تحلیل ترافیک
چرا مهم است رمزنگاری آنچه میگویید را پنهان میکند، اما نه زمان گفتن یا مقدار آن را. فقط تماشای زمانبندی ترافیک میتواند فاش کند چه کسی با چه کسی حرف میزند، حتی از میان یک شبکهٔ گمنامی. دیدن کارکرد آن روی جریانهای شبیهسازیشده روشن میکند Tor چه میتواند و چه نمیتواند وعده بدهد، و چرا قویترین دفاع اینقدر گران است.
تصور کنید نمیتوانید نامهٔ کسی را باز کنید، اما میتوانید کنار دو اداره پست بایستید. هر بار که دستهای نامه از خانهٔ آنا بیرون میرود، دستهای مشابه لحظهای بعد به یک درمانگاه میرسد. هرگز یک کلمه هم نمیخوانید، اما میتوانید حدس بزنید آنا به درمانگاه نامه مینویسد.
فراداده (metadata): دادههایی دربارهٔ یک پیام بهجای محتوای آن: کی فرستاده شد، چقدر بزرگ بود، از کجا آمد و به کجا رفت.
تحلیل ترافیک: فهمیدن چیزها از الگوی ارتباط (زمانبندی، اندازهها، حجمها) بدون خواندن محتوا.
صحنه
یک ناظر دو جا را میپاید: پیوند میان کاربران و نگهبانشان، و پیوند میان خروجیها و وبسایتها. تابع tor_flows(seed) در watched.leg7b_onion ضبطهای شبیهسازیشدهٔ هر دو را به شما میدهد. هر بسته یک سلول است، واحد ترافیک با اندازهٔ ثابت در Tor (514 بایت)، پس اندازه چیزی به شما نمیگوید. تنها چیزی که دارید زمانبندی است. نام جریانها در دو طرف به هم ریخته شده، و طرف خروجی کمی تأخیر دارد.
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.گام 1: بستهها را به یک شکل تبدیل کنید
بشمارید چند بسته در هر ثانیه میافتد: ثانیهٔ 0 زمانهای از 0 تا (بدون احتساب) 1 را در خود دارد، و به همین ترتیب. int(t) ثانیهای را که یک زمان به آن تعلق دارد میدهد. یک جریان به فهرستی مانند [0, 7, 9, 1, 0, 0, 6, ...] تبدیل میشود: شکلش در طول زمان.
گام 2: دو شکل را مقایسه کنید
همبستگی (correlation): عددی از -1 تا 1 که میگوید دو فهرست چقدر با هم بالا و پایین میروند. 1 یعنی کاملاً هماهنگ، 0 یعنی بیارتباط. Python آن را بهصورت داخلی دارد: statistics.correlation(a, b).
اگر یک فهرست هرگز تغییر نکند (همهٔ مقدارها برابر)، همبستگی تعریفنشده است و Python خطای statistics.StatisticsError میدهد. آن را بگیرید و از 0.0 استفاده کنید، به معنای «هیچ شاهدی در هیچ جهتی».
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")گام 3: هر جریان ورودی را با شبیهترین جریان خروجیاش جفت کنید
برای هر جریان ورودی، همهٔ جریانهای خروجی را امتحان کنید و آن را که بالاترین همبستگی دارد نگه دارید. در این شبیهسازی همین بهتنهایی تقریباً همه را درست جفت میکند. حملههای واقعی از این نوع، که پژوهشگران بررسی کردهاند، با همین روحیه کار میکنند.
دفاعها، و بهایشان
- ترافیک پوششی تصادفی: سلولهای جعلی در زمانهای تصادفی اضافه کنید. شکل را کمی محو میکند، اما فورانها همچنان بیرون میزنند. خواهید دید که تقریباً کمکی نمیکند.
- نرخ ثابت: هر ثانیه دقیقاً همان تعداد سلول بفرستید، شکافها را با سلولهای ساختگی پر کنید و سلولهای واقعی را منتظر نوبتشان نگه دارید. هر ثانیه یکسان به نظر میرسد، پس شکل ناپدید میشود. بهایش پهنای باند (آن همه سلول ساختگی) و تأخیر است (سلولها در فورانها صف میکشند).
Tor کمی لایهگذاری اضافه میکند تا سوابق درشت اتصال را محو کند، اما شکل ترافیک شما را از کسی که میتواند هر دو سر را بپاید پنهان نمیکند (بررسیشده در اکتبر 2026). تأخیر کم را انتخاب میکند تا وب قابل استفاده بماند. درس پایانی این ماژول به شبکههایی میپردازد که راه دیگر را انتخاب میکنند.
یک تصور نادرست رایج: «اگر همهچیز رمزنگاری شده باشد، هیچکس نمیتواند بفهمد با چه کسی حرف میزنم.» رمزنگاری محتوا را پنهان میکند. زمانبندی و حجم همچنان دیده میشوند، و اغلب کافیاند.
این آزمایشگاه فقط از جریانهای شبیهسازیشده استفاده میکند. هدفش فهم خطر است تا بتوانید دفاعها را بسنجید؛ روشی برای پاییدن آدمهای واقعی نیست، و شبکههای واقعی بسیار پرنویزترند.
در زبانهای دیگر
شمردن بستهها در هر ثانیه و محاسبهٔ همبستگی، در جاهای دیگر:
// 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
}خلاصه
- رمزنگاری محتوا را پنهان میکند، نه زمانبندی یا حجم را (فراداده).
- شمردن بستهها در هر ثانیه به هر جریان یک شکل میدهد؛ همبستگی شکلهای جور را در هر دو سر پیدا میکند.
- ترافیک پوششی تصادفی تقریباً کمکی نمیکند؛ ارسال با نرخ ثابت شکل را پنهان میکند اما پهنای باند و تأخیر هزینه دارد.
- Tor تأخیر کم را ترجیح میدهد، پس نمیتواند جلوی کسی را بگیرد که هر دو سر را میپاید.
چهار تابع بنویسید، سپس آنها را روی tor_flows(seed=1) به کار ببرید:
counts_per_second(packets, seconds): فهرستی ازsecondsعدد، تعداد بستههایی که زمانtآنها در شرط0 <= t < secondsصدق میکند، در خانهٔint(t).similarity(a, b):statistics.correlation(a, b)، یا0.0اگر آن خطایstatistics.StatisticsErrorبدهد.match(entry, exits, seconds): یک dict که شناسهٔ"flow"هر جریان ورودی را به شناسهٔ جریان خروجی با بالاترین شباهت نگاشت میکند.accuracy(guesses, answers): کسری از شناسههایanswersکه حدسهایتان درست گرفت.
acc_plain (بدون دفاع)، acc_cover (طرف ورودی پس از add_cover_traffic(flows["entry"], rate=20, seed=1, seconds=S)) و acc_constant (طرف ورودی پس از constant_rate(flows["entry"], per_second=10, seconds=S)) را تنظیم کنید. آزمونها از ضبطهای تازه هم استفاده میکنند.
مشکلی در این درس دیدید؟ گزارشش کنید · دربارهٔ این درس بپرسید
این تمرین بهزودی باز میشود
درس پیش از آن را تمام کنید تا این یکی باز شود. کل دوره رایگان است، حساب کاربری لازم نیست، و میتوانید همین الان این درس را بخوانید.
این مرورگر کوکیهای learn.floati.life را مسدود میکند، پس درسهایی که اینجا تمام کردید نمیتوانند به ترتیب باز شوند. کوکیها را برای این سایت مجاز کنید و صفحه را دوباره بارگذاری کنید.