Sidik jari situs web
Kenapa ini penting Bahkan saat pengamat tidak bisa melihat situs mana yang kamu kunjungi, bentuk pemuatan halaman bisa membongkarnya: berapa banyak yang kamu kirim, berapa banyak yang kembali. Lab ini menunjukkan bagaimana tebakan itu dibuat, bagaimana padding melawannya, dan mengapa hasil lab membuat serangan terlihat lebih kuat daripada di kehidupan nyata.
Bayangkan paket dalam kertas cokelat polos. Kamu tidak bisa membaca labelnya, tapi paket yang panjang dan tipis mungkin sebuah poster dan yang kotak serta berat mungkin buku. Pemuatan halaman sama saja: situs video mengambil banyak data, forum teks sangat sedikit. Bungkusnya menyembunyikan isinya, bukan ukuran dan bentuknya.
Website fingerprinting: menebak situs web mana yang dibuka seseorang hanya dari pola lalu lintas terenkripsi mereka, dengan membandingkannya dengan pola yang dicatat sebelumnya.
Cell: unit trafik dengan ukuran tetap. Di lab ini, pemuatan halaman adalah daftar cell: 1 untuk cell yang kamu kirim, -1 untuk cell yang kamu terima.
klasifikasi sederhana: centroid terdekat
Pertama kurangi setiap load menjadi dua angka, features: sel keluar dan sel masuk. cells.count(1) dan cells.count(-1) melakukannya. Lalu, untuk setiap site, rata-ratakan fitur dari training loads miliknya. Titik rata-rata itu adalah centroid milik site, bentuk tipikalnya. Untuk mengklasifikasikan load baru, cari centroid yang paling dekat dengannya.
Centroid: rata-rata dari sekelompok titik: rata-rata x, rata-rata y. Di sini, satu per situs.
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.Pertahanan: padding
Padding menambahkan sel dummy supaya load tidak terlalu mirip dengan situs aslinya. Desain riset bernama FRONT menambahkan jumlah dummy acak, biasanya di awal load saat halaman paling banyak menampilkan konten. pad_traces(traces, budget, seed) menambahkan hingga budget sel dummy di setiap arah ke setiap load.
Untuk mengukurnya secara adil, anggap pengamat tahu kamu melakukan padding dan melatih pada beban yang sudah di-padding juga. Padding menurunkan akurasi bukannya menggagalkan serangan, dan dummy memakan bandwidth. Kamu akan mengukur keduanya: penurunan akurasi dan overhead, sel tambahan sebagai pecahan dari aslinya:
overhead = total_cells_after_padding / total_cells_before - 1 # 0.5 means 50% more trafficTor punya framework untuk padding circuit, tapi padding berat untuk melawan website fingerprinting tidak diaktifkan untuk browsing biasa (dicek Oktober 2026), sebagian besar karena biaya bandwidth ini.
Kenapa lab melebih-lebihkan serangan tersebut
Di sini pengamat tahu kamu mengunjungi salah satu dari delapan situs. Itu adalah dunia tertutup. Orang sungguhan mengunjungi jutaan situs: sebuah dunia terbuka. Tingkat dasar kemudian berpengaruh. Misalkan sebuah classifier menandai situs sensitif dengan benar 95% dari waktu dan salah menandai 5% dari beban lainnya. Jika hanya 1 beban dalam 1,000 yang benar-benar ke situs itu, maka dari 100,000 beban sekitar 95 kunjungan asli ditandai, bersama dengan sekitar 4,995 alarm palsu. Lebih dari 98% alarm adalah salah.
Kesalahpahaman umum: "Website fingerprinting berarti Tor rusak." Itu artinya satu pengamat spesifik, yang berada di antara kamu dan guard kamu, bisa membuat tebakan yang bekerja jauh lebih baik di laboratorium daripada di dunia nyata yang berantakan. Itu adalah risiko nyata yang layak diwaspadai, bukan alasan untuk menyerah.
Semua beban di sini adalah simulasi. Tidak ada lalu lintas nyata yang dicatat atau dianalisis.
Di bahasa lain
Langkah centroid terdekat, di tempat lain:
// 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()
}Ringkasan
- Halaman terenkripsi yang dimuat masih punya bentuk; membandingkan bentuk bisa menebak situsnya.
- Centroid terdekat: rata-ratakan fitur setiap situs, lalu pilih rata-rata terdekat.
- Padding menurunkan akurasi daripada mengalahkan serangan, dan memakan bandwidth: ukur keduanya.
- Angka lab dunia tertutup melebih-lebihkan serangan nyata, karena tingkat dasar menghasilkan banyak alarm palsu.
Tulis empat fungsi:
features(cells): tuple(outgoing, incoming), jumlah1dan-1.train(traces): sebuah dict yang memetakan setiaptrace["site"]ke rata-rata jumlah outgoing dan rata-rata jumlah incoming dari trace miliknya.classify(model, cells): situs yang titik pusatnya paling dekat denganmath.dist; gunakanmin(sorted(model), key=...)agar jika ada hasil seri, pilih situs yang pertama secara alfabetis.accuracy(model, traces): bagian yang diklasifikasikan sebagai situs mereka sendiri.
acc_plain (train pada data["train"], test pada data["test"]), acc_padded (train model baru pada padded_train, test pada padded_test) dan overhead (total cells di padded_test dibagi total cells di data["test"], dikurangi 1). Test juga menggunakan load lainnya.
Ada masalah di pelajaran ini? Laporkan · Tanya tentang pelajaran ini
Latihan ini akan segera dibuka
Selesaikan pelajaran sebelumnya agar pelajaran ini terbuka. Seluruh kursus ini gratis, tidak butuh akun, dan kamu bisa baca pelajaran ini sekarang.
Browser ini memblokir cookie untuk learn.floati.life, jadi pelajaran yang sudah kamu selesaikan di sini tidak bisa dibuka berurutan. Izinkan cookie untuk situs ini dan muat ulang.