Deep Fingerprinting: Undermining Website FingerprintingDefenses with Deep Learning

2018  code

是否可以改进攻击以破坏新防御的有效性

针对 WTF-PAD 和 Walkie-Talkie 

深度学习

堆叠去噪自动编码器（SDAE）

一个简单的三层神经网络，包括输入、隐藏和输出层。向输入添加噪声，然后重建原始值。

卷积神经网络（CNN）

两个主要部分：特征提取和分类

在特征提取中，输入首先被送入一个卷积层，该层由一组滤波器组成。输入的每个区域与每个滤波器进行卷积，主要是通过取两个向量的点积，得到一组中间值。这些值被输入激活函数--这类似于神经元根据过滤后的输入是否具有某些特征而被激活。拥有更多的滤波器意味着能从输入中提取更多的特征。然后，激活函数的输出被送入池化层。池化层逐步缩小特征图的空间大小，以减少参数数量和计算量。池化中最常用的方法是最大池化，即在特征图的特定区域内选择空间邻域中的最大值作为数据的表示。这种方法的优势在于，由于每个邻域中的最大信号都会被保留，因此不会受到输入中的微小变换、失真和平移的影响。特征提取组件的最后一部分主要由随机剔除函数和批量归一化组成，有助于提高分类器性能并防止过拟合。

然后，CNN 将卷积层和池化层的输出（代表输入的高级特征）传递到分类组件。在该组件中，一组全连接层利用这些特征对输入进行分类。在训练过程中，分类的损失值不仅用于更新分类组件中的权重，还用于更新特征提取中使用的过滤器。为了估计损失值，我们使用了分类交叉熵，它适用于 WF 等多类分类问题。

数据收集

tor-browser-crawler

实验评估

与AWF的差异

• 卷积层数目增多
• 过拟合不采用dropout而是采用最新过拟合争夺机制，包括在每个卷积层之后添加的批处理归一化（BN）层和激活函数之后的dropout层 
• AWF超参数值固定，而DF改变不同层的超参数值
• 激活功能。AWF只是用ReLU激活函数，但ReLU将所有负值映射为零；DF模型中用到ELU，可以学习包含负值的数据
• 全连接层。AWF中直接将最后一个最大池化层链接到预测层，而DF中添加了两个结合BN和dropout的FC层，全连接（FC）层在分类提取中很重要，以防止FC层中通常发生的过拟合。