Huellas digitales de sitios web
Por qué importa Incluso cuando un observador no puede ver qué sitio visitas, la forma de la carga de una página puede delatarlo: cuánto envías y cuánto vuelve. Este laboratorio muestra cómo se hace esa suposición, cómo la combate el relleno, y por qué los resultados de laboratorio hacen que el ataque parezca más fuerte de lo que es en la vida real.
Piensa en paquetes envueltos en papel marrón. No puedes leer la etiqueta, pero un paquete largo y delgado probablemente es un póster y uno cuadrado y pesado probablemente son libros. Las cargas de páginas son igual: un sitio de vídeos descarga muchos datos, un foro de texto muy pocos. El envoltorio oculta el contenido, no el tamaño ni la forma.
Huella digital de sitios web (website fingerprinting): adivinar qué sitio web cargó alguien solo por el patrón de su tráfico cifrado, comparándolo con patrones grabados antes.
Celda: una unidad de tráfico de tamaño fijo. En este laboratorio la carga de una página es una lista de celdas: 1 para una celda que enviaste, -1 para una celda que recibiste.
Un clasificador sencillo: el centroide más cercano
Primero reduce cada carga a dos números, sus rasgos: las celdas salientes y las celdas entrantes. cells.count(1) y cells.count(-1) lo hacen. Luego, para cada sitio, haz la media de los rasgos de sus cargas de entrenamiento. Ese punto medio es el centroide del sitio, su forma típica. Para clasificar una carga nueva, busca el centroide más cercano.
Centroide: la media de un grupo de puntos: la x media, la y media. Aquí, uno por sitio.
import math
from watched.leg7b_onion import page_loads
data = page_loads(seed=3) # {"train": [...], "test": [...]}
load = data["train"][0]
print(load["site"], len(load["cells"]))
print(math.dist((30, 400), (33, 420))) # straight-line distance between two points
# min(sorted(model), key=lambda s: ...) picks the site with the smallest value,
# and on a tie the one that comes first alphabetically.La defensa: el relleno
El relleno añade celdas de relleno para que las cargas se parezcan menos a su sitio. El diseño de investigación llamado FRONT añade un número aleatorio de celdas de relleno, sobre todo cerca del principio de una carga, que es donde una página revela más. pad_traces(traces, budget, seed) añade a cada carga hasta budget celdas de relleno en cada sentido.
Para medirlo con justicia, supón que el observador sabe que rellenas y que también entrena con cargas rellenadas. El relleno baja la precisión en lugar de derrotar el ataque, y las celdas de relleno cuestan ancho de banda. Medirás las dos cosas: la caída de la precisión y el sobrecoste, las celdas extra como fracción de las originales:
overhead = total_cells_after_padding / total_cells_before - 1 # 0.5 means 50% more trafficTor tiene un sistema para rellenar los circuitos, pero el relleno fuerte contra las huellas de sitios web no está activado en la navegación normal (comprobado en octubre de 2026), en gran parte por este coste en ancho de banda.
Por qué el laboratorio exagera el ataque
Aquí el observador sabe que visitas uno de ocho sitios. Eso es un mundo cerrado. La gente real visita millones de sitios: un mundo abierto. Entonces pesan las tasas base. Supón que un clasificador marca bien un sitio delicado el 95 % de las veces y marca por error el 5 % de las demás cargas. Si solo 1 carga de cada 1000 va de verdad a ese sitio, de 100 000 cargas se marcan unas 95 visitas reales, junto con unas 4995 falsas alarmas. Más del 98 % de las alarmas son erróneas.
Una idea equivocada muy común: "Las huellas de sitios web significan que Tor está roto." Significan que un observador concreto, el que está entre tú y tu guardián, puede hacer suposiciones fundadas que funcionan mucho mejor en un laboratorio que en el desordenado mundo abierto. Es un riesgo real contra el que merece la pena defenderse, no un motivo para rendirse.
Todas las cargas de aquí son simuladas. No se graba ni se analiza ningún tráfico real.
En otros lenguajes
El paso del centroide más cercano, en otros lenguajes:
// JavaScript
function classify(model, cells) {
const f = [cells.filter(c => c === 1).length, cells.filter(c => c === -1).length];
let best = null, bestD = Infinity;
for (const site of Object.keys(model).sort()) {
const d = Math.hypot(f[0] - model[site][0], f[1] - model[site][1]);
if (d < bestD) { best = site; bestD = d; }
}
return best;
}// Rust
fn dist(c: &(f64, f64), out: f64, inc: f64) -> f64 {
((c.0 - out).powi(2) + (c.1 - inc).powi(2)).sqrt()
}
fn classify(model: &BTreeMap<String, (f64, f64)>, cells: &[i8]) -> String {
let out = cells.iter().filter(|&&c| c == 1).count() as f64;
let inc = cells.iter().filter(|&&c| c == -1).count() as f64;
model.iter()
.min_by(|a, b| dist(a.1, out, inc).partial_cmp(&dist(b.1, out, inc)).unwrap())
.map(|(s, _)| s.clone()).unwrap()
}Resumen
- Las cargas de páginas cifradas siguen teniendo una forma; comparar formas permite adivinar el sitio.
- El centroide más cercano: haz la media de los rasgos de cada sitio, y luego elige la media más cercana.
- El relleno baja la precisión en lugar de derrotar el ataque, y cuesta ancho de banda: mide las dos cosas.
- Los números de laboratorio en un mundo cerrado exageran los ataques reales, porque las tasas base producen muchas falsas alarmas.
Escribe cuatro funciones:
features(cells): la tupla(outgoing, incoming), los recuentos de1y de-1.train(traces): un diccionario que asocia cadatrace["site"]al recuento medio saliente y al recuento medio entrante de sus trazas.classify(model, cells): el sitio cuyo centroide está más cerca segúnmath.dist; usamin(sorted(model), key=...)para que los empates se resuelvan a favor del primer sitio en orden alfabético.accuracy(model, traces): la fracción que se clasifica como su propio sitio.
acc_plain (entrena con data["train"], prueba con data["test"]), acc_padded (entrena un modelo nuevo con padded_train, prueba con padded_test) y overhead (el total de celdas de padded_test dividido entre el total de celdas de data["test"], menos 1). Las pruebas también usan otras cargas.
¿Has visto un problema en esta lección? Avísanos · Preguntar sobre esta lección
Este ejercicio se abre pronto
Termina la lección anterior y esta se desbloquea. Todo el curso es gratis, no hace falta cuenta, y puedes leer esta lección ahora mismo.
Este navegador está bloqueando las cookies de learn.floati.life, así que las lecciones que terminaste aquí no se pueden abrir en orden. Permite las cookies de este sitio y recarga.