FINN: Fingerprinting Network Flows using Neural Networks
FINN: Fingerprinting Network Flows using Neural Networks
复制标题
FINN：使用神经网络对网络流进行指纹识别
DOI：
10.1145/3485832.3488010
复制
发表时间：
2021
期刊：
影响因子：
--
通讯作者：
Houmansadr, Amir
中科院分区：
文献类型：
--
作者：
Rezaei, Fatemeh;Houmansadr, Amir
流量分析通过实现加密网络流的相关性，对网络安全至关重要；特别是，流量分析已被用于检测踏脚石攻击者和去匿名化匿名连接。一种现代类型的流量分析是流量指纹，它通过稍微干扰网络流来将秘密信息嵌入到流中，以便稍后用于流量分析。结果表明，流量指纹技术可以在广泛的应用中使用流量分析。本文介绍了一种利用神经网络的流指纹识别技术。具体来说，我们的系统使用一个完全连接的网络来产生轻微的扰动，然后将其添加到实时流中以识别它们。我们证明，我们的指纹识别系统在不同的网络设置中提供可靠的性能，优于最先进的技术。我们还在生成流指纹时施加了不可见性约束，并使用GAN生成具有拉普拉斯分布的指纹延迟，使其类似于自然网络抖动。因此，我们表明我们的指纹流与良性网络流是高度难以区分的。
Traffic analysis is essential to network security by enabling the correlation of encrypted network flows; in particular, traffic analysis has been used to detect stepping stone attackers and de-anonymize anonymous connections. A modern type of traffic analysis is flow fingerprinting, which works by slightly perturbing network flows to embed secret information into the flows that later can be used for traffic analysis. It is shown that flow fingerprinting enables the use of traffic analysis in a wide range of applications. In this paper, we introduce an effective flow fingerprinting technique by leveraging neural networks. Specifically, our system uses a fully connected network to generate slight perturbations that are then added to the live flows to fingerprint them. We show that our fingerprinting system offers reliable performance in the different network settings, outperforming the state-of-the-art. We also enforce an invisibility constraint in generating our flow fingerprints and use GAN to generate fingerprinting delays with Laplacian distribution to make it similar to natural network jitter. Therefore, we show that our fingerprinted flows are highly indistinguishable from benign network flows.
DOI：
10.1007/10722599_12
发表时间：
2000-10
期刊：
--
影响因子：
--
作者：
K. Yoda;H. Etoh
通讯作者：
K. Yoda;H. Etoh
高度优化的流相关攻击
DOI：
--
发表时间：
2013
期刊：
arXiv.org
影响因子：
--
作者：
J. Elices;F. Pérez
通讯作者：
F. Pérez