《用对抗样本防御基于深度学习的视频指纹攻击》美海军研究生院2022最新60页论文

在一个日益数字化的世界里，在线匿名和隐私是互联网用户的一个首要问题。像The Onion Router（Tor）这样的工具为用户提供了匿名的互联网浏览。然而，最近，Tor的匿名性因指纹识别而受到影响，机器学习模型被用来分析Tor流量并预测用户的浏览习惯，有些模型的准确率超过99%。Tor有一些试图防止指纹识别的防御措施，但许多都被利用深度神经网络（DNN）的新技术所击败。对DNN强大的新防御措施使用对抗样本来欺骗分类器，但这些防御措施要么是假设用户可以事先获得完整的流量跟踪，要么需要Tor服务器的昂贵维护。在这篇论文中，我们提出了Prism，这是一种针对指纹攻击的防御措施，使用对抗样本来实时愚弄分类器。我们描述了一种生成对抗样本的新方法，该方法能够在随着时间的推移学习输入时创建对抗样本。Prism将这些对抗样本注入Tor流量流中，以防止DNN准确预测用户正在浏览的网站，即使DNN通过对抗性训练进行了加固。我们表明，Prism将防御性指纹模型的准确性从98%以上降低到0%。我们还表明，Prism可以完全在服务器端实现，提高了在没有GPU的设备上运行Tor的用户的部署能力。