FP-Radar: Longitudinal Measurement and Early Detection of Browser Fingerprinting
浏览器指纹识别是一种无状态跟踪技术,它试图将多个不同的Web API公开的信息组合起来,以创建一个唯一的标识符,用于在Web上跟踪用户。在过去的十年中,跟踪器滥用了几个现有的和新提出的Web API,以进一步增强浏览器指纹。现有方法限于在特定时间点检测特定指纹技术。因此,他们无法系统地检测滥用不同Web API的新指纹技术。在本文中,我们提出了FP-Radar,这是一种机器学习方法,它利用了过去十年中前10万个网站上Web API使用情况的纵向测量,用于早期检测新的和不断发展的浏览器指纹技术。结果表明,FP-Radar能够早期检测到对已知的新引入属性的滥用(例如,WebGL,传感器)以及以前未知的(例如,Gamepad,Google)用于浏览器指纹识别的API。据我们所知,FP-Radar也是第一个检测到滥用Visibility API进行野外短暂指纹识别的公司。
2021-12-14 cs.CR
An Asymmetric Fingerprinting Scheme based on Tardos Codes
Tardos码是目前设计实用的抗共谋指纹码的最新技术。Tardos码依赖于从公开已知的概率分布中提取的秘密向量,以生成每个买家的指纹。出于安全目的,不得向买方透露此秘密矢量。为了防止不可信的提供者伪造具有无辜买家指纹的作品副本,以前的非对称指纹算法强制买家生成他们自己的指纹的想法。将这个概念应用于Tardos码是具有挑战性的,因为指纹必须基于这个矢量秘密。提出了一种基于Tardos码的非对称指纹协议。动机来自一种新的攻击,在这种攻击中,一个不可信的提供者通过修改他的秘密向量来陷害一个无辜的购买者。
2010-10-13 cs.CR
A Study of Feasibility and Diversity of Web Audio Fingerprints
不幸的是,之前关于浏览器指纹识别的测量研究在很大程度上排除了基于Web音频API的指纹识别。我们通过对网络音频指纹识别机制的有效性进行首次系统研究来解决这个问题。本文重点研究了网络音频指纹的可行性和多样性。除了3个已知的音频指纹向量外,我们还设计并实现了4个新的音频指纹向量,它们通过获得不同方法生成的波形的FFT来工作。我们的研究分析了来自2093个网络用户的音频指纹,并对网络音频指纹的性质提出了新的见解。首先,我们表明,音频指纹向量,不像其他先前的向量,揭示了一个明显的善变与一些用户的浏览器给出了不同的指纹在重复的尝试。然而,我们表明,它是可以设计一个基于图形的分析机制,共同考虑所有不同的指纹的用户,从而制定一个稳定的指纹识别机制。我们的分析还表明,及时这样做是可能的。接下来,我们研究音频指纹的多样性,并将其与现有技术进行比较。我们的研究结果表明,音频指纹的多样性远远低于其他向量,在2093个用户中只有95个不同的指纹。与此同时,进一步的分析表明,网络音频指纹可以潜在地带来相当大的附加值(在熵方面),现有的指纹机制。我们还表明,我们的研究结果与W3C提供的关于音频指纹的当前安全和隐私建议相矛盾。总的来说,我们的系统研究使浏览器开发人员能够衡量音频指纹所带来的隐私侵犯程度,从而帮助他们在未来设计隐私保护功能时采取更明智的立场。
2021-07-29 cs.CR
Fingerprinting Smart Devices Through Embedded Acoustic Components
智能设备的广泛使用引起了安全和隐私方面的担忧。指纹识别智能设备可以帮助验证物理设备,但它也可能通过允许在用户不知情的情况下进行远程识别而危及隐私。我们提出了一种新的指纹识别方法,使用智能手机的麦克风和扬声器来唯一地识别单个设备。在制造过程中,设备麦克风和扬声器中会出现细微的缺陷,这会导致产生和接收的声音出现异常。我们利用这一观察结果,通过回放和记录音频样本来识别智能设备。我们使用音频度量工具来分析和探索不同的声学特征,并分析它们成功识别智能设备的能力。我们的实验表明,甚至可以对具有相同供应商和型号的设备进行指纹识别;我们能够准确区分来自同一型号的15个不同设备的所有录制音频片段的93%以上。我们的研究确定了突出的声学特征,能够指纹识别设备的成功率高,并探讨了背景噪声和其他变量对指纹识别精度的影响。
2014-03-13 cs.CR
XSS-FP: Browser Fingerprinting using HTML Parser Quirks
在许多情况下,推断客户端浏览器的类型是可取的,例如,为了防止会话窃取。这被称为浏览器指纹。本文提出并评估了一种新的指纹识别技术,以确定Web浏览器的确切性质(浏览器类型和版本,如Firefox 15),利用HTML解析器的怪癖通过XSS练习。我们的实验表明,可以以71%的准确率确定Web浏览器的确切版本,并且仅6次测试就足以快速确定Web浏览器所属的确切系列。
2012-11-20 cs.CR
MetaV: A Meta-Verifier Approach to Task-Agnostic Model Fingerprinting
对于模型盗版取证,先前的模型指纹方案通常基于为所有者的模型构造的对抗性示例作为\textit{fingerprint},并且通过将指纹示例上的行为模式彼此匹配来验证可疑模型是否确实从原始模型盗版。然而,这些方法严重依赖于分类任务的特性,这抑制了它们在更一般场景中的应用。为了解决这个问题,我们提出了MetaV,这是第一个任务不可知的模型指纹识别框架,它可以在更广泛的DNN上进行指纹识别,独立于下游学习任务,并且对各种所有权混淆技术具有很强的鲁棒性。具体而言,我们将以前的计划概括为MetaV中的两个关键设计组件:\textit{adaptive fingerprint}和\textit{meta-verifier},它们被联合优化,使得元验证器学习基于自适应指纹上的可疑模型的级联输出来确定可疑模型是否被盗。作为任务不可知的关键,全过程不对集合中的模型内部进行任何假设,只要它们具有相同的输入和输出维度。跨越分类,回归和生成建模,广泛的实验结果验证了MetaV的性能大大提高了国家的最先进的指纹方案,并证明了增强的通用性MetaV提供任务不可知的指纹。例如,在针对皮肤癌诊断训练的ResNet-18指纹识别中,MetaV在$70$可疑模型的不同测试集上同时实现了$100\%$真阳性和$100\%$真阴性,与最佳基线相比,实现了ARUC的约$220\%$相对改善。
2022-05-19 cs.CR
Tor circuit fingerprinting defenses using adaptive padding
在线匿名和隐私一直基于通过创建不可区分的网络元素来混淆对手。Tor是最大和最广泛部署的匿名系统,旨在对抗现实的现代对手。最近,研究人员已经设法通过捕获和分析流量轨迹来识别Tor的电路,从而确定底层流量的类型。在这项工作中,我们研究了电路指纹识别问题,将其与网站指纹识别隔离开来,并重新审视了该模型中以前的研究结果,表明即使应用层流量相同,也可能进行准确的攻击。然后,我们使用基于WTF-PAD的Tor通用自适应填充框架,逐步创建针对电路指纹的防御。我们提出了一个简单的防御,延迟一小部分的流量,以及一个更先进的,可以有效地隐藏洋葱服务电路零延迟。我们彻底评估这两种防御,无论是分析和实验,发现新的微妙的指纹,但也显示了我们的防御的有效性。
2022-01-11 cs.CR
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
To See or Not to See -- Fingerprinting Devices in Adversarial Environments Amid Advanced Machine Learning
本文提出了一种通用的设备指纹识别模型,系统分析了现有方法的局限性,并探讨了未来更安全的物联网指纹识别方案。
2025-12-20 cs.CR
Mobile Device Identification via Sensor Fingerprinting
我们演示了如何在智能手机上的众多传感器可以用来构建一个可靠的手机硬件指纹。这样的指纹可以用于在移动设备连接到网站时对移动设备进行去匿名化,并且作为向远程服务器识别合法用户的第二个因素。我们提出两种实现:一种基于分析扬声器电话-麦克风系统的频率响应,另一种基于分析设备特定的加速度计校准误差。我们的基于加速度计的指纹特别有趣,因为加速度计可以通过在移动Web浏览器中运行的JavaScript访问,而无需请求任何权限或通知用户。我们展示了迄今为止最广泛的传感器指纹识别实验的结果,该实验测量了来自10,000多台移动设备的传感器特性。我们表明,传感器指纹的熵足以在数千个设备中唯一识别一个设备,碰撞的概率很低。
2014-08-06 cs.CR
Collusion-Resilient Probabilistic Fingerprinting Scheme for Correlated Data
为了获得个性化的服务,个人与各种服务提供商共享他们的个人数据,希望他们的数据将保持机密。因此,在这些服务提供商未经授权分发其个人数据的情况下(或在数据泄露的情况下),数据所有者希望确定此类数据泄露的来源。已经开发了数字指纹方案,以将隐藏的和唯一的指纹嵌入到共享的数字内容(特别是多媒体)中,以提供这种责任担保。然而,现有技术利用内容中的高冗余,其通常不包括在个人数据中。在这项工作中,我们提出了一个概率指纹识别方案,有效地生成指纹,考虑指纹识别概率(保持数据效用高)和公知的数据点之间的固有相关性。为了提高该方案对恶意服务提供商合谋的鲁棒性,我们还利用Boneh-Shaw指纹码作为该方案的一部分。此外,观察隐私保护的数据共享技术(添加受控噪声的共享数据)和建议的指纹方案之间的相似性,我们第一次尝试开发一个数据共享计划,同时提供隐私和指纹的鲁棒性。我们的实验表明,指纹的鲁棒性和隐私有冲突的目标,我们提出了一种混合的方法来控制这样的权衡与设计参数。使用所提出的混合方法,我们表明,个人可以提高他们的隐私水平略有妥协的指纹鲁棒性。我们实施和评估所提出的计划在真实的基因组数据的性能。我们的实验结果表明,该计划的效率和鲁棒性。
2020-01-27 cs.CR
Robust Fingerprinting of Genomic Databases
数据库指纹识别已被广泛用于通过提供识别数据泄漏源的手段来阻止未经授权的数据再分发。然而,没有旨在在共享基因组数据库时实现责任保障的指纹识别方案。因此,我们的动机,以填补这一空白,设计一个香草指纹方案,专门为基因组数据库。此外,由于恶意基因组数据库接收者可能通过发起利用基因组数据之间的内在相关性(例如,孟德尔定律和连锁不平衡),我们还通过开发缓解技术来增强香草计划,以实现对相关攻击的基因组数据库的鲁棒指纹识别。我们首先表明,对基因组数据库指纹方案的相关攻击是非常强大的。特别是,相关攻击可能会导致小的效用损失(例如,通过p值测量的SNP-表型关联的数据库准确性和一致性)。接下来,我们的实验表明,相关性攻击可以有效地减轻我们提出的缓解技术。我们验证了攻击者很难妥协的指纹位的很大一部分,即使它付出了更高的成本方面的数据库实用程序的退化。例如,在准确性损失约24%和SNP-表型关联一致性损失约20%的情况下,攻击者只能扭曲约30%的指纹位,这不足以使其避免被指控。我们还表明,所提出的缓解技术也保留了共享的基因组数据库的效用。
2022-04-04 cs.CR
A Comprehensive Survey on Smart Home IoT Fingerprinting: From Detection to Prevention and Practical Deployment
Dalhousie University(达尔豪斯大学);Northeastern University(东北大学)
本文综述了智能家居IoT指纹识别技术,分析了设备与事件检测、分类及入侵预防方法,探讨了部署挑战与生成式AI、联邦学习等机遇,并指出了下一代隐私保护的研究方向。
2025-10-09 cs.CR
Preventing Radio Fingerprinting through Low-Power Jamming
本文针对射频指纹识别带来的隐私威胁,提出利用低功率干扰器清除发射信号中的指纹特征,实验证明该方法能在不影响无线链路质量的前提下有效阻止恶意窃听者识别设备,恢复用户隐私。
2025-04-02 cs.CR
FPHammer: A Device Identification Framework based on DRAM Fingerprinting
FPHammer利用DRAM行锤击技术生成高稳定性物理指纹,实现长期设备跟踪,即使修改软件参数或重装系统也能准确识别设备。
2023-10-11 cs.CR
DeepMarks: A Digital Fingerprinting Framework for Deep Neural Networks
本文提出了DeepMarks,这是一种在深度学习(DL)背景下用于系统指纹识别的新型端到端框架。深度学习领域取得了显着进展。共享训练的DL模型已经成为一种趋势,在从生物医学诊断到股票预测的各个领域都是普遍存在的。随着预训练模型的可用性和普及性不断增加,保护模型所有者的知识产权(IP)至关重要。DeepMarks引入了第一个指纹识别方法,使模型所有者能够在其模型的参数(权重)中嵌入唯一的指纹,并在以后识别其分布式模型的不期望使用。所提出的框架通过利用当代DL模型中可用的额外容量,将指纹嵌入到可训练权重的概率密度函数(pdf)中。DeepMarks对指纹共谋以及网络变换攻击具有鲁棒性,包括模型压缩和模型微调。对MNIST和CIFAR10数据集以及各种深度神经网络架构(如宽残差网络(WRN)和卷积神经网络(CNN))的广泛概念验证评估证实了DeepMarks框架的有效性和鲁棒性。
2018-04-10 cs.CR
HEEDFUL: Leveraging Sequential Transfer Learning for Robust WiFi Device Fingerprinting Amid Hardware Warm-Up Effects
Oregon State University(俄勒冈州立大学)
HEEDFUL通过序列迁移学习和目标干扰估计,在硬件升温期间实现高准确率的WiFi设备指纹识别,提升了鲁棒性与实用性。
2026-01-30 cs.CR
IrisFP: Adversarial-Example-based Model Fingerprinting with Enhanced Uniqueness and Robustness
University of Houston(休斯顿大学);Virginia Commonwealth University(弗吉尼亚联邦大学)
本文提出IrisFP,通过多边界特征、多样本行为和指纹判别力评估生成复合样本指纹,提升模型指纹的唯一性和鲁棒性,实验表明其优于现有方法。
2026-03-30 cs.CR
Texture to the Rescue: Practical Paper Fingerprinting based on Texture Patterns
在本文中,我们提出了一种新的纸张指纹识别技术的基础上,分析半透明的图案时,光源照射通过纸张。这些图案代表了纸张的固有纹理,是在制造过程中由木质颗粒随机交织而成的。我们表明,这些模式可以很容易地被商品相机捕获,并浓缩成一个紧凑的2048位指纹代码。在这一领域的突出作品(Nature 2005,IEEE S&P 2009,CCS 2011)都集中在基于纸“表面”的纸指纹识别上。我们的动机是观察到,单独捕获表面错过了重要的独特特征,如不均匀的厚度,杂质的随机分布,以及纸张中不同的材料具有不同的不透明度。通过实验,我们证明了嵌入的纸张纹理比表面上的特征提供了更可靠的指纹来源。基于收集的数据集,我们实现了0%的错误拒绝率和0%的错误接受率。我们进一步报告说,我们提取的指纹包含807个自由度(DoF),这远远高于虹膜代码的249个DoF(具有相同的2048位大小)。基于纹理的指纹的大量DoF使得我们的方法在非常大的数据库中识别时具有极高的可扩展性;它还允许在基于纠错技术的隐私保护认证方案中安全使用提取的指纹。
2019-05-07 cs.CR
Robust Fingerprint of Location Trajectories Under Differential Privacy
针对位置数据共享中的隐私与未经授权分发问题,提出结合差分隐私、效用后处理与采样的鲁棒指纹方案,可抵御多种攻击并提升数据效用。
2023-04-21 cs.CR
Fingerprinting of Machines in Critical Systems for Integrity Monitoring and Verification
本文提出一种基于系统指纹识别的主动方法,通过在系统干净时捕获主机硬件、文件哈希和内核信息建立历史记录,并开发安全存储工具,以监控关键系统完整性并辅助追溯安全违规根因。
2024-12-21 cs.CR
NCorr-FP: A Neighbourhood-based Correlation-preserving Fingerprinting Scheme for Intellectual Property Protection of Structured Data
NCorr-FP提出一种基于邻域的相关性保持指纹方案,通过局部记录相似性和密度估计嵌入指纹,在保持统计保真度和数据实用性的同时实现100%检测置信度,并抵御删除、自适应及合谋攻击。
2025-05-09 cs.CR
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
On the Impact of the Hardware Warm-Up Time on Deep Learning-Based RF Fingerprinting
本文研究硬件预热对深度学习射频指纹识别的影响,通过仿真与测试台揭示预热期I/Q信号导致跨稳定状态准确率降至37%以下,并发布含稳定与不稳定样本的多日WiFi数据集。
2024-12-21 cs.CR
Our fingerprints don't fade from the Apps we touch: Fingerprinting the Android WebView
大量研究表明,浏览器指纹识别对用户的安全和隐私是有害的。然而,人们对浏览器指纹识别对Android混合应用程序的影响知之甚少。在Android混合应用程序中,一个精简的Chromium浏览器被集成到一个应用程序中。这些应用程序通过在本地应用程序和网络之间进行双向通信来扩大攻击面。本文研究了浏览器指纹对这些嵌入式浏览器的影响。为此,我们使用Android框架来记录和提取用于指纹识别的信息。我们研究了超过20,000个应用程序,包括Google Play商店中最受欢迎的应用程序。我们排除了Instagram等流行应用程序中的安全漏洞和严重的信息泄露。我们的研究表明,混合应用程序中的指纹可能包含特定于帐户和特定于设备的信息,这些信息可以在多个设备上唯一地识别用户。此外,我们的研究结果表明,混合应用程序浏览器并不总是遵守标准的浏览器特定的隐私政策。
2022-08-03 cs.CR cs.SE
Deep-Learning-Based Device Fingerprinting for Increased LoRa-IoT Security: Sensitivity to Network Deployment Changes
Oregon State University(俄勒冈州立大学)
基于深度学习的设备指纹识别最近被认为是自动网络访问身份验证的关键推动因素。由于复制物理特征的固有困难,它对模仿攻击的鲁棒性是它与传统加密解决方案的区别。尽管设备指纹识别已经显示出有前途的性能,但其对网络操作环境变化的敏感性仍然构成了主要限制。本文提出了一个实验框架,旨在研究和克服支持LoRa的设备指纹识别对此类变化的敏感性。我们首先描述我们使用支持LoRa的无线设备测试平台收集的RF数据集。然后,我们提出了一种新的指纹技术,利用带外失真信息所造成的硬件损伤,以增加指纹识别的准确性。最后,我们实验研究和分析了LoRa射频指纹识别对各种网络设置变化的敏感性。我们的研究结果表明,当学习模型在相同的设置下进行训练和测试时,指纹识别的效果相对较好。然而,当在不同设置下训练和测试时,这些模型对信道条件变化表现出中等敏感性,并且当IQ数据用作输入时,对协议配置和接收器硬件变化表现出严重敏感性。然而,使用FFT数据作为输入,它们在任何变化下都表现不佳。
2022-08-31 cs.CR cs.LG
adF: A Novel System for Measuring Web Fingerprinting through Ads
Universidad Carlos III of Madrid(马德里卡洛斯三世大学);Taptap Digital
adF通过广告测量网络指纹的脆弱性,提出ShieldF作为反指纹解决方案,提升设备抵抗力62%
2025-12-10 cs.CR cs.CY
Scalable Fingerprinting of Large Language Models
University of Washington(华盛顿大学);Sentient
该研究针对大语言模型指纹的可扩展性需求,提出Perinucleus采样方法,可在Llama-3.1-8B中嵌入比现有方案多两个数量级的24576个持久无害指纹,且不降低模型效用,还能缓解相关安全风险。
2025-09-30 cs.CR cs.LG
Seqnature: Extracting Network Fingerprints from Packet Sequences
本文提出通用网络指纹框架 Seqnature,以数据包序列为基本单元,实现五类指纹技术,验证了端点信息不足以区分物联网事件,并修正了智能电视指纹的独特性结论。
2023-12-28 cs.CR cs.NI
Position paper: A systematic framework for categorising IoT device fingerprinting mechanisms
物联网(IoT)设备的普及使得能够对它们进行指纹识别变得越来越重要,例如为了检测网络中是否存在行为不端甚至恶意的IoT设备。本文的目的是提供可用于指纹识别物联网设备的机器学习增强技术的系统分类。这可以作为比较各种物联网指纹识别机制的基准,以便网络管理员可以选择一种或多种适合监控和维护其网络的机制。我们对现有的关于指纹物联网设备的论文进行了广泛的文献综述-密切关注那些具有机器学习功能的论文。随后是在这些文件中概述的机制之间的重要和可比较的功能提取。因此,我们提出了一组关键术语,这些术语在指纹识别背景和物联网领域都是相关的。这使我们能够构建一个名为IDWork的框架,该框架可用于对现有的物联网指纹识别机制进行分类,以促进对这些机制进行连贯和公平的比较。我们发现,大多数物联网指纹识别机制都采用被动的方法-主要是通过网络嗅探-而不是侵入性的,并与感兴趣的设备进行交互。此外,大量的调查机制采用静态和动态的方法,以受益于互补的功能,可以更强大的某些攻击,如欺骗和重放攻击。
2020-10-19 cs.CR cs.NI
LLM Fingerprinting via Semantically Conditioned Watermarks
ETH Zurich(苏黎世联邦理工学院)
本研究提出一种基于语义条件水印的大语言模型指纹识别方法,通过在特定语义领域内扩散统计水印信号,实现隐蔽且鲁棒的指纹检测与所有权验证。
2026-02-19 cs.CR cs.LG
Hey, That's My Model! Introducing Chain & Hash, An LLM Fingerprinting Technique
Microsoft(微软)
提出一种基于链与哈希的LLM指纹识别框架,通过加密绑定提示与响应防止碰撞,并利用随机填充和元提示配置增强鲁棒性,实现可验证的所有权证明。
2026-07-02 cs.AI cs.CR
Randomized Frameproof Codes: Fingerprinting Plus Validation Minus Tracing
我们提出了随机防帧代码的内容保护,这是通过研究Boneh-Shaw指纹问题的变化。在修改后的系统中,每当用户试图访问他的指纹副本时,指纹都会被提交给验证算法,以在内容可以被执行之前验证它确实是允许的。与确定性防帧码和传统的指纹编码相比,我们在可实现的速率上有所改进。对于任意固定大小的联盟,我们构造随机化的防帧码,其具有$O(n^2)$复杂性验证算法和错误概率$\exp(-Ω(n)),$,其中$n$表示指纹的长度。最后,我们提出了线性防帧码和最小向量大小为2联盟之间的连接。
2008-02-23 cs.CR cs.IT math.IT
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
p-FP: Extraction, Classification, and Prediction of Website Fingerprints with Deep Learning
University of Minnesota(明尼苏达大学)
最近在学习深度神经网络(DNN)架构方面的进展受到了极大的关注,因为它们能够在各种应用中超越最先进的分类器,很少或没有特征工程。在本文中,我们广泛研究了深度学习对网站指纹识别的适用性。我们表明,无监督DNN可用于提取低维特征向量,以提高最先进的网站指纹攻击的性能。当用作分类器时,我们表明它们可以在一系列应用场景中匹配或超过现有攻击的性能,包括指纹Tor网站跟踪,指纹Tor上的搜索引擎查询,击败指纹防御,以及指纹TLS加密网站。最后,我们证明了DNN可以用来根据网站的内容预测网站的可指纹性,在4500个网站下载的数据集上实现了99%的准确率。
2018-04-02 cs.CR cs.LG stat.ML
MEraser: An Effective Fingerprint Erasure Approach for Large Language Models
Zhejiang University(浙江大学);Indiana University(印第安纳大学);Hangzhou City University(杭州市大学)
本文提出MEraser方法,通过两阶段微调利用不匹配与干净数据集,在少于1000个样本的条件下有效移除大语言模型中的后门指纹并保持性能,同时引入可迁移擦除机制,揭示现有指纹技术的漏洞。
2025-08-26 cs.AI cs.CR
Assessing Web Fingerprinting Risk
本研究基于数千万真实Chrome浏览器的数据,首次考虑Web API间的相关性并开发新实验设计,准确估计浏览器指纹熵,揭示其分布规律并评估缓解方法。
2024-03-22 cs.CR cs.CY
Saddle-point Solution of the Fingerprinting Capacity Game Under the Marking Assumption
研究了一个合谋渠道未知的指纹博弈。编码器将指纹嵌入到主机序列中,并为解码器提供追溯盗版副本到共谋者的能力。指纹容量是以互信息为支付函数的一系列极大极小博弈的极限值。然而,这些游戏一般不承认鞍点解决方案,是非常难以解决的数字。在这里,在所谓的Boneh-Shaw标记假设下,我们将容量重新表示为单个两人零和博弈的值,并表明它是通过鞍点解实现的。如果最大联盟的大小是$k$和指纹字母表是二进制的,我们推导出方程,可以数值求解任意$k$的容量游戏。我们还提供了严格的上限和下限的能力。最后,我们讨论了大型$k$的指纹游戏的渐近行为和实际实现问题。
2009-05-09 cs.CR cs.IT math.IT
iSeal: Encrypted Fingerprinting for Reliable LLM Ownership Verification
iSeal通过在模型和外部模块中注入独特特征,结合纠错机制和相似性验证策略,实现对模型窃贼全程控制下的可靠LLM所有权验证,有效抵御指纹反学习和响应操控等攻击。
2026-03-19 cs.AI cs.CR
Your "Pro" LLM Subscription May Actually Be "Free": Exposing Fingerprint Spoofing Risks in LLM Inference Services
The Pennsylvania State University(宾夕法尼亚州立大学)
提出指纹欺骗攻击,恶意服务商通过参数高效微调弱模型模仿强模型,绕过用户指纹验证;理论证明用户资源限制导致指纹易被欺骗,并设计GhostPrint攻击框架,实验表明其能以低成本持续绕过主流指纹方法。
2026-06-16 cs.CL cs.CR cs.LG
Are Robust LLM Fingerprints Adversarially Robust?
University of Washington(华盛顿大学);Princeton University(普林斯顿大学);Sentient
该研究针对现有大语言模型指纹方案缺乏对抗鲁棒性评估的问题,定义实际威胁模型并识别核心漏洞,设计自适应攻击可绕过10种近期指纹方案且保持模型高实用性,呼吁指纹设计需原生考虑对抗鲁棒性并给出未来方向建议。
2025-09-30 cs.AI cs.CR cs.LG
Warwick Image Forensics Dataset for Device Fingerprinting In Multimedia Forensics
University of Warwick(华威大学);Deakin University(迪肯大学);Hangzhou Dianzi University(杭州电子科技大学)
像传感器模式噪声(SPN)这样的设备指纹被广泛用于来源分析和图像认证。在过去的几年里,数字摄影的快速发展极大地重塑了消费级移动设备上的图像捕获过程的管道。相机参数设置的灵活性和多帧摄影算法的出现,特别是高动态范围(HDR)成像,给设备指纹识别带来了新的挑战。对这些主题的后续研究需要一个新的有目的地构建的图像数据集。在本文中,我们提出了沃里克图像取证数据集,超过58,600张图像的图像数据集使用14个数码相机拍摄的各种曝光设置。对曝光设置的特别注意允许图像被不同的多帧计算摄影算法采用,并用于随后的设备指纹识别。该数据集作为开源发布,免费供数字取证社区使用。
2020-05-07 cs.CR cs.CV cs.MM
High-Robustness, Low-Transferability Fingerprinting of Neural Networks
Northeastern University(东北大学);Boston University(波士顿大学);IBM Research(IBM研究院)
本文提出了用于有效指纹识别深度神经网络的特征示例,其特征在于对基础模型的高鲁棒性,以及对无关联模型的低可移植性。这是第一个同时考虑鲁棒性和可转移性来生成真实指纹的工作,而目前的方法缺乏实际的假设,可能会产生很大的假阳性率。为了在鲁棒性和可移植性之间实现更好的权衡,我们提出了三种特征示例:香草C示例,RC示例和LTRC示例,以从原始基础模型中获得指纹。为了公平地描述鲁棒性和可转移性之间的权衡,我们提出了Uniform Score,一个衡量鲁棒性和可转移性之间差异的综合指标,它也可以作为虚警问题的指标。
2021-05-14 cs.AI cs.CR cs.CV
Instructional Fingerprinting of Large Language Models
Harvard(哈佛大学);USC(南加州大学);UCLA(加利福尼亚大学洛杉矶分校);UW Seattle(华盛顿大学西雅图分校);UW-Madison(威斯康星大学麦迪逊分校);UC Davis(加利福尼亚大学戴维斯分校)
本文提出一种基于轻量级指令微调的 LLM 指纹方法,通过保密私钥触发指令后门验证所有权,实验表明其不影响正常行为,并具备防过度主张、抗猜测和多阶段指纹能力。
2024-04-03 cs.AI cs.CL cs.CR
SELF: A Robust Singular Value and Eigenvalue Approach for LLM Fingerprinting
The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳))
SELF通过奇异值和特征值分解LLM注意力权重,提出一种鲁棒的指纹识别方法,有效抵御虚假声明和权重操纵,提升知识产权保护能力。
2026-10-28 cs.AI cs.CL cs.CR
Fundamental Limits of Invisible Flow Fingerprinting
网络流指纹可以用于通过链接匿名连接的入口和出口段来对匿名系统(如Tor)上的通信进行去匿名化。假设Alice和Bob分别可以访问匿名网络的输入和输出链路,并且他们希望合作揭示输入和输出链路之间的连接,而不会被保护网络的Willie检测到。Alice生成一个指纹码本,其中每个指纹对应于一个唯一的分组间延迟序列,并仅与Bob共享。对于每个输入流,她从码本中选择指纹并将其嵌入流中,即,更改流的数据包定时,以遵循指纹建议的数据包定时,Bob从输出流中提取指纹。我们将网络建模为并行$M/M/1$队列,其中每个队列由从Alice到Bob的流和独立于从Alice到Bob的流的其他流共享。流的时间是由独立的泊松点过程。假设所有输入流具有相等的速率,并且Bob只观察具有指纹的流,我们首先提出两种情况:1)Alice对所有流进行指纹识别; 2)Alice对Willie未知的流的子集进行指纹识别。然后,我们扩展的建设和分析的情况下,流量是任意的,以及情况下,不是所有的流量,鲍勃观察到有一个指纹。对于每个场景,我们推导出Alice可以指纹识别的流的数量,Bob可以通过指纹识别来跟踪。
2019-03-27 cs.CR cs.IT cs.NI