Analisi del traffico
Perché è importante La cifratura nasconde ciò che dici, ma non quando lo dici né quanto. Osservare solo i tempi del traffico può rivelare chi parla con chi, anche attraverso una rete di anonimato. Vederlo funzionare su flussi simulati chiarisce che cosa Tor può e non può promettere, e perché la difesa più forte costa così tanto.
Immagina di non poter aprire la posta di nessuno, ma di poter stare davanti a due uffici postali. Ogni volta che una raffica di lettere parte dalla casa di Ana, una raffica simile arriva a una clinica poco dopo. Non leggi mai una parola, eppure puoi indovinare che Ana scrive alla clinica.
Metadati: dati su un messaggio invece che sul suo contenuto: quando è stato inviato, quanto era grande, da dove veniva e dove è andato.
Analisi del traffico: scoprire cose dallo schema della comunicazione (tempi, dimensioni, volumi) senza leggerne il contenuto.
Lo scenario
Un osservatore guarda due punti: il collegamento tra gli utenti e la loro guardia, e il collegamento tra le uscite e i siti web. La funzione tor_flows(seed) in watched.leg7b_onion ti dà registrazioni simulate di entrambi. Ogni pacchetto è una cella, l'unità di traffico di dimensione fissa di Tor (514 byte), quindi la dimensione non ti dice niente. Hai solo i tempi. I nomi dei flussi sui due lati sono mescolati, e il lato delle uscite è un po' in ritardo.
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.Passo 1: trasforma i pacchetti in una forma
Conta quanti pacchetti cadono in ogni secondo: il secondo 0 contiene i tempi da 0 fino a 1 (escluso), e così via. int(t) dà il secondo a cui appartiene un tempo. Un flusso diventa una lista come [0, 7, 9, 1, 0, 0, 6, ...]: la sua forma nel tempo.
Passo 2: confronta due forme
Correlazione: un numero da -1 a 1 che dice quanto due liste salgono e scendono insieme. 1 significa perfettamente al passo, 0 significa nessuna relazione. Python ce l'ha già: statistics.correlation(a, b).
Se una lista non cambia mai (tutti i valori uguali), la correlazione non è definita e Python solleva statistics.StatisticsError. Catturala e usa 0.0, che significa "nessuna prova né in un senso né nell'altro".
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")Passo 3: abbina ogni flusso d'ingresso al flusso d'uscita più simile
Per ogni flusso d'ingresso, prova ogni flusso d'uscita e tieni quello con la correlazione più alta. In questa simulazione basta questo per abbinare correttamente quasi tutti. Gli attacchi reali di questo tipo, studiati dai ricercatori, funzionano con lo stesso spirito.
Le difese, e il loro prezzo
- Traffico di copertura casuale: aggiungi celle finte in momenti casuali. Sfuma un po' la forma, ma le raffiche spiccano ancora. Vedrai che aiuta pochissimo.
- Velocità costante: invia esattamente lo stesso numero di celle ogni secondo, riempiendo i vuoti con celle fittizie e facendo aspettare il proprio turno alle celle vere. Ogni secondo sembra identico, quindi la forma sparisce. Il prezzo è la banda (tutte quelle celle fittizie) e il ritardo (le celle fanno la coda durante le raffiche).
Tor aggiunge un po' di padding per sfumare i registri grossolani delle connessioni, ma non nasconde la forma del tuo traffico a chi può osservare entrambi i capi (verificato a ottobre 2026). Sceglie un ritardo basso perché il web resti utilizzabile. L'ultima lezione di questo modulo guarda le reti che scelgono l'altra strada.
Un equivoco comune: "Se tutto è cifrato, nessuno può sapere con chi parlo." La cifratura nasconde i contenuti. Tempi e volumi restano visibili, e spesso bastano.
Questo laboratorio usa solo flussi simulati. Serve a capire il rischio per poter giudicare le difese; non è un metodo per osservare persone reali, e le reti reali sono molto più rumorose.
In altri linguaggi
Contare i pacchetti al secondo e calcolare una correlazione, altrove:
// 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
}Riepilogo
- La cifratura nasconde i contenuti, non i tempi o i volumi (i metadati).
- Contare i pacchetti al secondo dà a ogni flusso una forma; la correlazione trova le forme che coincidono ai due capi.
- Il traffico di copertura casuale aiuta pochissimo; l'invio a velocità costante nasconde la forma ma costa banda e ritardo.
- Tor preferisce un ritardo basso, quindi non può fermare chi osserva entrambi i capi.
Scrivi quattro funzioni, poi usale su tor_flows(seed=1):
counts_per_second(packets, seconds): una lista disecondsnumeri, il conteggio dei pacchetti il cui tempotsoddisfa0 <= t < seconds, messo all'indiceint(t).similarity(a, b):statistics.correlation(a, b), oppure0.0se sollevastatistics.StatisticsError.match(entry, exits, seconds): un dict che associa l'id"flow"di ogni flusso d'ingresso all'id del flusso d'uscita con la somiglianza più alta.accuracy(guesses, answers): la frazione degli id inanswersche le tue ipotesi hanno indovinato.
acc_plain (nessuna difesa), acc_cover (lato d'ingresso dopo add_cover_traffic(flows["entry"], rate=20, seed=1, seconds=S)) e acc_constant (lato d'ingresso dopo constant_rate(flows["entry"], per_second=10, seconds=S)). I test usano anche nuove registrazioni.
Hai notato un problema in questa lezione? Segnalalo · Chiedi qualcosa su questa lezione
Questo esercizio si apre presto
Finisci la lezione precedente e questa si sblocca. L'intero corso è gratuito, senza account, e puoi leggere questa lezione subito.
Questo browser blocca i cookie per learn.floati.life, quindi le lezioni che hai finito qui non si possono aprire in ordine. Consenti i cookie per questo sito e ricarica.