論文の概要: Lightening the Load: A Cluster-Based Framework for A Lower-Overhead, Provable Website Fingerprinting Defense

• arxiv url: http://arxiv.org/abs/2509.01046v1
• Date: Mon, 01 Sep 2025 01:07:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.515003
• Title: Lightening the Load: A Cluster-Based Framework for A Lower-Overhead, Provable Website Fingerprinting Defense
• Title（参考訳）: 負荷の軽量化: より上向きで予測可能なWebサイトフィンガープリント防衛のためのクラスタベースのフレームワーク
• Authors: Khashayar Khajavi, Tao Wang,
• Abstract要約: ウェブサイトのフィンガープリント(WF)攻撃は、暗号化トラフィックにとって重要な脅威である。 本稿では、正規化の有効性と超列型グループ化の証明可能なセキュリティを組み合わせた適応WFディフェンスを設計するための統一的なフレームワークを提案する。 我々は、この設計を、クラスタごとにパディングパラメータを割り当てるTamarawの変種であるAdaptive Tamarawとしてインスタンス化する。
• 参考スコア（独自算出の注目度）: 2.4810953761205314
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Website fingerprinting (WF) attacks remain a significant threat to encrypted traffic, prompting the development of a wide range of defenses. Among these, two prominent classes are regularization-based defenses, which shape traffic using fixed padding rules, and supersequence-based approaches, which conceal traces among predefined patterns. In this work, we present a unified framework for designing an adaptive WF defense that combines the effectiveness of regularization with the provable security of supersequence-style grouping. The scheme first extracts behavioural patterns from traces and clusters them into (k,l)-diverse anonymity sets; an early-time-series classifier (adapted from ECDIRE) then switches from a conservative global set of regularization parameters to the lighter, set-specific parameters. We instantiate the design as Adaptive Tamaraw, a variant of Tamaraw that assigns padding parameters on a per-cluster basis while retaining its original information-theoretic guarantee. Comprehensive experiments on public real-world datasets confirm the benefits. By tuning k, operators can trade privacy for efficiency: in its high-privacy mode Adaptive Tamaraw pushes the bound on any attacker's accuracy below 30%, whereas in efficiency-centred settings it cuts total overhead by 99% compared with classic Tamaraw.
• Abstract（参考訳）: ウェブサイトのフィンガープリント(WF)攻撃は、暗号化されたトラフィックに対する重大な脅威であり、幅広い防御策の開発を促している。 このうち2つの顕著なクラスは正規化に基づく防御であり、固定されたパディングルールを使ってトラフィックを形作る。 本研究では、正規化の有効性と超列型グルーピングの証明可能なセキュリティを組み合わせた適応WFディフェンスを設計するための統一的なフレームワークを提案する。 このスキームはまずトレースから行動パターンを抽出し、それらを (k,l) の様々な匿名性集合に分類し、初期時系列分類器(ECDIREから適応)は、保守的なグローバルな正規化パラメータセットからより軽いセット固有のパラメータに切り替える。 我々は、この設計を、元の情報理論の保証を維持しつつ、クラスタ単位のパディングパラメータを割り当てる、タマロウの変種であるAdaptive Tamarawとしてインスタンス化する。 パブリックな実世界のデータセットに関する総合的な実験は、その利点を確認します。 プライバシモードでは、Adaptive Tamarawは攻撃者の精度を30%以下に制限する一方、効率重視の設定では、従来のTamarawと比較して合計オーバーヘッドを99%削減する。

関連論文リスト

• A Vision-Language Pre-training Model-Guided Approach for Mitigating Backdoor Attacks in Federated Learning [23.64920988914223]
  Federated Learning(FL)の既存のバックドア防御メソッドは、均質なクライアントデータ分散の仮定やクリーンサーブデータセットの可用性に依存しています。 視覚言語事前学習モデルのゼロショット学習機能を活用したFLバックドアディフェンスフレームワークCLIP-Fedを提案する。 CIFAR-10-LTでは2.03%、CIFAR-10-LTでは1.35%、平均MAでは7.92%、0.48%である。
  論文  参考訳（メタデータ） (2025-08-14T03:39:54Z)
• SenseCrypt: Sensitivity-guided Selective Homomorphic Encryption for Joint Federated Learning in Cross-Device Scenarios [7.594528129456989]
  ホモモルフィック暗号化(HE)は、フェデレートラーニング(FL)の確保に有効であるが、高いオーバーヘッドと適応コストに悩まされている。 我々は、デバイス間FLクライアント毎のセキュリティとHEオーバーヘッドを適応的にバランスさせるために、感性誘導型選択型EnCryptionフレームワークであるSenseCryptを提案する。 実験では、SenseCryptは最先端の反転攻撃に対するセキュリティを確保し、IIDデータと同様に通常のモデルの精度を達成し、従来のHE手法と比較してトレーニング時間を58.4%から88.7%削減している。
  論文  参考訳（メタデータ） (2025-08-06T05:42:41Z)
• NoPain: No-box Point Cloud Attack via Optimal Transport Singular Boundary [13.46515999093558]
  敵攻撃は、敵のサンプルに対するディープモデルの脆弱性を悪用する。 既存のポイントクラウド攻撃者は特定のモデルに合わせて調整され、ホワイトボックスまたはブラックボックスの設定の勾配に基づいた摂動を反復的に最適化する。 我々は、ポイントクラウド攻撃のためのデータ多様体の固有の特異境界を特定するために最適な輸送(OT)を利用するNoPainを紹介する。
  論文  参考訳（メタデータ） (2025-02-27T06:14:47Z)
• Bridge the Points: Graph-based Few-shot Segment Anything Semantically [79.1519244940518]
  プレトレーニング技術の最近の進歩により、視覚基礎モデルの能力が向上した。 最近の研究はSAMをFew-shot Semantic segmentation (FSS)に拡張している。 本稿では,グラフ解析に基づく簡易かつ効果的な手法を提案する。
  論文  参考訳（メタデータ） (2024-10-09T15:02:28Z)
• Defending Membership Inference Attacks via Privacy-aware Sparsity Tuning [9.39508697970812]
  本稿では,異なるパラメータに対する適応的なペナルティを用いることで,L1正規化の簡単な修正を提案する。 PASTの背後にある重要な考え方は、プライバシーの漏洩に大きく貢献するパラメータの分散を促進することです。 PASTを使用すると、ネットワークはメンバーと非メンバーの間の損失ギャップを縮小し、プライバシー攻撃に対する強い抵抗をもたらす。
  論文  参考訳（メタデータ） (2024-10-09T12:13:49Z)
• Mitigating Fine-tuning based Jailbreak Attack with Backdoor Enhanced Safety Alignment [56.2017039028998]
  言語モデル・アズ・ア・サービス(LM)のファインチューニングは、特にファインチューニングベースのジェイルブレイク攻撃(FJAttack)に対する新たな脅威をもたらす 本稿では,バックドア攻撃の概念と類似性から着想を得たバックドア強化安全アライメント手法を提案する。 我々の総合的な実験は、バックドア強化安全アライメント(Backdoor Enhanced Safety Alignment)を通じて、悪質に微調整されたLSMは、良質な性能を損なうことなく、オリジナルのアライメントモデルと同じような安全性性能を達成することを実証している。
  論文  参考訳（メタデータ） (2024-02-22T21:05:18Z)
• FedCC: Robust Federated Learning against Model Poisoning Attacks [0.0]
  フェデレートラーニング(Federated Learning)は、プライバシの問題に対処するために設計された分散フレームワークである。 新たなアタックサーフェスを導入しており、データは独立に、そしてIdentically Distributedである場合、特に困難である。 我々は,モデル中毒に対する簡易かつ効果的な新しい防御アルゴリズムであるFedCCを提案する。
  論文  参考訳（メタデータ） (2022-12-05T01:52:32Z)
• FLIP: A Provable Defense Framework for Backdoor Mitigation in Federated Learning [66.56240101249803]
  我々は,クライアントの強固化がグローバルモデル(および悪意のあるクライアント)に与える影響について検討する。 本稿では, 逆エンジニアリングによる防御手法を提案するとともに, 堅牢性を保証して, 改良を実現できることを示す。 競合する8つのSOTA防御法について, 単発および連続のFLバックドア攻撃に対して, 提案手法の実証的優位性を示した。
  論文  参考訳（メタデータ） (2022-10-23T22:24:03Z)
• Channel DropBlock: An Improved Regularization Method for Fine-Grained Visual Classification [58.07257910065007]
  既存のアプローチは主に、識別的部分を見つけるための注意機構や、高度にパラメータ化された特徴を弱教師付きで抽出する特徴符号化アプローチを導入することでこの問題に対処している。 本研究では,CDB(Channel DropBlock)と呼ばれる軽量で効果的な正規化手法を提案する。
  論文  参考訳（メタデータ） (2021-06-07T09:03:02Z)
• A Self-supervised Approach for Adversarial Robustness [105.88250594033053]
  敵対的な例は、ディープニューラルネットワーク(DNN)ベースの視覚システムにおいて破滅的な誤りを引き起こす可能性がある。 本稿では,入力空間における自己教師型対向学習機構を提案する。 これは、反逆攻撃に対する強力な堅牢性を提供する。
  論文  参考訳（メタデータ） (2020-06-08T20:42:39Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。