シラバス レッスン 156 中 143 · 匿名ネットワークとトラフィック分析
匿名ネットワークとトラフィック分析

ウェブサイトのフィンガープリンティング

なぜ大切か 観察者がどのサイトを訪れたかを見られないときでも、ページを読み込む形がそれを明かしてしまうことがあります。どれだけ送り、どれだけ返ってくるか。このラボでは、その推測がどう行われるか、パディングがどう対抗するか、そしてラボの結果がなぜ攻撃を現実より強く見せるのかを示します。

無地の茶色い紙で包んだ小包を考えてください。ラベルは読めませんが、細長い小包はたぶんポスターで、重い四角いものはたぶん本です。ページの読み込みも同じです。動画サイトは大量のデータを引き込み、テキストの掲示板はほんの少しです。包装が隠すのは中身で、大きさと形ではありません。

ウェブサイトのフィンガープリンティング:暗号化された通信のパターンだけから、以前に記録したパターンと比べて、誰かがどのウェブサイトを読み込んだかを推測することです。

セル:固定サイズの通信単位です。このラボでは、ページの読み込みはセルのリストです。送ったセルは 1、受け取ったセルは -1 です。

単純な分類器:最近傍重心

まず各読み込みを 2 つの数、その 特徴 に縮めます。送ったセルと受け取ったセルです。cells.count(1) と cells.count(-1) でできます。次に各サイトについて、学習用の読み込みの特徴を平均します。その平均の点が、サイトの 重心、つまり典型的な形です。新しい読み込みを分類するには、それに最も近い重心を探します。

重心:点のまとまりの平均です。x の平均と y の平均。ここではサイトごとにひとつです。

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.

防御:パディング

パディングはダミーのセルを足し、読み込みがそのサイトらしく見えないようにします。FRONT と呼ばれる研究上の設計は、ランダムな数のダミーを、ページが最も多くを明かす読み込みの始めの近くに主に足します。pad_traces(traces, budget, seed) は、各読み込みに、それぞれの向きで最大 budget 個のダミーのセルを足します。

公平に測るため、観察者はあなたがパディングしていることを知っていて、パディングした読み込みでも学習すると仮定します。パディングは攻撃を打ち負かすのではなく正解率を下げ、ダミーは帯域を費やします。両方を測ります。正解率の低下と、元に対する追加のセルの割合である オーバーヘッド です:

overhead = total_cells_after_padding / total_cells_before - 1   # 0.5 means 50% more traffic

Tor には回線をパディングする枠組みがありますが、ウェブサイトのフィンガープリンティングに対する重いパディングは、ふつうの閲覧ではオンになっていません(2026 年 10 月確認)。主にこの帯域の費用のためです。

ラボが攻撃を大げさに見せる理由

ここでは、観察者はあなたが 8 つのサイトのどれかを訪れることを知っています。それは 閉じた世界 です。本物の人は何百万ものサイトを訪れます。開いた世界 です。すると基準率が効いてきます。ある分類器が、機微なサイトを 95% の確率で正しく指摘し、ほかの読み込みの 5% を誤って指摘するとしましょう。本当にそのサイトへの読み込みが 1,000 回に 1 回しかなければ、10 万回の読み込みのうち、約 95 回の本当の訪問が指摘され、それと一緒に約 4,995 回の誤報が出ます。警報の 98% 以上が間違いです。

よくある誤解:「ウェブサイトのフィンガープリンティングがあるなら Tor は壊れている」。それが意味するのは、ある特定の観察者、つまりあなたとガードの間にいる者が、雑然とした開いた世界よりもラボではるかによく当たる、根拠のある推測をできるということです。それは防ぐ価値のある本物の危険で、あきらめる理由ではありません。

ここでの読み込みはすべてシミュレーションです。本物の通信は記録も分析もしていません。

ほかの言語では

ほかの言語での最近傍重心の手順:

// 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()
}

まとめ

  • 暗号化されたページの読み込みにも形があり、形を比べるとサイトを推測できます。
  • 最近傍重心:各サイトの特徴を平均し、最も近い平均を選びます。
  • パディングは攻撃を打ち負かすのではなく正解率を下げ、帯域を費やします。両方を測りましょう。
  • 閉じた世界のラボの数字は本物の攻撃を大げさに見せます。基準率のせいで誤報が多く出るからです。
あなたの番

4 つの関数を書いてください:

  1. features(cells):タプル (outgoing, incoming)、つまり 1 と -1 の数。
  2. train(traces):各 trace["site"] を、その記録の送信数の平均と受信数の平均に対応づける辞書。
  3. classify(model, cells):math.dist で重心が最も近いサイト。同点ならアルファベット順で最初のサイトになるよう、min(sorted(model), key=...) を使います。
  4. accuracy(model, traces):自分のサイトとして分類された割合。
それから acc_plain(data["train"] で学習し、data["test"] でテスト)、acc_padded(padded_train で新しいモデルを学習し、padded_test でテスト)、overhead(padded_test のセルの合計を data["test"] のセルの合計で割り、1 を引いたもの)を設定します。テストはほかの読み込みも使います。

このレッスンに問題を見つけましたか?報告する · このレッスンについて質問する

この演習はまもなく開きます

その前のレッスンを終えると、このレッスンが解放されます。コース全体が無料でアカウントも不要、このレッスンは今すぐ読めます。