网页指纹的发展，挑战，最新研究

发表于

网页指纹的可行性分析，以及除了Tor以外场景的探讨。

网页指纹的发展，挑战，最新研究

主要参考 针对 Tor 的网页指纹识别研究综述

定义

定义：网页指纹攻击——指从加密被动流量中识别出正在访问的网页，不需要识别出流量负载的内容，比如识别出这是一条访问youtube的流量即可。

网页指纹攻击在实际部署中很难应用，因为其本质上就是加密流量识别，并且由于网页的子页面多种多样，更加大了识别的难度。

在学术研究中，大部分工作只关心能否识别出网页的主页面，也有部分工作声称自己可以识别访问子页面的流量，但是往往都是在封闭数据集。

攻击者的角度：互联网服务提供商、Tor 入口的控制者以及与用户处于同一AP接入点的恶意攻击者。

具体场景：Tor，DOH，TLS1.3+ESNI，Shadowsocks

相似问题：恶意流量识别，APP指纹识别，IoT用户行为

网页指纹直觉的可行性（我的理解）

直觉而言：尽管匿名网络加密了所有敏感信息，通过监听和
分析网络流量仍能判断用户是否访问某个网页．因为构成每个网页的 CSS（cascading style sheets）和 JavaScript 代码、图片、视频、广告等元素不完全相 同，访问过程中产生的网络流量就有区别，例如数据 包的大小、顺序和时间等非敏感信息可以形成网页指纹。

直觉限制：并非所有网站都可识别，比如两个盗版网站都用一键建站工具，那么从网页构成上来并无差别。流量是纷繁复杂的，除了访问网页的流量，还有很多别的类型流量，比如后台流量，下载流量等等，难以保证其中不会出现特征类似的流量，尤其是特征提取不完整的情况下。

是攻击而非工具：网页指纹倾向于对特定用户特定网页进行识别，比如攻击者和受害者在同一AP接入点，针对受害者可能常访问的数个常用网站进行识别。（场景：在同一Wi-Fi下，识别用户是否访问了YouTube）

为什么要加这么多限制？这样才可行呀～

发展

从匹配到分类

02～06：匹配问题，对捕获的 用户流量构造特征生成网页指纹，与已知网页指纹进 行匹配从而判断其归属。

TLS1.1 06年

TLS1.2 08年

TLS1.3 18年

09～现在：分类问题，攻击者首先使用提 前收集的若干目标网页（也称受监视页面）的访问流 量训练分类器，然后输入被捕获的用户访问流量，可 输出分类结果，即判断用户访问了某个受监视页面。

从机器学习到深度学习

典型的公开数据集KDD-Cup99（这个是攻击流量的数据集）

09-14年：数据包的统计信息（如数据包的大小和到达顺序等）

发展并非是直线的，1x年仍有从流量中提取特定字段的方式。

即便近两年也有一些工作是用深度学习提取特征+统计特征来进行识别

从单标签页到多标签页面

单标签事脱离实际的，16年开始的工作开始解决多标签的问题，现有解决思路是把多标签场景转换为多个单标签问题。

假设：在用户使用浏览器时，多个标签页面并非同时打开（即存在时间间隔），找到这个时间间隔并对流量进行分割，就能获得多个单标签访问的流量记录，然后可以对分割好的网页访问流量实施网页指纹识别。解决多标签问题时，多标签判定、流量分割和流量分类的 3 个步骤是作为一个系统性问题来考虑，每一个前置步骤中的误差都会对后续步骤的准确率产生影响。

从网站主页多网站所有页面

很多研究并未提及识别网站主页和子页面的问题，或是默认方法通用，或是默认仅能识别主站。

大部分工作从其数据收集方式可以看出并未针对子页面。

20年用DOH来识别网页的工作有特意提到其可以针对网站的子页面。

从封闭到open1再到open2

封闭：测试集中只包含训练集的流量数据。

open1：测试集中还包含访问训练集中不包含的网站流量。

在 open-world 中，网页指纹识别分为 2 个阶段．第 1 阶段被视作 2 分类问题，即判断一段网页访问流量是否属于普通页面类别．如果是，则判断结束；否则进入第 2 阶段， 对 N 个受监视页面进行多分类处理（相当于 closed-world 问题）

上述过程就是再将问题转换为封闭场景问题。

从16年开始，陆续有很多工作手动在测试集中添加噪声来进行测试，但噪声流量与目标流量的占比也是一个值得关注的问题。

open2是我加的，我认为很多声称自己是open-world的工作仅仅是在实验室模拟的环境，而非真正的开放世界，流量并非只有访问网页的流量。我猜想之所以只用访问其他网页的流量作为干扰，是为了便于描述，使结果可复现，因为干扰流量比如音乐，应用等的流量难以找到一个合适的添加方案。但是这样的开放，是否有考虑访问网页的流量在真实流量中的占比呢？

当下挑战

如何更接近真实世界

  1. 多标签问题
  2. 噪音流量问题
  3. 进一步open world的样本比例问题

可行性

  1. 深度学习的大数据量和网页频繁变动的矛盾
  2. 浏览器版本，操作系统不一样的效果大打折扣
  3. 攻击者距离不同带来的差异

为什么我们常常说网页指纹是实验室的游戏（网页指纹在真实世界的挑战）

  1. 没有厘清网页指纹的边界，它不是一个通用的工具，而是针对隐私的攻击，不能针对所有类型的网站。
  2. 攻击者与受害者的距离问题：同一AP下和骨干网出入口
  3. 网站的流量变化：多久更新一次，需要多少人力物力重建？
  4. 受害者的行为：并非像实验室机器一样只会同时访问一个网站，多网页标签问题，甚至后台流量问题
  5. 如果仅仅识别主站，是否符合攻击者的需求？
  6. 如果仅仅可以用SNI识别（虽然TLS1.3+ESNI可能会解决这一点），那就不需要网页指纹了呀，所以流量识别很多时候应用场景在于Tor，或者恶意流量识别。

总结：网页指纹是一个限制级大，需要大量资源（人力物力时间成本），且收获较小的事（针对隐私而言，还有其他方法）。

可不可行？我觉得，条件限制的情况下，可行。

最新研究

Mockingbird2021：Tor，对抗训练

FlowPrint2020：应用识别，半监督

DFD2020：Tor，攻击防御

TrafficSliver2020：Tor，攻击防御

Shen2021：应用识别，GNN

Sirinam2018：Tor，CNN

Cui2019：Tor，多标签，深度学习

li2018：Tor，测量，攻击防御

Sirinam2019：Tor，深度学习，few-shot

Zhuo2018：Shadowsocks，隐马尔可夫

Chen2021：数据增强，few-shot

Poster2019：Tor，攻击防御

Shen2020：多标签页

Shusterman2018：JS恶意代码，缓存

Bhat2018：Tor，CNN

Dahanayaka2020：CNN，RNN

MIMIQ2020：QUIC，攻击防御，系统

zhang2019：HTTP/2，深度森林，子网页

Shan2021：Tor，实时，防御

Cui2020：CNN，多标签，防御

Tik-Tok2019：Tor，时序特征

Jahani2020：Tor，防御模型

Dong2020：IoT设备识别，LSTM

Xu2018：多标签页，XGBoost

Wang2020：优化器，新评价指标

Siby2019：DOH，“关系”

Bushart2020：DOH，时序特征，子页面

总结

  1. 新协议
  2. 新方法
  3. 防御
  4. 更开放
  5. 子网页

我如果要做

拟解决四个关键问题：防御成本的测量与评估，深度学习方法以及流量模式变动的人力问题，多标签问题，实时问题，open-world

真实场景

ISP的角度，通过流量识别网站