Lehrplan Lektion 142 von 156 · Anonymitätsnetzwerke und Verkehrsanalyse
Anonymitätsnetzwerke und Verkehrsanalyse

Verkehrsanalyse

Warum das wichtig istVerschlüsselung verbirgt, was du sagst, aber nicht wann du es sagst oder wie viel. Das Beobachten der Timing von Traffic kann offenbaren, wer mit wem spricht, selbst über ein Anonymitätsnetzwerk. Zu sehen, wie es an simulierten Flows funktioniert, macht deutlich, was Tor versprechen kann und was nicht, und warum die stärkste Verteidigung so viel kostet.

Stell dir vor, du kannst den Post von niemandem öffnen, aber du kannst an zwei Postämtern stehen. Jedes Mal, wenn eine Ladung Briefe das Haus von Ana verlässt, kommt einen Moment später eine ähnliche Ladung in einer Klinik an. Du liest nie ein Wort, aber du kannst erraten, dass Ana an die Klinik schreibt.

Metadata: Daten über eine Nachricht statt ihres Inhalts: wann sie gesendet wurde, wie groß sie war, woher sie kam und wohin sie ging.

Verkehrsanalyse: Dinge aus dem Kommunikationsmuster (Timing, Größen, Volumina) lernen, ohne die Inhalte zu lesen.

Die Einstellung

Ein Beobachter überwacht zwei Orte: die Verbindung zwischen Nutzern und ihrem Guard und die Verbindung zwischen Exits und Websites. Die Funktion tor_flows(seed) in watched.leg7b_onion gibt dir simulierte Aufzeichnungen von beidem. Jedes Paket ist eine cell, die Einheit von Tor mit fester Größe (514 Bytes), also sagt die Größe dir nichts. Timing ist alles, was du hast. Die Flow-Namen auf den zwei Seiten sind gemischt und die Exit-Seite ist ein wenig verzögert.

from watched.leg7b_onion import tor_flows
flows = tor_flows(seed=1)
print(flows["entry"][0]["flow"])          # e01
print(flows["entry"][0]["packets"][:3])   # [(time_in_seconds, size), ...]
print(flows["exit"][0]["flow"])           # x01, but which user is it?
# flows["answers"] holds the truth, so you can score your guesses.

Schritt 1: Pakete in eine Form umwandeln

Zähle, wie viele Pakete in jeder Sekunde ankommen: Sekunde 0 enthält Zeiten von 0 bis (exklusive) 1, und so weiter. int(t) gibt die Sekunde an, zu der eine Zeit gehört. Ein Flow wird zu einer Liste wie [0, 7, 9, 1, 0, 0, 6, ...]: seine Form über die Zeit.

Schritt 2: zwei Formen vergleichen

Correlation: eine Zahl von -1 bis 1, die sagt, wie sehr zwei Listen zusammen steigen und fallen. 1 bedeutet perfekt im Gleichschritt, 0 bedeutet keine Beziehung. Python hat es eingebaut: statistics.correlation(a, b).

Wenn eine Liste sich nie ändert (jeder Wert gleich), ist die Korrelation nicht definiert und Python wirft statistics.StatisticsError. Fange es ab und verwende 0.0, was bedeutet "kein Beweis in irgendeine Richtung".

import statistics
print(statistics.correlation([1, 5, 2, 8], [2, 9, 3, 15]))   # close to 1: in step
try:
    statistics.correlation([3, 3, 3], [1, 2, 3])
except statistics.StatisticsError:
    print("a flat list has no correlation")

Schritt 3: ordne jeden Eintragfluss seinem ähnlichsten Ausfluss zu

Für jeden Eintrittsfluss versuche jeden Austrittsfluss und behalte den mit der höchsten Korrelation. In dieser Simulation paart das allein fast jeden korrekt. Echte Angriffe dieser Art, die von Forschern untersucht wurden, arbeiten im gleichen Geist.

Die Abwehrmechanismen und ihr Preis

  • Zufälliger Cover-Traffic: füge zu zufälligen Zeiten gefälschte Zellen hinzu. Es verschleiert die Form ein wenig, aber Bursts stechen immer noch heraus. Du wirst sehen, dass es kaum hilft.
  • Konstante Rate: sende jede Sekunde exakt die gleiche Anzahl an Zellen, fülle Lücken mit Dummies und lass echte Zellen warten. Jede Sekunde sieht identisch aus, also verschwindet die Form. Der Preis ist Bandbreite (all diese Dummies) und Verzögerung (Zellen warten in Warteschlangen während Bursts).

Tor fügt ein wenig Padding hinzu, um grobe Verbindungsdaten zu verschleiern, aber es verbirgt die Form deines Traffics nicht vor jemandem, der beide Enden sehen kann (geprüft Oktober 2026). Es wählt eine niedrige Verzögerung, damit das Web nutzbar bleibt. Die letzte Lektion in diesem Modul betrachtet Netzwerke, die den anderen Weg wählen.

A häufiges Missverständnis: "Wenn alles verschlüsselt ist, kann niemand sehen, mit wem ich spreche." Verschlüsselung verbirgt Inhalte. Timing und Volumen sind immer noch sichtbar, und sie reichen oft aus.

Dieses Lab verwendet nur simulierte Abläufe. Es geht darum, das Risiko zu verstehen, damit du Abwehrmechanismen beurteilen kannst; es ist keine Methode zur Überwachung echter Personen, und echte Netzwerke sind viel unruhiger.

In anderen Sprachen

Pakete pro Sekunde zählen und eine Korrelation berechnen, woanders:

// JavaScript
function countsPerSecond(packets, seconds) {
  const counts = new Array(seconds).fill(0);
  for (const [t] of packets) if (t >= 0 && t < seconds) counts[Math.floor(t)]++;
  return counts;
}
function correlation(a, b) {
  const n = a.length, ma = a.reduce((x, y) => x + y) / n, mb = b.reduce((x, y) => x + y) / n;
  let num = 0, da = 0, db = 0;
  for (let i = 0; i < n; i++) { num += (a[i]-ma)*(b[i]-mb); da += (a[i]-ma)**2; db += (b[i]-mb)**2; }
  return da && db ? num / Math.sqrt(da * db) : 0;
}
// Go
func countsPerSecond(times []float64, seconds int) []int {
    counts := make([]int, seconds)
    for _, t := range times {
        if t >= 0 && t < float64(seconds) { counts[int(t)]++ }
    }
    return counts
}

Zusammenfassung

  • Verschlüsselung verbirgt Inhalte, nicht Timing oder Volumen (Metadaten).
  • Das Zählen von Paketen pro Sekunde gibt jedem Flow eine Form; Korrelation findet passende Formen an beiden Enden.
  • Zufälliger Cover-Traffic hilft kaum; das Senden mit konstanter Rate verbirgt die Form, aber kostet Bandbreite und Verzögerung.
  • Tor bevorzugt niedrige Verzögerung, also kann es jemanden nicht stoppen, der beide Enden beobachtet.
Du bist dran

Schreibe vier Funktionen und verwende sie dann auf tor_flows(seed=1):

  1. counts_per_second(packets, seconds): eine Liste von seconds Zahlen, die Anzahl der Pakete, deren Zeit t 0 <= t < seconds erfüllt, platziert an Index int(t).
  2. similarity(a, b): statistics.correlation(a, b), oder 0.0, falls das statistics.StatisticsError.
  3. verursacht.
  4. match(entry, exits, seconds): ein Dictionary, das die "flow" id jedes Entry-Flows auf die id des Exit-Flows mit der höchsten Ähnlichkeit abbildet.
  5. accuracy(guesses, answers): der Anteil der ids in answers, die deine Vermutungen richtig hatten.
Setze dann acc_plain (keine Verteidigung), acc_cover (Eingangsseite nach add_cover_traffic(flows["entry"], rate=20, seed=1, seconds=S)) und acc_constant (Eingangsseite nach constant_rate(flows["entry"], per_second=10, seconds=S)). Tests nutzen auch neue Aufnahmen.

Ein Problem in dieser Lektion entdeckt? Melde es · Frage zu dieser Lektion

Diese Übung öffnet bald

Beende die vorherige Lektion, damit diese freigeschaltet wird. Der ganze Kurs ist kostenlos, kein Konto erforderlich, und du kannst diese Lektion jetzt direkt lesen.