Surakav: Generating Realistic Traces for a StrongWebsite Fingerprinting Defense

2022 IEEE S&P

训练生成器的源代码 code

修改后的 WFDefProxy 的源代码（实现 Surakav 和其他防御措施） code

Surakav利用生成生成对抗网络（GAN）生成真实的发送模式，并根据采样模式调节缓冲数据。

• 对网页的先验知识。一些防御需要了解每个页面是如何加载的，但这样会造成很大负担，因为大多数网站都是频繁更新的。
• 所有页面的固定模式。一些防御强制所有页面使用相同的模式，以恒定速率发送数据包。

Surakav不需要在网页上加载任何先验知识，利用一个生成器可以输出无限的非重复发送模式。

第二节背景和相关工作，第三节前言，第四节提出新防御，第五节评估，第六节进一步探讨 

二、背景与相关工作

A. 威胁模型

假设攻击者不会破坏Tor的加密或修改任何数据包、客户端一次访问一个页面。

真阳性率TPR定义为正确分类的受监控轨迹占受监控轨迹总数的百分比；
假阳性率FPR 定义为未被监控的轨迹被错误分类为监控轨迹的百分比。

Tik-Tok（明天看看）

C. WF防御

• 随机化防御：WTF-PAD、FRONT

• 正则化防御：BuFLO、Tamaraw、Glove、Supersequence、Walkie-Talkie
• 对抗性防御：Mockingbird、GAN模型
• 其他防御：Decoy在后台随即加载另一个页面来覆盖每个页面，但开销太高、TraffificSliver建议以高度随机方式将流量分散到几个“子电路”上，防御恶意进入节点。

三、前言 

A. 生成对抗网络GAN

两个神经网络相互竞争的框架，参与者G试图生成合成数据来欺骗对手，对手D试图区分真实数据和合成数据。通过这一对抗过程，G利用改进后的D的反馈增强了生成逼真数据的能力。

B. 痕迹表示

Tor单元是固定长度的，因此用+1-1来指示单元方向，为了方便生成器的训练将单元序列转换为burst序列

四、Surakav

A. 动机和直觉

WTF-PAD对DF失败 -> 防御很难击败志愿虚拟数据包且没有数据包延迟的强攻击

正则化防御 -> 以预定义的发送模式加载网页，为所有网页构建了一个简单的发送模式

surakav -> 通过不同的发送模式而不是恒定的模式

B. 概况

首先在GAN上训练数据集G，并从G中采样参考轨迹。参考轨迹是第三B节中定义的突发序列。然后，在每一轮中，调节器 R 消耗来自采样参考轨迹的两个突发，一个用于客户端，另一个用于代理服务器。R 从数据集中学习出站突发的时间间隙分布，并在每一轮中从学习到的分布中采样to->o 的时间间隙。在休眠to->o的时间后，R 发送一个外发突发，其大小基于缓冲区中的真实数据和参考突发大小。该突发会附带一个信息包，指示代理回应多少数据。客户机和代理以这种来回方式发送数据突发，直到页面加载完毕。在此过程中，如果前一个参考轨迹用完了，R 可能会重新采样一个新的参考轨迹。通过在下一轮发送前在缓冲区中保留数据，可以减少突发数据的大小；通过添加虚包，可以增加突发数据的大小。

C. 训练轨迹生成器

提出新的GAN结构，用于捕获生成突发序列。

1）架构

三个组件：一个生成器G、一个判别器D、一个观察器O

 生成器：生成器G是一个多层感知器真标签。一个标签c和一个噪声向量z作为输入，输出一个表示生成的突发序列和跟踪长度l的向量，输入向量被归一化为[0,1]。能够生成不同网页的轨迹的关键在于在输入中包含了标签信息。生成器的输出是固定长度的向量，因此在后处理中将长度l的向量切割以获得最终的突发序列。

判别器D：判别器 D 也是一个 MLP。D的输出是根据判别器的信念得出的输入为真实轨迹的概率对数。与G类似，判别器也将标签作为输入。
观察器O：我们在模型中引入了一个新的观察者，以提高伪造痕迹的质量。观察者 O 是一个预先训练好的模型，可进一步为 G 提供反馈。它接收那些成功骗过鉴别器的虚假痕迹（即预测为真实痕迹），并确定它们来自哪个网页。观察者使用的是经过修改的 DF 模型，该模型与原始 DF 具有相同的结构，并接收突发序列（而不是单元序列），因为 DF 被证明是最强的攻击之一。

D. 调节数据包

设计了一个调节器R，指导客户端和服务器的数据包发送。R 首先要学习to->o的分布，即第三节 B 中定义的两次发出脉冲串之间的时间间隔。我们使用核密度估计 (KDE)（一种用于概率估计的常用方法）从数据集中估计这种分布。为了防御跟踪，R 会采样一个新的时间间隙 t∆，等待 min(t∆，ρ)，然后发送数据突发。当代理接收到来自客户端的突发数据时，它会立即响应一个数据突发。因此，整个过程的时间由 R 决定。

E. 防御初始化

生成痕迹的发生器G和生成突发之间的时间间隔的分布to->o。

数据集code