2021-4-14 计算机网络前沿技术

http

论文2
中国是如何发现和封锁shadowsocks协议

被动流量分析 主动探测
客户端建立socks 加密所以无法拦截

协议多 （AES） 完全保密
只建立一个TCP
异步IO

stream ciphers 问题多

所以引入AEAD ciphers

加密方式

客户端发送host:port结构的数据

OutlineVPN只支持AEAD

墙如何发现SS
被动流量分析，主动探测

实验分析

观察结果
重放攻击 160-700长度的数据包重点监测

非重放攻击 随机生成 ：NR1 NR2

Server反应

信息熵 7

防范防火墙
被动流量：第一个握手包：拆成两个
针对主动探测：不论发什么包，都是timeout

论文3

威胁模型 tor网络

网络指纹实别 可以抽象为分类问题

两个概念 positive precision
true positive（tpr
wrong positive（wpr
false positive（fpr
precision= tpr/(tpr+wpr+r*fpr)

trace

延迟开销

论文4
深度学习网站指纹攻击（DF）

通讯模式

威胁模型：

WF攻击

WF防御：添加虚拟数据包/传输时延

封闭世界 ：攻击者掌握受害者所有可能访问的网站
开放世界

数据集格式： 1，-1 代表传出，传入
用cnn训练了一个分类器

论文5

网络指纹攻击（TF）

Tor

流量捕获一些特征，
分类器进行分类

DF需要数据量太多，定期更新分类器
之前的攻击，太多假设（攻击和训练集在类似时间和环境）

三元组网络，深度学习网络（少量数据，有挑战性的场景（很久前收集的数据，仍然可以用来攻击，比机器学习好，小型开放世界仍然有效）

WF改进目标：
预训练模型（之后再用新的少量数据训练即可使用）
更换目标攻击网站，低训练量

N-shot learning

三元组网络：三个子网络（三个相同的平行的DF）
三个输入 anchor positive negative
A, A类别
P，A类别
N，非A类别

A，P距离最小， A，N距离最大
AP距离<AN距离

两个阶段：预训练阶段，攻击阶段

特征提取器

攻击阶段：N-training，
每个网站收集N个样本，放入特征提取器，得到N个向量，训练KNN分类器

6个实验，3个封闭

预训练和攻击阶段使用包含相同网站的数据是否会提升成功率：结果为否
原因：学习的是区分不同网站，而不是识别某一个特定网站
可以用旧数据训练的特征提取器

和迁移学习对比
N较小时，TF较好

开放世界： 40W未监控集（最大的）

论文6

闭塞系统