Web sitesi parmak izi analizi
Neden önemli Bir gözlemci hangi siteyi ziyaret ettiğini göremese bile, bir sayfa yüklemesinin şekli bunu ele verebilir: ne kadar gönderdiğin ve ne kadarın geri geldiği. Bu laboratuvar, bu tahminin nasıl yapıldığını, padding kısmının buna nasıl karşı koyduğunu ve laboratuvar sonuçlarının saldırıyı gerçek hayatta olduğundan daha güçlü gösterdiğini anlatıyor.
Sıradan kahverengi kağıda sarılmış paketler gibi düşün. Etiketi okuyamazsın ama uzun ince bir paket muhtemelen bir poster, ağır ve kare bir paket ise muhtemelen kitaplardır. Sayfa yüklemeleri de aynıdır: bir video sitesi çok fazla veri çeker, bir metin forumu ise çok az. Paketleme içeriği gizler, boyut ve şekli değil.
Web sitesi parmak izi: birinin şifrelenmiş trafiğinin deseninden, daha önce kaydedilen desenlerle karşılaştırarak hangi web sitesini yüklediğini tahmin etmek.
Cell: sabit boyutlu bir trafik birimi. Bu laboratuvarda bir sayfa yüklemesi bir hücre listesidir: gönderdiğin bir hücre için 1, aldığın bir hücre için -1.
Basit bir sınıflandırıcı: en yakın merkezoid
Önce her yükü iki sayıya, yani features değerlerine indirge: giden hücreler ve gelen hücreler. cells.count(1) ve cells.count(-1) bunu yapar. Sonra, her site için eğitim yüklerinin özelliklerinin ortalamasını al. Bu ortalama nokta sitenin centroid değeridir, yani tipik şeklidir. Yeni bir yükü sınıflandırmak için ona en yakın centroid değerini bul.
Centroid: bir grup noktanın ortalaması: ortalama x, ortalama y. Burada, her site için bir tane.
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.Savunma: padding
Padding, yüklerin sitelerine daha az benzemesi için sahte hücreler ekler. FRONT adı verilen araştırma tasarımı, çoğunlukla bir sayfanın en çok açığa çıktığı yükün başına yakın olacak şekilde rastgele sayıda sahte hücre ekler. pad_traces(traces, budget, seed), her yöne doğru her yük için budget kadar sahte hücre ekler.
Bunu adil ölçmek için, gözlemcinin senin padding yaptığını ve padding eklenmiş yükler üzerinde de eğitim yaptığını varsayalım. Padding, saldırıyı engellemek yerine doğruluğu düşürür ve dummy veriler bant genişliği maliyeti yaratır. Her ikisini de ölçeceksin: doğruluk düşüşünü ve overhead, orijinalin bir oranı olarak ek hücreleri:
overhead = total_cells_after_padding / total_cells_before - 1 # 0.5 means 50% more trafficTor, devreleri gizlemek için bir çerçeveye sahip ancak web sitesi parmak izi tespitine karşı ağır gizleme sıradan gezinme için açık değil (Ekim 2026 kontrol edildi), büyük ölçüde bu bant genişliği maliyeti nedeniyle.
Laboratuvar saldırıyı neden abartıyor
Burada gözlemci, sekiz siteden birini ziyaret ettiğini biliyor. Bu bir kapalı dünya. Gerçek insanlar milyonlarca siteyi ziyaret eder: bir açık dünya. Bu durumda temel oranlar can yakar. Bir sınıflandırıcının hassas bir siteyi %95 oranında doğru işaretlediğini ve diğer yüklerin %5'ini yanlış işaretlediğini varsayalım. Eğer 1.000 yükün sadece 1'i gerçekten o siteye aitse, o zaman 100.000 yükten yaklaşık 95 gerçek ziyaret işaretlenir, buna yaklaşık 4.995 yanlış alarm eklenir. Alarmların %98'inden fazlası yanlıştır.
A yaygın bir yanlış anlaşılma: "Website fingerprinting, Tor'un bozuk olduğu anlamına gelir." Bu, seninle guard'ın arasındaki belirli bir gözlemcinin, karmaşık açık dünyadan ziyade laboratuvar ortamında çok daha iyi işe yarayan mantıklı tahminler yapabileceği anlamına gelir. Bu, korunmaya değer gerçek bir risk, pes etmek için bir sebep değil.
Buradaki tüm yüklemeler simüle edilmiştir. Gerçek trafik kaydedilmez veya analiz edilmez.
Diğer dillerde
En yakın merkezli adım, diğer yerlerde:
// 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()
}Özet
- Şifrelenmiş sayfa yüklemeleri hala bir şekle sahiptir; şekilleri karşılaştırarak siteyi tahmin edebilirsin.
- En yakın merkez: her sitenin özelliklerinin ortalamasını al, sonra en yakın ortalamayı seç.
- Padding saldırıyı yenmek yerine doğruluğu düşürür ve bant genişliği maliyeti oluşturur: her ikisini de ölç.
- Kapalı dünya laboratuvar sayıları gerçek saldırıları abartıyor, çünkü temel oranlar birçok yanlış alarm üretiyor.
Dört fonksiyon yaz:
features(cells):(outgoing, incoming)demeti,1ve-1'nin sayıları.train(traces): her birtrace["site"]değerini, izlerinin ortalama giden ve ortalama gelen sayısına eşleyen bir sözlük.classify(model, cells): merkezimath.diste en yakın olan site; eşitlik durumunda alfabetik olarak ilk gelen siteye gitmesi içinmin(sorted(model), key=...)kullan.accuracy(model, traces): kendi siteleri olarak sınıflandırılan kesir.
acc_plain (data["train"] üzerinde eğit, data["test"] üzerinde test et), acc_padded (padded_train üzerinde yeni bir model eğit, padded_test üzerinde test et) ve overhead (padded_test içindeki toplam hücre sayısı data["test"] içindeki toplam hücre sayısına bölünür, 1 çıkarılır) ayarla. Testler başka yükleri de kullanır.
Bu derste bir sorun mu fark ettin? Bildir · Bu ders hakkında soru sor
Bu alıştırma yakında açılacak
Bu dersi bitirince bu ders açılacak. Kursun tamamı ücretsiz, hesap gerekmiyor ve bu dersi hemen şimdi okuyabilirsin.
Bu tarayıcı learn.floati.life için çerezleri engelliyor, bu yüzden burada bitirdiğin dersler sırasıyla açılamıyor. Bu site için çerezlere izin ver ve sayfayı yenile.