课程大纲 第 143 课,共 156 课 · 匿名网络与流量分析
匿名网络与流量分析

网站指纹识别

为什么重要 即使一个观察者看不到你访问的是哪个网站,一次页面加载的形状也可能暴露它:你发送了多少,回来了多少。这个实验展示这种猜测是怎样做出的,填充是怎样对抗它的,以及为什么实验室的结果会让这种攻击看起来比现实中更强。

想想用普通牛皮纸包着的包裹。你读不到标签,但一个又长又细的包裹很可能是一张海报,一个又重又方的包裹很可能是书。页面加载也是一样:一个视频网站会拉下大量数据,一个文字论坛则很少。包装隐藏了内容,却隐藏不了大小和形状。

网站指纹识别:仅凭某人加密流量的模式,通过和之前记录下的模式进行比较,猜测他们加载了哪个网站。

信元:一个固定大小的流量单位。在这个实验里,一次页面加载是一个信元列表:1 表示你发送的信元,-1 表示你收到的信元。

一个简单的分类器:最近质心

首先把每次加载简化成两个数字,也就是它的特征:发出的信元数和收到的信元数。cells.count(1) 和 cells.count(-1) 就能做到。然后,对每个网站,求它所有训练加载的特征的平均值。这个平均点就是这个网站的质心,也就是它的典型形状。要对一次新的加载进行分类,就找到离它最近的那个质心。

质心:一组点的平均值:平均的 x、平均的 y。在这里,每个网站一个。

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:填充

填充会加入虚拟信元,让加载看起来不那么像它所属的网站。叫作 FRONT 的研究设计会加入随机数量的虚拟信元,大多集中在加载的开头附近,因为那里最能暴露一个页面。pad_traces(traces, budget, seed) 会给每次加载在每个方向上加入最多 budget 个虚拟信元。

为了公平地测量,假定观察者知道你在填充,并且也用填充过的加载进行训练。填充降低了准确率,而不是挫败了攻击,而且虚拟信元要消耗带宽。你将同时测量两者:准确率的下降,以及开销,也就是额外的信元占原来的比例:

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

Tor 有一个对电路进行填充的框架,但针对网站指纹识别的大量填充在普通浏览中并没有打开(2026 年 10 月核实),很大程度上就是因为这种带宽代价。

为什么实验室会夸大这种攻击

在这里,观察者知道你访问的是八个网站之一。这是一个封闭世界。真实的人会访问数百万个网站:一个开放世界。这时基础比率就会起作用。假设一个分类器有 95% 的时候能正确地标记出一个敏感网站,同时把 5% 的其他加载错误地标记出来。如果每 1,000 次加载中只有 1 次真的是去那个网站,那么在 100,000 次加载中,大约 95 次真实访问会被标记出来,同时还有大约 4,995 次误报。超过 98% 的警报都是错的。

一个常见的误解:“网站指纹识别意味着 Tor 已经被攻破了。”它意味着一个特定的观察者,也就是处在你和你的守卫之间的那个,可以做出有根据的猜测,而这些猜测在实验室里的效果远好于在混乱的开放世界里。这是一个值得防御的真实风险,而不是放弃的理由。

这里所有的加载都是模拟的。没有任何真实的流量被记录或分析。

用其他语言实现

在其他语言里实现最近质心这一步:

// 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()
}

回顾

  • 加密的页面加载仍然有形状;比较形状就能猜出网站。
  • 最近质心:求出每个网站特征的平均值,然后挑出最近的那个平均值。
  • 填充降低了准确率,而不是挫败了攻击,而且要消耗带宽:两者都要测量。
  • 封闭世界的实验室数字会夸大真实的攻击,因为基础比率会产生大量误报。
轮到你了

编写四个函数:

  1. features(cells):元组 (outgoing, incoming),也就是 1 和 -1 的计数。
  2. train(traces):一个字典,把每个 trace["site"] 映射到它的各次加载的平均发出计数和平均收到计数。
  3. classify(model, cells):按 math.dist 计算、质心离得最近的那个网站;使用 min(sorted(model), key=...),这样平局时会选按字母顺序排在最前面的网站。
  4. accuracy(model, traces):被分类为它们自己网站的加载所占的比例。
然后设置 acc_plain(在 data["train"] 上训练,在 data["test"] 上测试)、acc_padded(在 padded_train 上训练一个新模型,在 padded_test 上测试)以及 overhead(padded_test 中的信元总数除以 data["test"] 中的信元总数,再减 1)。测试还会使用其他的加载。

发现这节课有问题?报告它 · 就这节课提问

这个练习即将开放

完成它前面的那一课,这一课就会解锁。整门课程免费,无需账号,而且你现在就可以阅读这节课。