論文の概要: ResAware: Cross-Environment Website Fingerprinting via Resource-Privileged Distillation
- arxiv url: http://arxiv.org/abs/2606.17462v1
- Date: Tue, 16 Jun 2026 03:24:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-17 17:15:32.241302
- Title: ResAware: Cross-Environment Website Fingerprinting via Resource-Privileged Distillation
- Title（参考訳）: ResAware: リソース分離蒸留によるクロス環境Webサイトフィンガープリント
- Authors: Chongru Fan, Wei Wang, Wentao Huang, Zhenquan Ding, Jinqiao Shi, Lei Cui, Zhiyu Hao, Xiaochun Yun,
- Abstract要約: Webサイトフィンガープリント(WF)攻撃は、実験室の設定において高い精度を達成するが、実際の環境では著しく低下する。
本稿では,bfResAwareを提案する。
グローバルに分散した6点から5ヶ月にわたって収集した大規模データセット上でResAwareを評価する。
- 参考スコア（独自算出の注目度）: 10.877219827320282
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While Website Fingerprinting (WF) attacks achieve high accuracy in controlled laboratory settings, they often degrade substantially in real-world environments due to spatio-temporal drift, browser heterogeneity, proxy obfuscation and etc. This limitation stems from their sole reliance on low-level traffic features that are noisy and highly sensitive to environmental perturbations. To address this problem, we propose \textbf{ResAware}, a cross-environment resource-aware distillation framework under a \textit{training-rich/inference-poor} asymmetric setting. Specifically, ResAware trains a teacher model on resource-level features, and then distills the resulting privileged knowledge into a student model through heterogeneous knowledge distillation. At deployment time, the student model performs inference using only encrypted traffic, incurring zero additional cost. We evaluate ResAware on a large-scale dataset collected over five months from six globally distributed vantage points, comprising more than $160{,}000$ paired samples. The results show that ResAware significantly enhances the cross-environment robustness of diverse WF baselines. Under a 150-day temporal drift, for example, ResAware improves the F1-score of Var-CNN from $72.77\%$ to $81.49\%$ and the open-world $TPR@1\%FPR$ from $22.40\%$ to $27.20\%$. Our results demonstrate that resource-level supervision improves WF robustness without expanding online observation capabilities.
- Abstract（参考訳）: Webサイトフィンガープリント(WF)攻撃は、制御された実験室設定において高い精度を達成するが、時空間ドリフト、ブラウザの不均一性、プロキシ難読化などにより、現実の環境では著しく低下することが多い。
この制限は、環境の摂動に非常に敏感でノイズの多い低レベルの交通特性にのみ依存することに由来する。
この問題に対処するために,<textit{training-rich/inference-poor} 非対称な設定の下で,環境横断型資源認識蒸留フレームワークである \textbf{ResAware} を提案する。
具体的には、ResAwareは教師モデルをリソースレベルの特徴について訓練し、その結果得られた特権知識を異質な知識蒸留を通じて学生モデルに蒸留する。
デプロイ時に、学生モデルは暗号化されたトラフィックのみを使用して推論を行い、追加コストはゼロになる。
我々は,60{,}000$のペアサンプルからなる6つのグローバル分散バンテージポイントから5ヶ月以上にわたって収集された大規模なデータセット上でResAwareを評価する。
その結果,ResAwareはWFベースラインのクロス環境ロバスト性を著しく向上させることがわかった。
例えば、150日間の時間的ドリフトの下で、ResAwareはVar-CNNのF1スコアを72.77 %$から81.49 %$に改善し、オープンワールドの$TPR@1 %FPR$は22.40 %$から27.20 %$に改善した。
その結果、資源レベルの監視は、オンライン観測能力を拡張することなくWFの堅牢性を向上することを示した。
関連論文リスト
- What and When to Distill: Selective Hindsight Distillation for Multi-Turn Agents [70.6980022118038]
強化学習は、緩やかなタスク報酬からLLMエージェントを訓練することができるが、長期的なクレジット割り当ては依然として困難である。
既存の方法は、ステップごとの環境フィードバックを完全に活用することなく、軌道レベルの報酬やプロキシ信号に依存している。
環境重み付け学習フレームワークであるSERLを紹介する。
論文 参考訳（メタデータ） (2026-05-19T07:00:55Z) - ComplexMCP: Evaluation of LLM Agents in Dynamic, Interdependent, and Large-Scale Tool Sandbox [61.862814740220806]
$textbfComplexMCP$は厳格な条件下でエージェントを評価するために設計されたベンチマークである。
Model Context Protocol (MCP)上に構築された$textbfComplexMCP$は300以上の精巧にテストされたツールを提供する。
論文 参考訳（メタデータ） (2026-05-11T16:20:51Z) - Dynamic analysis enhances issue resolution [53.50448142467294]
DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。
テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。
Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
論文 参考訳（メタデータ） (2026-03-23T14:48:54Z) - Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection [53.45696787935487]
Federated Learning (FL)は、大規模分散サービスノード間の協調的なモデルトレーニングを可能にする。
実世界のサービス指向デプロイメントでは、異種ユーザ、デバイス、アプリケーションシナリオによって生成されたデータは本質的にIIDではない。
FLoodは、オフ・オブ・ディストリビューション(OOD)検出にインスパイアされた新しいFLフレームワークである。
論文 参考訳（メタデータ） (2026-02-01T05:54:59Z) - A Hybrid Deep Learning and Anomaly Detection Framework for Real-Time Malicious URL Classification [0.0]
悪意のあるURLはフィッシング、マルウェア、サイバー脅威の主要なベクターである。
本研究では,TextttHashingHashizer n-gram解析,SMOTEバランシング,分離フォレスト異常フィルタリング,およびリアルタイムURL分類のための軽量ニューラルネットワーク分類器を組み合わせたディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-30T21:25:14Z) - Towards Redundancy Reduction in Diffusion Models for Efficient Video Super-Resolution [41.19210731686364]
ビデオ超解像(VSR)への生成拡散モデルへの直接適応は冗長性をもたらす。
OASISは、$textbfa$ttention $textbfs$pecialization for real-world v$textbfi$deo $textbfs$uper- resolutionを備えた効率的な$textbfo$ne-step拡散モデルである。
OASISは、合成データセットと実世界のデータセットの両方で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-09-28T17:08:51Z) - FedHPL: Efficient Heterogeneous Federated Learning with Prompt Tuning and Logit Distillation [32.305134875959226]
フェデレートラーニング(FL)は、分散クライアントが中央サーバーでモデルを協調訓練できるプライバシー保護パラダイムである。
我々はパラメータ効率の高い$textbfFed$erated Learning framework for $textbfH$eterogeneous settingsを提案する。
我々のフレームワークは最先端のFLアプローチより優れており、オーバーヘッドもトレーニングラウンドも少なくなっている。
論文 参考訳（メタデータ） (2024-05-27T15:25:32Z) - Online Federated Learning via Non-Stationary Detection and Adaptation
amidst Concept Drift [39.12903814606534]
フェデレート・ラーニング(Federated Learning、FL)は、人工知能研究の幅広い文脈における新興分野である。
FLの既存の文献は、主に定常的なデータ生成過程を前提としている。
我々は,textitFedAvgとtextitFedOMDアルゴリズムの理論的保証をほぼ定常的に組み合わせた,マルチスケールのアルゴリズムフレームワークを提案する。
論文 参考訳（メタデータ） (2022-11-22T20:45:48Z) - Lottery Aware Sparsity Hunting: Enabling Federated Learning on
Resource-Limited Edge [17.256563339072546]
textitfederated lottery aware sparsity Hunt (FLASH)は、スパースサブモデルのトレーニングのための統一されたスパース学習フレームワークである。
FLASHは、比例通信の利点を得ながら、超低パラメータ密度で性能を維持する。
論文 参考訳（メタデータ） (2022-08-27T21:51:09Z) - Bridging the Gap Between Clean Data Training and Real-World Inference
for Spoken Language Understanding [76.89426311082927]
既存のモデルはクリーンデータに基づいてトレーニングされ、クリーンデータトレーニングと現実世界の推論の間にtextitgapが発生する。
本稿では,良質なサンプルと低品質のサンプルの両方が類似ベクトル空間に埋め込まれた領域適応法を提案する。
広く使用されているデータセット、スニップス、および大規模な社内データセット(1000万のトレーニング例)に関する実験では、この方法は実世界の(騒々しい)コーパスのベースラインモデルを上回るだけでなく、堅牢性、すなわち、騒々しい環境下で高品質の結果を生み出すことを実証しています。
論文 参考訳（メタデータ） (2021-04-13T17:54:33Z)
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。