Tik-Tok: Die Nutzenanalyse von Paketzeitpunkten bei Website-Fingerprinting-Angriffen

Ein passiver lokaler Lauscher kann Website-Fingerprinting (WF) nutzen, um die anonymen Webaktivitäten von Tor-Nutzern zu enttarnen. Die Bedeutung zeitlicher Informationen für WF wurde in jüngsten Arbeiten oft aufgrund der Volatilität tiefebenenzeitlicher Informationen heruntergespielt. In dieser Arbeit untersuchen wir sorgfältiger den Umfang, in dem Paketzeitabläufe zur Unterstützung von WF-Angriffen genutzt werden können.Zunächst schlagen wir ein neues Set zeitbezogener Merkmale vor, das sich auf Burst-Ebene-Kennzeichen stützt, um weitere Möglichkeiten zu identifizieren, wie zeitliche Muster von Klassifikatoren zur Identifizierung von Websites verwendet werden können. Anschließend bewerten wir die Effektivität sowohl roher Zeitinformationen als auch Richtungszeitinformationen, die eine Kombination aus roher Zeit und Richtung darstellen, in einem tiefen Lern-basierten WF-Angriff. Unsere Evaluierung in einer geschlossenen Welt zeigt, dass Richtungszeitinformationen in den meisten untersuchten Szenarien am besten abschneiden:(i) 98,4 % bei ungeschütztem Tor-Verkehr;(ii) 93,5 % beim WTF-PAD-Verkehr, was mehrere Prozentpunkte höher liegt als bei der alleinigen Verwendung von Richtungsinformationen;(iii) 64,7 % bei Onion-Sites, was 12 % höher ist als bei der alleinigen Verwendung von Richtung.Weitere Evaluierungen im offenen Weltsetting zeigen geringe Verbesserungen sowohl in Bezug auf Präzision (+2 %) als auch auf Recall (+6 %) bei der Verwendung von Richtungszeitinformationen im WTF-PAD-Verkehr. Um den Wert zeitlicher Informationen weiter zu untersuchen, führen wir eine Informationsverlustanalyse durch, basierend auf unseren vorgeschlagenen handgefertigten Merkmalen. Unsere Ergebnisse zeigen, dass obwohl zeitliche Merkmale weniger Informationen preisgeben als richtungsbezogene Merkmale, die Information in jedem Merkmal voneinander unabhängig ist und somit die Robustheit eines Klassifikators verbessern kann.