行的大量结果表明，所提出的算法在防御准确性和网络效率方面是有效的。
2023-02-27 cs.CR cs.LG
Toward an Efficient Website Fingerprinting Defense
网站指纹攻击使被动窃听者能够通过将观察到的流量与预先记录的Web流量模板进行匹配来恢复用户的匿名Web浏览活动。已经提出的用于对抗这些攻击的防御对于在现实世界系统中的部署是不切实际的，因为它们在增加的延迟和带宽开销方面的成本很高。此外，这些防御被设计用于对抗攻击，尽管它们的成功率很高，但由于在评估设置中假设不切实际的攻击条件而受到批评。在本文中，我们提出了一种新的，轻量级的防御自适应填充的基础上，提供了足够的安全级别对网站指纹，特别是在现实的评估条件。在封闭世界环境中，这种防御将最先进攻击的准确性从91%降低到20%，同时引入零延迟开销和不到60%的带宽开销。在开放世界中，攻击精度仅为1%，并且随着网站数量的增加而进一步下降。
2016-07-19 cs.CR
STAR: Semantic-Traffic Alignment and Retrieval for Zero-Shot HTTPS Website Fingerprinting
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络与信息安全学院）；Institute for Network Sciences and Cyberspace, Tsinghua University（清华大学网络科学与空间研究院）
STAR通过零样本跨模态检索方法，实现对未见过网站的高准确率指纹识别，提升HTTPS加密流量的隐私保护能力。
2025-12-19 cs.AI cs.CR cs.NI
The Rise and Fall of Fake News sites: A Traffic Analysis
FORTH/University of Crete（克里特大学/希腊研究与技术基金会）；Telefonica Research（西班牙电信研究中心）
在过去的十年里，我们目睹了互联网上错误信息的增加，网络用户不断成为假新闻的受害者。过去的许多研究分析了假新闻的传播机制以及检测和缓解技术。然而，关于他们的运营行为仍然存在一些悬而未决的问题，例如：假新闻网站有多老？他们通常会长时间在线吗？这样的网站是否彼此同步他们的启动和停机时间？它们是否在时间上共享相似的内容？哪些第三方支持其运营？与主流或真正的新闻网站相比，他们吸引了多少用户流量？在本文中，我们进行了首次调查，以回答有关假新闻网站在线存在的问题，并将其行为与真实新闻网站进行比较。基于我们的研究结果，我们构建了一个内容不可知的ML分类器，用于自动检测尚未包含在手动策划黑名单中的假新闻网站（即准确性）。
2021-03-16 cs.CR cs.LG cs.SI
Website fingerprinting on early QUIC traffic
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Guangzhou University（广州大学）
密码协议被广泛用于保护用户的隐私和避免暴露隐私信息。QUIC（Quick UDP Internet Connections），包括最初由Google设计的版本（GQUIC）和IETF标准化的版本（IQUIC），作为传统HTTP的替代品，展示了其独特的传输特性：基于UDP进行加密资源传输，加速网页渲染。然而，现有的基于TCP的加密传输方案容易受到网站指纹（WFP）攻击，允许攻击者通过窃听传输信道来推断用户访问的网站。GQUIC和IQUIC能否有效抵御此类攻击值得研究。本文从流量分析的角度研究了GQUIC、IQUIC和HTTPS对WFP攻击的脆弱性。大量实验表明，在早期流量场景下，GQUIC、IQUIC和HTTPS中GQUIC最容易受到WFP攻击，而IQUIC比HTTPS更容易受到攻击，但在正常全流量场景下，三种协议的脆弱性相似。特征迁移分析表明，在正常的全业务场景下，协议间的大部分特征是可以迁移的。然而，结合潜在特征表示的定性分析，我们发现，在早期流量时，传输是低效的，因为GQUIC，IQUIC和HTTPS在早期流量上的流量分布的变化幅度显着不同。通过将一次WFP攻击升级为多次WFP Top-a攻击，我们发现在GQUIC和IQUIC上的攻击准确率分别达到95.4%和95.5%，而在HTTPS上的攻击准确率仅为60.7%。我们还证明了IQUIC的脆弱性只是轻微地依赖于网络环境。
2021-11-15 cs.CR cs.LG cs.NI
Measuring Information Leakage in Website Fingerprinting Attacks and Defenses
Tor提供针对本地或网络对手的低延迟匿名和未经审查的网络访问。由于设计选择最小化流量开销（并增加潜在用户池），Tor允许泄漏有关客户端连接的一些信息。使用这些信息（从中提取的特征）来推断用户访问的网站的攻击称为网站指纹（WF）攻击。我们开发了一种方法和工具来衡量网站泄露信息的数量。我们将此工具应用于从大量网站和WF防御机制中提取的一组全面的特征，使我们能够对WF攻击和防御进行更细粒度的观察。
2019-06-05 cs.CR
The Effect of DNS on Tor's Anonymity
以前在Tor网络中链接流量发送者和接收者的攻击（“相关攻击”）通常依赖于分析来自TCP连接的流量。然而，典型客户端应用程序的TCP连接通常伴随着DNS请求和响应。这种额外的流量为相关攻击提供了更多的机会。本文量化了DNS流量如何使Tor用户更容易受到相关攻击。我们研究如何将DNS流量可以使现有的相关攻击更强大，以及如何DNS查找可以泄露信息给第三方匿名通信。我们（i）开发一种方法来识别Tor出口中继的DNS解析器;（ii）开发一组新的相关攻击（DefecTor攻击），其中包含DNS流量以提高精度;（iii）分析这些新攻击对Tor用户的互联网规模影响;（iv）开发改进的方法来评估相关攻击。首先，我们发现存在可以发动DefecTor攻击的对手：例如，Google的DNS解析器观察到几乎40%的DNS请求退出Tor网络。我们还发现，DNS请求通常会遍历相应TCP连接不经过的AS，从而使其他AS能够获得有关Tor用户流量的信息。然后，我们表明，可以发动DefecTor攻击的对手通常可以精确地确定Tor用户正在访问的网站，特别是对于不太受欢迎的网站，其中与该网站相关联的DNS名称集可能是该网站唯一的。我们还使用Tor路径模拟器（TorPS）结合来自与Tor出口中继位于同一位置的有利位置的traceroute数据来估计可能在实践中发动DefecTor攻击的AS级对手的力量。
2016-10-11 cs.CR
RegulaTor: A Straightforward Website Fingerprinting Defense
本地被动攻击者使用网站指纹（WF）攻击，通过将发送给用户和由用户接收的数据包序列与先前记录的数据集进行比较，来确定加密互联网流量的目的地。因此，WF攻击是Tor等隐私增强技术特别关注的问题。作为回应，已经开发了各种WF防御，尽管它们往往会产生高带宽和延迟开销或需要额外的基础设施，从而使它们难以在实践中实现。一些轻量级的防御也已经提出;但是，它们对最近发布的WF攻击只达到中等的效果。在本文中，我们的目标是提出一个现实的和新颖的防御，RegulaTor，它利用常见的模式在Web浏览流量，以减少防御开销和当前WF攻击的准确性。在封闭世界环境中，RegulaTor将最先进的攻击Tik-Tok相对于类似防御的准确性从66%降低到25.4%。为了实现这一性能，它需要有限的延迟和带宽开销，比领先的中等开销防御少39.3%。在开放世界环境中，RegulaTor将精确调整的Tik-Tok攻击限制在.135的F分数，而最佳防御的F分数为.625。
2021-09-21 cs.CR
Tik-Tok: The Utility of Packet Timing in Website Fingerprinting Attacks
被动的本地窃听者可以利用网站指纹（WF）来对Tor用户的Web浏览活动进行去匿名化。在最近的研究中，由于低层次时序信息的波动性，时序信息对WF的价值常常被低估。在本文中，我们更仔细地研究在何种程度上可以使用数据包定时，以促进WF攻击。我们首先提出了一套新的定时相关的功能，基于突发级的特点，以进一步确定更多的方式，定时模式可以使用分类器来识别网站。然后，我们评估了原始定时和定向定时的有效性，定向定时是基于深度学习的WF攻击中原始定时和方向的组合。我们的封闭世界评估表明，定向计时在我们探索的大多数设置中表现最好，达到：（i）在无防御的Tor流量中达到98.4%;（ii）在WTF-PAD流量中达到93.5%，比只使用方向信息时高出几个点;（iii）在洋葱网站中达到64.7%，比只使用方向高出12%。在开放世界环境中的进一步评估显示，在WTF-PAD流量上，方向定时的精确度（+2%）和召回率（+6%）都有小幅提高。为了进一步研究时间信息的价值，我们对我们提出的手工制作的功能进行了信息泄漏分析。我们的研究结果表明，虽然时间特征比方向特征泄漏更少的信息，但每个特征中包含的信息是相互排斥的，因此可以提高分类器的鲁棒性。
2020-03-16 cs.CR
End-to-End Multi-Tab Website Fingerprinting Attack: A Detection Perspective
本文将多标签页网站指纹攻击重新定义为未裁剪流量中的多轨迹检测问题，提出端到端 WFD 模型联合定位与分类受监控轨迹，并在新基准上显著提升准确率和效率。
2022-03-12 cs.CR
Data-Driven Characterization and Detection of COVID-19 Themed Malicious Websites
COVID-19对全球社会造成沉重打击，各组织正努力应对“在家工作”的新常态。然而，远程工作的数量是前所未有的，并为网络攻击者渗透家庭计算机创造了机会。攻击者一直在利用具有COVID-19相关名称的网站，称为COVID-19主题恶意网站。这些网站大多包含虚假信息、虚假表格、欺诈性付款、诈骗或恶意有效载荷，以窃取敏感信息或感染受害者的计算机。在本文中，我们提出了一个数据驱动的研究特征和检测COVID-19主题的恶意网站。我们的特征研究表明，攻击者是敏捷的，在设计地理定位目标网站时具有欺骗性，通常利用流行的域名注册商和顶级域名。我们的检测研究表明，随机森林分类器可以基于本文定义的词汇和WHOIS特征检测COVID-19主题的恶意网站，达到98%的准确率和2.7%的误报率。
2021-02-25 cs.CR
Towards Fine-Grained Webpage Fingerprinting at Scale
Tsinghua University（清华大学）；Zhongguancun Laboratory（中关村实验室）；George Mason University（乔治梅森大学）
针对 Tor 加密流量中细粒度、多网页并发识别难题，提出基于多标签度量学习的 Oscar 攻击，融合代理与样本损失提取细微特征，在千级监控网页上显著优于现有方法。
2024-09-06 cs.AI cs.CR
TG-PSM: Tunable Greedy Packet Sequence Morphing Based on Trace Clustering
Sharif University of Technology（谢里夫理工大学）
常见的隐私增强技术不能有效地隐藏加密流量的某些统计方面，即单个分组长度、分组方向和分组定时。最近的研究表明，使用这些属性，对手能够从加密的流量中提取各种信息，如访问的网站和使用的协议。这种攻击称为流量分析。所提出的对策试图改变这些特征的分布。然而，它们要么不能有效地降低攻击者准确性，要么在降低准确性的同时强制执行高带宽开销和定时延迟。在本文中，通过使用一个预定义的网站和贪婪的数据包变形算法的聚类轨迹集，我们介绍了一个网站的指纹对策称为TG-PSM。首先，该方法根据网站在不同加载阶段的行为进行聚类。其次，它发现一个合适的目标网站的访问网站的基础上，用户表示的重要程度，从而提供动态可调。第三，该方法使用贪心算法将给定网站变形为目标网站，该算法考虑了距离和由此产生的开销。我们的评估表明，TG-PSM在降低攻击者准确性和强制带宽方面优于以前的对策，例如，在保持攻击者准确性的前提下，降低带宽开销超过40%。
2019-04-01 cs.CR cs.LG stat.ML
Lightening the Load: A Cluster-Based Framework for A Lower-Overhead, Provable Website Fingerprinting Defense
Simon Fraser University（西蒙菲莎大学）
本文提出了一种基于集群的自适应网站指纹攻击防御框架，通过结合正则化和超序列方法，实现低开销和可证明安全性的平衡。
2026-03-09 cs.CR
Detecting Malignant TLS Servers Using Machine Learning Techniques
TLS使用X.509证书进行服务器身份验证。X.509证书是一个复杂的文档，在创建/使用它时可能会发生各种无辜的错误。此外，许多证书属于恶意网站，应该被客户端拒绝，并且不应该访问这些Web服务器。通常情况下，当客户端发现一个证书是可疑的使用传统的测试，它要求人为干预。但是，看看证书，大多数人不能区分恶意和非恶意网站。因此，一旦传统的证书验证失败，而不是要求人工干预，我们使用机器学习技术，使Web浏览器能够决定证书所属的服务器是否是恶性的，即是否应该访问该网站。一旦证书在上述阶段被接受，我们观察到该网站仍然可能是恶意的。因此，在第二阶段，我们将网站的一部分下载到沙箱中，而不对其进行解密，并观察TLS加密流量（沙箱中捕获的加密恶意数据不会损害系统）。由于在握手完成后对流量进行加密，因此无法使用传统的模式匹配技术。因此，我们使用流量的流特征以及上述第一阶段中使用的特征。我们将这些特征与TLS握手期间获得的未加密TLS报头信息相结合，并在机器学习分类器中使用这些特征来识别流量是否是恶意的。
2017-05-25 cs.CR cs.NI
More Than Meets the Eye: A Semantics-Aware Traffic Augmentation Framework for Generalizable Website Fingerprinting
School of Cyberspace Security, Beijing University of Posts and Telecommunications, Beijing, China（北京邮电大学信息安全学院）；School of Computer Science and Engineering, Beihang University, Beijing, China（北京航空航天大学计算机科学与工程学院）；Faculty of Computing, Harbin Institute of Technology, Harbin, China（哈尔滨工业大学计算机学院）；School of Computer Science and Engineering, Guangxi Normal University, Guilin, China（广西师范大学计算机科学与工程学院）；Zhongguancun Laboratory, Beijing, China（中关村实验室）
本文提出SATA框架，通过协议规则增强应用层语义并引入跨层特征对齐机制，提升网站指纹识别在复杂场景下的泛化能力，实验显示其在开放世界设置中显著提升准确率和AUC。
2026-05-12 cs.CR cs.LG cs.NI
Rowhammer.js: A Remote Software-Induced Fault Attack in JavaScript
软件安全中的一个基本假设是，内存位置只能由可能写入该内存位置的进程修改。然而，最近的研究表明，DRAM中的寄生效应可以改变存储单元的内容，而不访问它，而是通过以高频率访问其他存储单元。这种所谓的Rowhammer错误发生在今天的大多数内存模块中，并对所有受影响系统的安全性产生致命后果，例如，特权升级攻击。到目前为止，所有与Rowhammer相关的研究和攻击都依赖于缓存刷新指令的可用性，以便以足够高的频率访问DRAM模块。我们克服了这个限制，击败复杂的缓存替换策略。我们表明，高速缓存可以被迫进入快速缓存驱逐触发Rowhammer错误，只有定期的内存访问。这允许在高度受限甚至脚本环境中触发Rowhammer错误。我们演示了一个完全自动化的攻击，只需要一个网站与JavaScript触发远程硬件故障。因此，我们可以不受限制地访问网站访问者的系统。我们表明，攻击的现成的系统。现有的对策无法防止这种新的Rowhammer攻击。
2016-04-05 cs.CR
Towards Robust Multi-tab Website Fingerprinting
Institute for Network Sciences and Cyberspace, Tsinghua University（清华大学网络科学与网络空间研究院）；Zhongguancun Laboratory（中关村实验室）
针对多标签页浏览场景下网站指纹识别准确率低的问题，提出基于Transformer的多标签分类框架ARES，通过多级流量聚合特征与改进自注意力机制实现鲁棒识别。
2025-01-22 cs.AI cs.CR
Optimizing Precision for Open-World Website Fingerprinting
流量分析攻击，以确定哪个网页的客户端正在浏览，只使用她的数据包元数据-被称为网站指纹-已被证明是有效的封闭世界的实验对隐私技术，如Tor。然而，由于基本速率谬误，这些攻击在大型开放世界环境中针对以低基本速率访问敏感页面的客户端失败了。我们发现这是因为它们的精确度很差，因为它们的设计目的是最大化召回。在这项工作中，我们认为，精度比召回开放世界的网站指纹更重要。出于这个原因，我们开发了三类{ \em精度优化器}，基于置信度，距离和集成学习，可以应用于任何分类器，以提高精度。我们在已知的网站指纹攻击上测试了它们，并显示出精确度的显着提高。针对一个困难的场景，攻击者希望监视和区分100个敏感页面，每个页面的平均基本速率为0.00001，我们最好的优化分类器可以达到0.78的精度;优化前任何已知攻击的最高精度为0.014。我们使用精确的分类器来解决网站指纹识别中的现实目标，包括选择，识别和击败网站指纹防御。
2018-02-15 cs.CR
Impact of Network and Host Characteristics on the Keystroke Pattern in Remote Desktop Sessions
基于生物动力学的认证是一种方便的生物识别方法，易于使用，透明且便宜，因为它不需要专用传感器。作为多因素身份验证的一部分，击键身份验证可用于远程显示访问，以保证在访问控制阶段或整个会话期间使用远程连接系统的安全性。本文探讨了如何网络条件和额外的主机交互可能会影响的行为模式时，在一个远程桌面应用程序的情况下使用的网络。我们专注于相邻键的时间，并通过计算参考配置文件和由此产生的配置文件之间的欧氏距离的变化，这种损害调查这种影响。实验结果表明，拥塞延迟的变化，无论是由相邻的流量源或额外的远程桌面交互产生的，有实质性的影响的欧几里德距离，这反过来可能会影响生物认证算法的有效性。结果还表明，远程桌面协议中的数据流没有优先级，因此额外的流量将对验证时间产生重大影响，这使得连续身份验证对远程访问的有效性降低，而更适合一次性登录。
2020-12-07 cs.CR
Leaked-Web: Accurate and Efficient Machine Learning-Based Website Fingerprinting Attack through Hardware Performance Counters
用户的网站浏览历史记录包含敏感信息，如健康状况，政治利益，财务状况等。最近的一些研究表明，推断网站指纹的基础上的重要使用信息，如流量，高速缓存使用，内存使用，CPU活动，功耗和硬件性能计数器信息的可能性。然而，现有的网站指纹攻击需要高采样率，这会导致高性能开销和大的网络流量，和/或它们需要由用户启动附加的恶意网站，这是不能保证的。因此，这样的缺点使得现有的攻击对于用户和相应的指纹检测机制来说更加明显。作为回应，在这项工作中，我们提出了泄漏网络，一种新的准确和高效的机器学习为基础的网站指纹攻击，通过处理器的硬件性能计数器（HPC）。Leaked-Web以非常低的粒度监测速率有效地收集用户计算机系统中的硬件性能计数器，并将样本发送到远程攻击的服务器以进行进一步分类。Leaked-Web使用各种先进的机器学习算法来检查Web浏览器的微架构特征，这些算法包括经典的、提升的、深度学习和时间序列模型。我们的实验结果表明，基于LogitBoost ML分类器的Leaked-Web仅使用前4个HPC特征，分类准确率达到91%，比最先进的攻击高出近5%。此外，我们提出的攻击获得了可以忽略不计的性能开销（仅<1%），比现有的硬件辅助网站指纹攻击低约12%。
2021-10-04 cs.AR cs.CR
Robust Website Fingerprinting Through the Cache Occupancy Channel
Ben-Gurion University of the Negev（本-古里安大学内盖夫分校）；University of Adelaide（阿德莱德大学）；Princeton University（普林斯顿大学）；Data61（数据61）
网站指纹攻击使用对网络流量的统计分析来损害用户隐私，即使流量是通过Tor等匿名保护网络发送的，也被证明是有效的。用于评估网站指纹攻击的经典攻击模型假设一个路径上的对手，他可以观察用户计算机和Tor网络之间的所有流量。在这项工作中，我们调查这些攻击下一个不同的攻击模型，对手能够在目标用户的计算机上运行少量的非特权代码。在此模型下，攻击者可以发起缓存侧信道攻击，利用CPU缓存上的争用效应来识别正在浏览的网站。在这种攻击模式的一个重要特例中，当目标用户访问由攻击者控制的网站时，就会发起JavaScript攻击。这种攻击场景的有效性从未被系统地分析过，特别是在开放世界模型中，该模型假设用户访问的是敏感和非敏感站点的混合。在这项工作中，我们表明，缓存网站指纹攻击JavaScript是高度可行的，即使他们是从高度限制的环境，如Tor浏览器运行。具体来说，我们使用机器学习技术来分类缓存活动的痕迹。不像以前的作品，试图识别缓存冲突，我们的工作措施的最后一级缓存的整体占用。我们表明，我们的方法在开放世界和封闭的世界模型中实现了高的分类精度。我们进一步表明，我们的技术是弹性的基于网络的防御和侧信道对策引入到现代浏览器作为对幽灵攻击的响应。
2019-02-21 cs.CR cs.LG
Chameleon: Robust Defense Against Tor Website Fingerprinting via Many-to-Many Traffic Morphing
Bellini College of Artificial Intelligence, Cybersecurity and Computing, University of South Florida（南佛罗里达大学贝利尼人工智能、网络安全与计算学院）；Department of Electrical and Computer Engineering, University of South Florida（南佛罗里达大学电气与计算机工程系）
Chameleon是一种基于多对多流量变形的Tor网站指纹鲁棒防御，可降低多种攻击的准确率，同时减少带宽和时间开销，在实际部署中表现优异。
2026-08-21 cs.CR cs.CY
CipherSight: Robust Website Fingerprinting via Record-Resource Semantic Supervision under Distribution Shifts
Harbin Institute of Technology（哈尔滨工业大学）；Zhongguancun Laboratory（中关村实验室）；University of Chinese Academy of Sciences（中国科学院大学）；Beijing University of Posts and Telecommunications（北京邮电大学）
该研究针对分布偏移下HTTPS网站指纹识别性能下降问题，提出基于TLS记录的CipherSight框架，通过掩码记录建模与语义蒸馏技术，在2000类网站识别中准确率达95.41%，且分布偏移下仍保持高准确率，优于基线方法。
2026-08-17 cs.AI cs.CR cs.NI
Mockingbird: Defending Against Deep-Learning-Based Website Fingerprinting Attacks with Adversarial Traces
Anomali Inc.（Anomali公司）；Global Cybersecurity Institute, Rochester Institute of Technology（罗切斯特理工学院全球网络安全研究所）
网站指纹（WF）是一种流量分析攻击，使本地被动窃听者能够推断受害者的活动，即使流量受到VPN或Tor等匿名系统的保护。利用深度学习分类器，WF攻击者可以在Tor流量上获得超过98%的准确率。在本文中，我们探索了一种新的防御方法Mockingbird，它基于对抗性示例的思想，这些示例已被证明会破坏其他领域的机器学习分类器。由于攻击者得到设计和训练他的攻击分类器的基础上的防御，我们首先证明，在一个简单的技术生成对抗性的例子为基础的痕迹无法防止攻击者使用对抗性训练的强大的分类。然后，我们提出了Mockingbird，一种用于生成轨迹的技术，通过在可行轨迹的空间中随机移动而不是遵循更可预测的梯度来抵抗对抗性训练。该技术将对抗训练强化的最先进攻击的准确性从98%降低到42-58%，同时仅产生58%的带宽开销。攻击准确性通常低于最先进的防御，并且在考虑Top-2准确性时要低得多，同时产生较低的带宽开销。
2020-10-28 cs.CR cs.LG
WFCAT: Augmenting Website Fingerprinting with Channel-wise Attention on Timing Features
WFCAT通过IAT直方图特征和通道注意力机制增强CNN，有效利用时序信息，在防御流量下显著提升网站指纹识别准确率，优于现有方法。
2024-12-16 cs.CR
AI-based Traffic Modeling for Network Security and Privacy: Challenges Ahead
A*STAR Institute for Infocomm Research (A*STAR I2 R)（A*STAR信息通信研究所）
本文探讨了基于AI的网络流量分析在网络安全和隐私保护中的应用及面临的挑战。
2025-12-23 cs.CR
Snoopy: A Webpage Fingerprinting Framework with Finite Query Model for Mass-Surveillance
尽管使用了加密技术，互联网用户仍然容易受到隐私攻击。网页指纹是一种分析加密流量的攻击，可以识别用户在给定网站中访问的网页。最近的研究工作已经成功地证明了对个人用户的网页指纹攻击，但在将其攻击扩展到大规模监控方面却没有成功。执行大规模网页指纹识别的关键挑战来自于（i）要考虑的用户行为和偏好的组合的绝对数量，以及（ii）防御机制（例如，DDoS防御）部署在网站上。这些限制排除了使用传统的数据密集型ML为基础的技术。在这项工作中，我们提出了史努比，第一个同类的框架，执行网页指纹的大量用户访问一个网站。史努比迎合大众监督的泛化要求，同时遵守交通样本收集的网站访问次数（有限查询模型）的约束。为此，史努比使用了一个功能（即，加密资源大小的序列），其不受不同浏览上下文（操作系统、浏览器、缓存、cookie设置）的影响或可预测地受其影响。Snoopy使用静态分析技术来预测由诸如报头大小、MTU和用户代理字符串等因素引起的变化，这些因素是由浏览上下文的多样性引起的。我们表明，史努比在大多数网站上进行评估时，在各种浏览环境中达到了大约90%的准确率。一个简单的集成的史努比和ML为基础的技术达到约97%的准确率，同时坚持有限的查询模型，在情况下，当史努比单独不执行良好。
2022-05-30 cs.CR
Graphing Website Relationships for Risk Prediction: Identifying Derived Threats to Users Based on Known Indicators
该研究的假设是，基于恶意链接和恶意网站跳数的关系可能表明另一个网站的风险。我们选择接受者操作特征（ROC）分析作为比较捕获的Web流量的真阳性和假阳性率的方法，以测试我们模型的预测能力。已知的威胁指标被用作指示器，Neo4j图形数据库被用来根据引用链接映射其他网站之间的关系。使用引用流量，我们映射了具有已知关系的网站之间的用户访问，以跟踪用户从非恶意网站发展到已知威胁的速度。结果按照与已知威胁的跳距进行分组，以计算预测率。模型的结果产生的真阳性率在58.59%和63.45%之间，假阳性率在7.42%和37.50%之间。真阳性率和假阳性率表明，基于与已知威胁的更近距离的性能得到了改善，而与威胁的参考距离增加导致了更高的假阳性率。
2020-03-02 cs.CR cs.DB cs.NI
How Unique is Your .onion? An Analysis of the Fingerprintability of Tor Onion Services
最近的研究表明，Tor洋葱（隐藏）服务网站由于其数量有限和敏感性，特别容易受到网站指纹攻击。在这项工作中，我们提出了洋葱网站指纹识别能力的多层次特征分析，考虑了三种最先进的网站指纹识别方法和482个Tor洋葱服务，使其成为迄今为止在洋葱服务上完成的最大的此类分析。先前的研究通常报告给定网站指纹识别方法或对策的平均性能结果。我们调查哪些网站或多或少容易受到指纹识别，以及哪些功能使它们如此。我们发现，这些攻击对网站进行分类（和错误分类）的比率存在很大的差异，这意味着平均性能数据可能无法提供网站指纹攻击对特定网站造成的风险信息。我们分析了不同的网站指纹识别方法所利用的功能，并讨论了是什么使洋葱服务网站或多或少容易识别，无论是在他们的流量跟踪以及他们的网页设计。我们研究错误分类，以了解如何重新设计洋葱服务网站，使其不那么容易受到网站指纹攻击。我们的研究结果还通知网站指纹对策的设计和他们的评估考虑不同的网站之间的影响。
2017-09-20 cs.CR
Darknet Traffic Analysis A Systematic Literature Review
本文系统性综述了利用机器学习技术对暗网及匿名加密流量进行分类、监控与识别流量攻击的现有方法。
2023-11-27 cs.CR
Stickler: Defending Against Malicious CDNs in an Unmodified Browser
网站发布商可以通过内容分发网络（CDN）将流量引导到其网站，从而获得巨大的性能优势并节省成本。然而，如今使用CDN的发布商必须相信他们的CDN不会在发送给最终用户的过程中修改网站的JavaScript、CSS、图像或其他媒体。违反这种信任的CDN可能会将广告注入网站，降低媒体采样以节省带宽，或者更糟的是，注入恶意JavaScript代码以窃取它无法访问的用户机密。我们介绍Stickler，这是一个面向网站发布商的系统，可以保证向最终用户提供的内容的端到端真实性，同时允许发布商获得CDN的好处。至关重要的是，Stickler在不需要修改浏览器的情况下实现了这些保证。
2015-06-12 cs.CR
DoHFuse: A Dual-Branch Architecture with DMAGLSTM for Website Fingerprinting over DNS over HTTPS/3
Harbin Institute of Technology（哈尔滨工业大学）；China Mobile Research Institute（中国移动研究院）
针对DoH/3流量易受网站指纹攻击的问题，提出双分支框架DoHFuse，结合到达间隔时间序列和精细统计特征，通过改进的DMAG-LSTM捕获突发对齐时间模式，实验表明DoH/3仍易受攻击，填充机制不足以保证隐私。
2026-06-24 cs.CR
Attack Smarter: Attention-Driven Fine-Grained Webpage Fingerprinting Attacks
School of Cyber Science and Engineering（网络安全科学与工程学院）
针对多子页面和多标签页场景下网页指纹分类困难的问题，提出注意力驱动的细粒度攻击模型ADWPF，通过注意力裁剪与掩码增强、自注意力提取全局模式及残差注意力处理多标签页，在多规模数据集上显著超越基线方法。
2025-06-25 cs.CR cs.LG
Beyond a Single Perspective: Towards a Realistic Evaluation of Website Fingerprinting Attacks
Institute for Network Sciences and Cyberspace, Tsinghua University（网络科学与网络空间研究院，清华大学）；School of Cyber Science and Engineering, Southeast University（网络安全科学与工程学院，东南大学）；National Key Laboratory of Information Systems Engineering, National University of Defense Technology（信息系统工程国家重点实验室，国防科技大学）；Department of Computer Science, Tsinghua University（计算机科学系，清华大学）
本文首次在多种现实条件下系统评估网站指纹攻击，发现其在防御、流量漂移等挑战下性能显著下降，并提出多维评估框架以促进更实用的攻击开发。
2025-10-16 cs.AI cs.CR cs.LG
DeepSE-WF: Unified Security Estimation for Website Fingerprinting Defenses
网站指纹（WF）攻击通常在基于机器学习的分类器的帮助下进行，使网络窃听者能够通过检查流量模式来查明用户正在访问哪个网页。这些攻击已被证明是成功的，即使用户浏览互联网通过加密隧道，例如，通过Tor或VPN。为了评估针对WF攻击的新防御的安全性，最近的作品提出了特征依赖的理论框架，该框架估计对手的特征集的贝叶斯错误或手动制作的特征泄露的互信息。不幸的是，随着最先进的WF攻击越来越依赖于深度学习和潜在特征空间，基于更简单（和更少信息）的手动特征的安全评估不再被信任来评估WF对手在击败此类防御方面的潜在成功。在这项工作中，我们提出了DeepSE-WF，一种新的WF安全估计框架，利用专门的基于kNN的估计器从学习的潜在特征空间中产生贝叶斯误差和互信息估计，从而弥合了当前WF攻击和安全估计方法之间的差距。我们的评估表明，DeepSE-WF比以前的框架产生更严格的安全估计，将输出安全估计所需的计算资源减少了一个数量级。
2022-11-28 cs.CR
Scam Pandemic: How Attackers Exploit Public Fear through Phishing
随着COVID-19大流行开始在全球范围内引发大范围封锁，网络犯罪分子毫不犹豫地利用用户对互联网的使用和依赖增加。在本文中，我们对大流行最初几个月的在线社交工程攻击进行了全面的测量研究。通过收集、综合和分析DNS记录、TLS证书、网络钓鱼网址、网络钓鱼网站源代码、网络钓鱼电子邮件、网络钓鱼网站的网络流量、新闻文章和政府公告，我们跟踪了2020年1月至5月期间网络钓鱼活动的趋势，并试图了解潜在趋势的主要影响。我们发现，2020年3月及4月的网络钓鱼攻击流量飙升至COVID-19前的220\%，远超典型的季节性高峰。攻击者利用受害者对疫情的不确定性和恐惧，通过各种高度针对性的诈骗，包括目前防御不足的新兴诈骗类型，以及超过生态系统集体反应的传统网络钓鱼。
2021-03-23 cs.CR
A Machine Learning Driven Website Platform and Browser Extension for Real-time Scoring and Fraud Detection for Website Legitimacy Verification and Consumer Protection
University of Central Arkansas（中阿肯色大学）；University of Texas at El Paso（德克萨斯大学埃尔帕索分校）
本研究提出一种机器学习驱动的网站平台与浏览器扩展，通过后台分析网站行为、流量与用户交互实现实时风险评分和欺诈检测，可集成至浏览器扩展助力用户安全上网，在电商及日常浏览中防范财产损失、身份盗窃等风险，为网络消费者保护提供实用高效的工具。
2024-11-01 cs.CR cs.LG
Quantifying User Password Exposure to Third-Party CDNs
Web服务通常采用内容分发网络（CDN）来提高性能和安全性。随着网络流量成为100% HTTPS，越来越多的网站允许CDN终止其HTTPS连接。这种做法可能会将网站的用户敏感信息（如用户的登录密码）暴露给第三方CDN。在本文中，我们测量和量化了用户密码暴露于第三方CDN的程度。我们发现，在Alexa排名前5万的网站中，至少有12,451个使用CDN并包含用户登录入口。在这些网站中，33%的网站将用户的密码暴露给CDN，一个流行的CDN可能会观察到超过40%的客户的密码。这一结果表明，如果CDN基础设施存在漏洞或受到内部攻击，许多用户的帐户将面临风险。如果我们假设攻击者是被动窃听者，则网站可以通过加密HTTPS连接中的用户密码来避免此漏洞。我们的测量显示，只有不到17%的网站采取了这一对策。
2023-02-01 cs.CR cs.NI
CoinPolice:Detecting Hidden Cryptojacking Attacks with Neural Networks
流量货币化是运行大多数营利性在线业务的关键组成部分。其最新的化身之一是加密货币挖掘，其中网站指示访问者的浏览器参与构建加密货币分类账（例如，比特币，门罗币），以换取相同货币的小额奖励。从本质上讲，这种做法是用用户的电费（或电池电量）换取加密货币。在用户同意的情况下，这种交换可以成为合法的资金来源-例如，联合国儿童基金会在专门用于此目的的网站上收集了超过27，000笔慈善捐款，thehopepage.org。这种形式被称为密码劫持，攻击者在用户浏览器中秘密地挖掘，而利润则由网站所有者或将挖掘脚本植入易受攻击页面的黑客收集。Cryptojackers一直在改进他们的规避技术，在他们的工具包中加入域fluxing，内容混淆，WebAssembly的使用和节流。虽然大多数最先进的防御手段都能解决多种逃避技术，但没有一种能抵抗所有这些技术。在本文中，我们提供了一种新的检测方法CoinPolice，它对所有上述规避技术都具有鲁棒性。CoinPolice针对加密货币黑客翻转节流，人为改变浏览器的CPU能力以观察节流的存在。基于深度神经网络分类器，CoinPolice可以检测到97.87%的隐藏矿工，误报率很低（0.74%）。我们将CoinPolice的性能与当前最先进的技术进行了比较，并展示了我们的方法在检测积极节流矿工时的表现。最后，我们部署了Coinpolice来执行迄今为止最大规模的加密调…
2020-06-24 cs.CR
Remote Memory-Deduplication Attacks
通过将相同的内存块合并到写时复制映射中，可以降低内存利用率。以前的工作表明，这种所谓的内存重复数据删除可以在本地攻击中被利用来破坏ASLR，监视其他程序，并确定数据的存在，即，网站图片所有这些攻击都利用了跨安全域的内存重复数据删除，而这反过来又被禁用。但是，在安全域中或在没有不受信任的本地访问的隔离系统上，内存重复数据消除仍然不被视为安全风险，并且默认情况下最近在Windows上重新启用。在本文中，我们提出了第一个完全远程memorydeduplication攻击。与以前的攻击不同，我们的攻击不需要执行本地代码。因此，我们可以通过发送和计时HTTP/1和HTTP/2网络请求来从远程服务器公开内存内容。我们展示了我们在Windows和Linux上对重复数据删除的攻击，并攻击了广泛使用的服务器软件，如Memcached和InnoDB。我们的侧通道通过互联网泄漏高达34.41 B/h，比类似的远程内存泄漏通道更快。我们在三个案例研究中展示了我们的远程内存重复数据删除攻击：首先，我们展示了攻击者可以在运行Memcached的服务器上泄露内存中数据的存在。我们表明，这种信息披露渠道也可以用于指纹识别，并在166.51秒内通过互联网检测正确的libc版本。其次，结合InnoDB，我们提出了一个信息泄露攻击泄漏MariaDB数据库记录。第三，我们演示了一个完全远程的KASLR中断，在不到4分钟的…
2021-11-16 cs.CR
Decrypting SSL/TLS traffic for hidden threats detection
本文分析了SSL/TLS流量的主要解密机制。还考虑了用于检测领先公司使用的加密流量中的恶意活动的方法和技术。此外，拦截和解密通过SSL/TLS传输的流量的方法进行了开发，测试和建议。所开发的方法已经自动化，可用于远程监听网络，这将允许以接近实时的的模式解密传输的数据。
2019-04-16 cs.CR cs.NI
