论文：How Unique is Your .onion? An Analysis of the Fingerprintability of Tor Onion Services(Tor网站指纹识别)

指纹识别)"/>

论文：How Unique is Your .onion? An Analysis of the Fingerprintability of Tor Onion Services(Tor网站指纹识别)

2017年网络安全方向顶会CCS论文：
*网络指纹识别攻击是运用有监督学习的方法，对网络流量进行分析，建立网页的独一无二的”指纹“，将”指纹“在指纹库中进行检索，从而判断该流量对应的是哪个网站。匿名通信系统（Tor）的机制为，不能追踪用户在访问什么网站（隐藏服务），可以使用网络指纹识别攻击的方法判断用户在访问哪个网站。
*这篇文章，作者主要研究的是：调研什么因素会导致网站更容易受到指纹识别攻击。文章主要是站在隐藏服务提供者的角度上，提出建议以保护隐藏服务免受指纹识别攻击。
第三节 数据的获取
*数据收集内容：网络流量，HTML源代码，HTTP请求头
数据收集方式：Tor Browser version 6.0.1，Selenium browser automation library，dumpcap，Stem
数据特征提取：源码和屏幕镜像被用来提取site-level特征
*实验环境：closed-world：人为搭建的数据实验环境
open-world：现实环境
*数据处理：对爬虫爬取到的数据进行处理
1 删除不在线的链接
2 删除由于连接错误失败的链接
3 删除包异常的链接
4 删除同一个隐藏服务挂载在多个链接的副本
5 每一个类型的网站设置实体数量值，因为这个值会影响到精确度，这个值被称为阀值
6 提取特征
第四节 WF错误分析
4.1 分类器的准确率在open-world和closed-world中不同
在使用相同阀值的时候，该作者与其他文章的工作使用相同的方法，却得到不同的准确率，产生这个问题的原因猜想是：选取网站的方式不同，有些网站很难进行WF攻击。
4.2 为了证明这个猜想，作者对两种类型网站的特征进行比较，两种网站分别是：易受到WF攻击的，不易受WF攻击的
4.3 WF分类器错误的对比，画出三个分类器分类错误的维恩图和因为标签标注错误造成分类错误的维恩图，图中显示，尽管这三个分类器使用了相同的错误标签，但使用不同的分类器可以得到不同的分类结果，不一定都分类错误。
4.4 集成三个分类器的优势，形成一个集成分类器，以此提高F1-Score，结果是准确率提高了，但依然有些资源的F1-Score不能提高
4.5 分类错误的源头：相似的包大小容易混淆，被分类错误。小网站更容易分类错误，大网站更容易受到WF攻击。Z偏差较大的实力更容易被错误分类
4.6 混淆图表。节点代表隐藏服务的分类，边代表错误的分类，边的权重为错误分类的频率
第五节 Network-Level特征分析
5.1 方法。对分类错误的实体进行混淆，这些实体包大小相差不大。用一个公式来计算inter 和
intra-class 两个变量对分类错误的影响,这个公式的结果在0-2之间。这里只用特征值本身而不使用算法来判断特征值的重要性。
5.2网络级特征结果：
第六节 site-level特征分析
6.1 方法。哪个特征使网站更容易受到攻击，网站怎样设计可以提高安全性，与site-level特征有很大的关系。site-level特征是从网也本身提取的特征，而不是从流量中提取的特征。作者从随机森林方法得到的信息对是否容易受指纹攻击进行排序。
6.2 结果。页面大小是最重要的特征，在包大小都很小的情况下作者又对特征重要性进行了对比。