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
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
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
State Machine Frameworks for Website Fingerprinting Defenses: Maybe Not
本研究通过改进的Rust状态机框架Maybenot实现三种先进网站指纹防御，评估其潜力与局限，并建议在Arti中决策前需增强框架并考虑替代设计。
2023-08-11 cs.CR
Beyond Cookie Monster Amnesia: Real World Persistent Online Tracking
浏览器指纹识别是一种相对较新的唯一识别浏览器的方法，可用于跟踪Web用户。在某些方面，它比通过cookie跟踪更威胁隐私，因为用户无法直接控制它。许多作者已经考虑了各种各样的技术，可以用来指纹浏览器;然而，相对较少的信息是如何广泛的浏览器指纹，以及在现实世界中收集哪些信息来创建这些指纹。为了帮助解决这个问题，我们抓取了10，000个最受欢迎的网站;这可以深入了解使用该技术的网站数量，哪些网站正在收集指纹信息，以及正在检索的信息。我们发现，大约69%的网站可能涉及第一方或第三方浏览器指纹识别。我们进一步发现，第三方浏览器指纹识别，这是潜在的更多的隐私损害，似乎是在实践中占主导地位。我们还描述了\textit{FingerprintAlert}，一个免费的浏览器扩展，我们开发的检测，并选择性地阻止访问网站的指纹尝试。
2019-05-23 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
SCSM: A Traffic-Native Foundation Model for Transferable Website Fingerprinting
School of Electronic Information and Electrical Engineering, Shanghai Jiao Tong University（上海交通大学电子信息与电气工程学院）；School of Cyber Science and Engineering, Southeast University（东南大学网络空间安全学院）
提出流量原生基础模型SCSM，通过分割、组合、缩放和掩码构建对比预训练视图，在时间漂移和跨领域任务上显著提升网站指纹识别可迁移性。
2026-10-07 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
Few-Shot Website Fingerprinting Attack
这项工作介绍了一种新的数据增强方法，用于Few-Shot网站指纹（WF）攻击，其中每个网站只有少数训练样本可用于深度学习模型优化。超越早期的WF方法依赖于手动设计的特征表示，更先进的深度学习替代方案表明，从训练数据自动学习特征表示是优越的。尽管如此，这种优势受到一个不切实际的假设，即每个网站存在许多训练样本，否则这些样本将消失。为了解决这个问题，我们引入了一种模型无关的，高效的，和谐的数据增强（HDA）方法，可以显着改善深度WF攻击方法。HDA涉及样本内和样本间数据转换，可以以协调的方式将微小的训练数据集扩展为任意大的集合，从而有效且明确地解决固有的数据稀缺问题。我们进行了昂贵的实验，以验证我们的HDA在封闭世界和开放世界的攻击场景中，在没有和存在强大防御的情况下，都能提升最先进的深度学习WF攻击模型。{For例如，在基于WTF-PAD的防御的更具挑战性和现实性的评估场景中，我们的HDA方法在20次学习情况下的绝对分类准确率超过了以前的最先进的结果4%以上。
2021-03-04 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
Keep your Identity Small: Privacy-preserving Client-side Fingerprinting
本文提出隐私保护的客户端指纹识别方法PCF，通过要求网站声明指纹脚本并由用户在客户端隐私计算，限制指纹仅对特定域有效，在保留设备指纹识别功能的同时阻止网络跟踪。
2023-09-15 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
Understanding the Privacy-Preserving Potential of HTTP/2 Against Webpage Fingerprinting
CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心）
本研究聚焦HTTP/2的应用层防御，利用其特性模拟多种防御，通过统一蓝图评估其隐私-开销权衡，挖掘其抵御网页指纹识别的隐私保护潜力。
2026-09-07 cs.CR
A Comprehensive Survey of Website Fingerprinting Attacks and Defenses in Tor: Advances and Open Challenges
University of South Florida（南佛罗里达大学）
本文综述了Tor网络中网站指纹攻击与防御的最新进展，系统分类了现有研究，探讨了多标签浏览等新兴挑战，为提升隐私保护提供基础。
2026-10-12 cs.CR
A Measurement of Genuine Tor Traces for Realistic Website Fingerprinting
U.S. Naval Research Laboratory（美国海军研究实验室）；Georgetown University（乔治城大学）
本文提出GTT23，首个真实Tor跟踪数据集，用于改进网站指纹识别研究和防御。
2026-01-21 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
Bayes, not Naïve: Security Bounds on Website Fingerprinting Defenses
网站指纹（WF）攻击引发了对用户隐私的重大担忧。他们采用机器学习（ML）来允许本地被动攻击者发现用户的Web浏览行为，即使她通过加密隧道（例如Tor，VPN）浏览。过去已经提出了许多防御措施;然而，通常很难对其安全性进行正式保证，这通常是针对最先进的攻击进行经验评估。在本文中，我们提出了一个实用的方法来获得任何WF防御，这取决于一个选定的功能集的安全界限。这个结果来自于将WF攻击减少到ML分类任务，在ML分类任务中，我们可以确定最小的可实现错误（贝叶斯错误）;这种错误可以在实践中估计，并且对于WF对手来说，对于他可能使用的任何分类算法来说，都是一个下界。我们的工作有两个主要的结果：i）它允许确定WF防御的安全性，在一个黑盒子的方式，相对于国家的最先进的功能集和ii）它有利于转移未来WF研究的重点，以确定最佳的功能集。该方法的一般性进一步表明，该方法可以用于定义其他基于ML的攻击的安全界限。
2017-08-23 cs.CR
PrismWF: A Multi-Granularity Patch-Based Transformer for Robust Website Fingerprinting Attack
Hong Kong University of Science and Technology（香港科技大学）；Xidian University（西安电子科技大学）；Southeast University（东南大学）；Huazhong University of Science and Technology（华中科技大学）
PrismWF通过多粒度补丁机制和三级交互机制，提升网站指纹攻击中混合流量模式的建模能力，实验表明其在多个数据集和防御措施上均达到最优性能。
2026-08-28 cs.CR
WFDefProxy: Modularly Implementing and Empirically Evaluating Website Fingerprinting Defenses
Tor是一种洋葱路由匿名网络，已被证明容易受到网站指纹（WF）的攻击，WF通过分析加密网络流量的独特特征来对Web浏览进行去匿名化。虽然已经提出了许多防御措施，但很少有人在现实世界中实施和测试;其他人只是模拟。由于其合成性质，仿真可能无法捕捉这些防御的真实性能。为了弄清楚这些防御在现实世界中的表现，我们提出了WFDefProxy，这是一个使用可插拔传输在Tor上实现WF防御的通用平台。我们创建了三种WF防御的第一个完整实现：FRONT，Tamaraw和Random-WT。我们评估每个防御在模拟和实施，比较他们的结果，我们发现，模拟正确地捕捉每个防御攻击的强度。此外，我们证实，随机小波变换是不是有效的模拟和实施，降低最强的攻击者的准确性只有7%。我们还发现模拟和实现之间的开销略有不同。我们分析了这可能是由于在模拟中对数据包延迟和排队的假设，或者我们在WFDefProxy中实现的软停止条件，以检测页面加载的结束。FRONT的实现比仿真多花费了大约23%的数据开销，而Tamaraw的实现花费了大约28% - 45%的数据开销。此外，Tamaraw的实施仅产生了21%的时间开销，相比之下，在以前的工作中通过模拟估计的51% - 242%。
2021-11-24 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
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
Redefining Website Fingerprinting Attacks With Multiagent LLMs
针对现代网络环境中网站指纹攻击泛化困难的问题，提出使用多智能体LLM生成连续流量段的合成数据，相比脚本化数据将模型准确率从不足10%提升至80%范围，证明可扩展合成流量对捕捉真实用户行为至关重要。
2025-09-15 cs.CR
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
Domain Name Encryption Is Not Enough: Privacy Leakage via IP-based Website Fingerprinting
虽然域名加密技术（如DNS over TLS（DoT）、DNS over HTTPS（DoH）和加密客户端Hello（ECH））的安全优势是显而易见的，但它们对用户隐私的积极影响却被仍然暴露的IP地址信息所削弱。然而，内容分发网络、基于DNS的负载均衡、不同网站在同一服务器上的共同托管以及IP地址流失都导致域-IP映射不稳定，并阻止直接的基于IP的浏览跟踪。在本文中，我们表明，这种不稳定性是不是一个障碍（假设一个通用的DoT/DoH和ECH部署），通过引入基于IP的网站指纹技术，允许网络级的观察员，以确定在规模的网站用户访问。我们的技术利用了大多数网站的复杂结构，这些网站除了主要的网站之外，还从多个域加载资源。使用超过20万个网站的指纹，我们可以成功地识别84%的网站。对于热门网站，准确率提高到92%，对于热门和敏感网站，准确率提高到95%。我们还评估了生成的指纹随着时间的推移的鲁棒性，并证明它们在两个月后仍然可以有效地成功识别约70%的测试网站。最后，我们讨论了网站所有者和托管服务提供商的策略，以阻止基于IP的网站指纹识别，并最大限度地提高DoT/DoH和ECH提供的隐私优势。
2021-06-16 cs.CR cs.NI
Neural-FacTOR: Neural Representation Learning for Website Fingerprinting Attack over TOR Anonymity
Huazhong University of Science and Technology（华中科技大学）
TOR（The Onion Router）网络是一种被广泛使用的开源匿名通信工具，TOR的滥用使得监控网络犯罪的扩散变得困难，如访问犯罪网站。大多数现有的TOR网络去匿名化方法严重依赖于手动提取的特征，导致耗时且性能差。针对上述不足，提出一种基于分类算法的神经表示学习方法来识别网站指纹。基于卷积神经网络（CNN），通过伸缩和因果卷积，构建了一种新的网站指纹攻击模型，该模型既能提高CNN的感知域，又能捕捉到输入数据的序列特征。在三个主流公开数据集上的实验表明，该模型对网站指纹分类具有鲁棒性和有效性，与现有方法相比，准确率提高了12.21%。
2022-09-26 cs.AI 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
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
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
Var-CNN: A Data-Efficient Website Fingerprinting Attack Based on Deep Learning
MIT PRIMES（麻省理工学院PRIMES）；MIT（麻省理工学院）
近年来，已经有几项工作使用网站指纹技术，使本地对手能够确定Tor用户访问的网站。虽然使用深度学习的当前最先进的攻击在中等到大量数据的情况下优于现有技术，但是当两者都使用少量训练数据时，它获得了微小的准确性改进。在这项工作中，我们提出了Var-CNN，这是一种利用深度学习技术以及特定于数据包序列分类的新见解的网站指纹攻击。在具有大量数据的开放世界环境中，Var-CNN在$1\%$上获得了比最先进的攻击更高的真阳性率（TPR），同时获得了$4\times$更低的假阳性率（FPR）。Var-CNN的改进在低数据场景中尤其显著，其中它将现有技术的FPR降低了$3.12\%$，同时将TPR增加了$13\%$。总的来说，用于开发Var-CNN的见解可以应用于未来基于深度学习的攻击，并大大减少执行成功的网站指纹攻击所需的训练数据量。这缩短了数据汇集所需的时间，并降低了出现数据过期问题的可能性。
2019-07-23 cs.CR cs.LG
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
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
MagneticSpy: Exploiting Magnetometer in Mobile Devices for Website and Application Fingerprinting
最近的研究表明，智能手机上的总CPU使用率和功耗跟踪可能会泄露有关系统或访问的网站上运行的应用程序的信息。作为回应，从Android 8开始，移动应用程序对此类数据的访问已被阻止。在这项工作中，我们探索了这类攻击的侧信道泄漏的新来源。我们的方法是基于这样一个事实，即移动处理器引起的电磁活动会导致移动设备上的磁传感器测量出现明显的干扰，其幅度与CPU工作负载成正比。因此，可以分析记录的传感器数据，以揭示有关正在进行的活动的信息。该攻击适用于许多设备：我们评估了80种现代智能手机和平板电脑，并观察了磁力计对其中56种CPU活动的反应。在选定的设备上，我们能够成功识别哪个应用程序已打开（准确率高达90%）或哪个网页已加载（准确率高达91%）。所呈现的侧通道对最终用户的隐私构成了重大风险，因为传感器数据可以在没有用户许可的情况下从本机应用程序甚至网页中记录。最后，我们讨论了可能的对策，以防止所提出的信息泄漏。
2019-09-07 cs.CR
Self-Defense: Optimal QIF Solutions and Application to Website Fingerprinting
本文针对核心系统固定的场景，提出在不可修改的信息论信道中构造新行的最优QIF解，通过线性规划为两类对手建模并应用于网站指纹防御，实验证明其能有效最小化信息泄漏并降低攻击者准确率。
2024-11-15 cs.CR
Attacks and Defenses Against LLM Fingerprinting
Oak Ridge National Laboratory（奥克兰国家实验室）
本文从攻防双重视角研究LLM指纹识别，提出基于强化学习的攻击方法优化查询选择，以及利用辅助LLM进行语义保留输出过滤的防御方法，有效平衡了指纹识别准确率与输出质量。
2025-08-12 cs.AI cs.CR cs.LG
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
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
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
Byte by Byte: Unmasking Browser Fingerprinting at the Function Level Using V8 Bytecode Transformers
本文提出ByteDefender，利用V8字节码和Transformer分类器在函数级检测浏览器指纹识别，实现低开销实时阻断，并在10万网站评估中显著优于AST方法，兼具高精度与抗混淆鲁棒性。
2025-09-12 cs.CR
Unlearning-Enhanced Website Fingerprinting Attack: Against Backdoor Poisoning in Anonymous Networks
针对匿名网络中网站指纹攻击易受隐蔽后门投毒影响的问题，提出融合机器反学习的方法，自动识别并清除投毒样本影响，在 CW/OW 设置下提升鲁棒性与运行效率。
2025-06-16 cs.CR cs.NI
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
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
TrapFlow: Controllable Website Fingerprinting Defense via Dynamic Backdoor Learning
National University of Singapore（新加坡国立大学）；Pengcheng Laboratory（鹏城实验室）；Beihang University（北航）；Simon Fraser University（Simon Fraser大学）
TrapFlow通过动态后门学习实现网站指纹攻击防御，通过注入触发序列使攻击者模型产生错误关联，显著降低攻击准确率。
2026-02-20 cs.AI cs.CR
To WASM or Not to WASM: Evaluation of Browser Fingerprinting Defenses Under WASM based Obfuscation
The University of Texas at San Antonio（圣安东尼奥德克萨斯大学）；Google LLC（谷歌公司）
本文评估WASM混淆对浏览器指纹防御的影响，发现学术特征分析检测器存在脆弱性，而API级拦截的防御完全有效，凸显学术与实用防御的差距并提供优化方向。
2026-08-13 cs.CR cs.ET cs.PL
Gummy Browsers: Targeted Browser Spoofing against State-of-the-Art Fingerprinting Techniques
我们提出了一种简单但具有潜在破坏性且难以检测的威胁，称为Gummy Browsers，可以在受害者不知情的情况下收集和欺骗浏览器指纹信息，从而损害使用浏览器指纹的任何应用程序的隐私和安全性。攻击者A首先让用户U连接到他的网站（或攻击者控制的知名网站），并透明地从U收集用于指纹识别的信息。然后，A在自己的机器上编排一个浏览器，在连接到W时复制和传输相同的指纹信息，欺骗W认为U是请求服务的人，而不是A。这将允许攻击者对U进行侧写并损害U的隐私。我们设计并实现了Gummy Browsers攻击，使用基于脚本注入，浏览器设置和调试工具以及脚本修改的三种编排方法，可以成功地欺骗各种各样的指纹识别功能，以模仿许多不同的浏览器（包括移动浏览器和Tor浏览器）。然后，我们评估了对两个国家的最先进的浏览器指纹系统，FPStalker和Panopticlick的攻击。我们的研究结果表明，A可以准确地匹配他自己的操纵浏览器指纹与任何目标受害者用户U的指纹在很长一段时间内，而不显着影响跟踪的U，当只收集U的指纹信息只有一次。在大多数情况下，在存在攻击的情况下跟踪良性用户的TPR（真阳性率）大于0.9。跟踪攻击者的FPR（假阳性率）也很高，在所有情况下都大于0.9。我们还认为，攻击可以完全无视用户和网站，因此在实践中很难阻止。
2021-10-19 cs.CR
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
The Effectiveness of Privacy Enhancing Technologies against Fingerprinting
我们衡量隐私增强技术（PET）在保护用户免受网站指纹识别方面的有效性。我们的测量使用实验和观察方法。实验方法允许控制，精度，并在目前缺乏用户基础的新PET上使用。观察方法可以从当前实际使用的浏览器中进行缩放和绘制。通过将实验创建的PET行为模型应用于观测数据集，我们的新型混合方法提供了两全其美的效果。我们发现Tor浏览器捆绑包是我们测试的集合中最有效的PET。我们发现，一些宠物有不一致的行为，这可能弊大于利。
2018-12-10 cs.CR
PersonaFingerprint: Measuring Persona Inference on Modern Websites with LLM-Driven Browsing
Rutgers University（罗格斯大学）
本文研究了现代网站中通过加密流量元数据推断用户人格的隐私风险，提出了一种基于LLM驱动的多代理浏览框架，并展示了在混合网站流量中人格推断的高准确率。
2026-05-15 cs.CR
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
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
TSA-WF: Exploring the Effectiveness of Time Series Analysis for Website Fingerprinting
本研究提出TSA-WF，利用时间序列分析进行网站指纹识别，在单标签页场景下达到与现有攻击相当的准确度，并能定位多标签页流量中目标网站的访问时刻。
2025-05-23 cs.CR cs.NI
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
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
Beyond the Crawl: Unmasking Browser Fingerprinting in Real User Interactions
本文通过30名用户10周的真实浏览遥测数据，发现自动化爬虫遗漏了45%的指纹识别网站，并验证了联邦学习在真实数据上训练检测模型的优越性。
2025-02-03 cs.CR cs.HC
SATversary: Adversarial Attacks and Defenses for Satellite Fingerprinting
University of Oxford（牛津大学）；armasuisse Science + Technology（瑞士联邦国防军科学与技术局）
本文研究了针对卫星指纹识别的优化对抗攻击与防御技术，展示了干扰、数据污染和欺骗攻击的效果，并提出利用训练模型检测攻击的方法。
2026-02-12 cs.CR eess.SP
