論文の概要: Chameleon: Robust Defense Against Tor Website Fingerprinting via Many-to-Many Traffic Morphing

• arxiv url: http://arxiv.org/abs/2608.20160v1
• Date: Thu, 20 Aug 2026 15:16:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.623746
• Title: Chameleon: Robust Defense Against Tor Website Fingerprinting via Many-to-Many Traffic Morphing
• Title（参考訳）: Chameleon:多対多の交通形態によるTorウェブサイトのフィンガープリントに対するロバストな防御
• Abstract要約: Webサイトフィンガープリント(WF)攻撃は、サイドチャネル機能を利用することで、暗号化されたTorトラフィックからユーザのブラウジングアクティビティを推測することができる。 本稿では,多対多のランダムなトラフィックモーフィングに基づくロバストWFディフェンスであるChameleonを提案する。
• 参考スコア（独自算出の注目度）: 11.703387069842854
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Website fingerprinting (WF) attacks can infer users' browsing activities from encrypted Tor traffic by exploiting side-channel features. Although many WF defenses have been proposed, we find that most existing defenses create learnable web trace mapping features. We further show that robustness against adversarial training does not necessarily imply robustness against defense-aware autoencoder (DAAE)-based attacks. To address these limitations, we present Chameleon, a robust WF defense based on many-to-many randomized traffic morphing. Chameleon selects morphing candidates with high intra-class diversity and low inter-class disparity. Chameleon randomly maps each webpage trace to multiple candidates, and allows different webpages to share morphing targets, thereby increasing adversarial uncertainty. For practical Tor deployment, Chameleon introduces a radix-trie-based synchronization mechanism that enables pluggable transport (PT) endpoints to identify consistent morphing traces using packet-direction prefixes, together with trace mutation and normalized prefix matching to reduce overhead. We evaluate Chameleon against six state-of-the-art defenses and five WF attacks on three public datasets in closed- and open-world settings. Compared with Adaptive Tamaraw, Chameleon reduces adversarial-training-based attack accuracy by up to 36.74% while reducing bandwidth and time overhead by 34.12% and 60.38%, respectively. Under DAAE-based RF attacks on GTT23, Chameleon limits attack performance to 35.19% F1-score while Adaptive Tamaraw only limits it to 88.22% F1-score. In the real-world PT bridge evaluation, Chameleon substantially reduces the effectiveness of strong WF attacks while incurring only 16.25% time overhead.
• Abstract（参考訳）: Webサイトフィンガープリント(WF)攻撃は、サイドチャネル機能を利用することで、暗号化されたTorトラフィックからユーザのブラウジングアクティビティを推測することができる。 多くのWFディフェンスが提案されているが、既存のディフェンスのほとんどは学習可能なWebトレースマッピング機能を作成する。 さらに、敵の訓練に対する堅牢性は、必ずしも防衛対応オートエンコーダ(DAAE)ベースの攻撃に対する堅牢性を意味するものではないことを示す。 これらの制約に対処するため、多対多のランダムなトラフィックモーフィングに基づく堅牢なWFディフェンスであるChameleonを提案する。 Chameleonは、クラス内の多様性が高く、クラス間の格差が低いモルヒネ候補を選択する。 Chameleonは、各Webページをランダムに複数の候補にトレースし、異なるWebページがモルヒネターゲットを共有することによって、敵の不確実性を増大させる。 実践的なTorデプロイメントのために、Chameleonは、パケット指向プレフィックスを使用して一貫したモーフィングトレースを識別するプラグイントランスポート(PT)エンドポイントを、トラスト突然変異と正規化プレフィックスマッチングによってオーバーヘッドを低減できる、ラジックストリベースの同期メカニズムを導入した。 閉世界とオープン世界の3つの公開データセットに対する6つの最先端の防御と5つのWF攻撃に対してChameleonを評価した。 Adaptive Tamarawと比較して、Chameleonは対向訓練ベースの攻撃精度を最大36.74%削減し、帯域幅と時間オーバーヘッドを34.12%と60.38%削減した。 GTT23に対するDAAEベースのRF攻撃では、Chameleonは攻撃性能を35.19% F1スコアに制限し、Adaptive Tamarawは88.22% F1スコアに制限した。 実世界のPTブリッジの評価において、Chameleonは16.25%の時間オーバーヘッドしか発生せず、強いWF攻撃の有効性を大幅に低下させる。

関連論文リスト

• WARD: Adversarially Robust Defense of Web Agents Against Prompt Injections [85.68545794960214]
  WARD(Web Agent Robust Defense against Prompt Injection)は、セキュアで効率的なWebエージェントのための実用的なガードモデルである。 WARDは,719の高トラフィックURLとプラットフォームから収集された約177Kのサンプルを備えた,大規模なデータセットであるWARD-Base上に構築されている。 我々は、メモリベースの攻撃とガード共進化プロセスを通じてWARDを反復的に強化する適応的敵攻撃訓練フレームワークであるA3Tを紹介する。
  論文  参考訳（メタデータ） (2026-05-14T16:26:27Z)
• PrismWF: A Multi-Granularity Patch-Based Transformer for Robust Website Fingerprinting Attack [45.608550871415]
  Torは低レイテンシな匿名通信ネットワークで、Webサイトのトラフィックを暗号化することでユーザのプライバシーを保護する。 最近のWebサイト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が、パケットサイズ、方向、地域間時間などの統計的特徴を活用することで、ユーザの訪問するWebサイトをいまだに漏洩させることができることを示している。 マルチタブWF攻撃のための多粒度パッチベースのトランスフォーマであるPrismWFを提案する。
  論文  参考訳（メタデータ） (2026-03-22T08:17:03Z)
• Multi-Faceted Attack: Exposing Cross-Model Vulnerabilities in Defense-Equipped Vision-Language Models [54.61181161508336]
  MFA(Multi-Faceted Attack)は、防衛装備型ビジョンランゲージモデル(VLM)の一般的な安全性上の脆弱性を明らかにするフレームワークである。 MFAの中核となるコンポーネントはアテンション・トランスファー・アタック(ATA)であり、競合する目的を持ったメタタスク内に有害な命令を隠す。 MFAは58.5%の成功率を獲得し、既存の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-11-20T07:12:54Z)
• Stealthy Patch-Wise Backdoor Attack in 3D Point Cloud via Curvature Awareness [52.780853311462636]
  バックドア攻撃はディープニューラルネットワーク(DNN)に深刻な脅威をもたらす 既存の3Dポイントのクラウドバックドア攻撃は、サンプルワイドなグローバルな修正に依存している。 我々は,3Dポイントクラウド用のパッチワイドバックドアアタックフレームワークであるStealthy Patch-Wise Backdoor Attack (SPBA)を提案する。
  論文  参考訳（メタデータ） (2025-03-12T12:30:59Z)
• Red Pill and Blue Pill: Controllable Website Fingerprinting Defense via Dynamic Backdoor Learning [93.44927301021688]
  Webサイト指紋(WF)攻撃は、訪問するWebページを特定するために、ユーザーのコミュニケーションを秘密裏に監視する。 既存のWFディフェンスは、ユニークなトラフィックパターンを乱すことで攻撃者の精度を低下させようとする。 バックドア学習に基づく新しい防衛視点である制御可能なWebサイトフィンガープリントディフェンス(CWFD)を紹介した。
  論文  参考訳（メタデータ） (2024-12-16T06:12:56Z)
• Avoid Adversarial Adaption in Federated Learning by Multi-Metric Investigations [55.2480439325792]
  Federated Learning(FL)は、分散機械学習モデルのトレーニング、データのプライバシの保護、通信コストの低減、多様化したデータソースによるモデルパフォーマンスの向上を支援する。 FLは、中毒攻撃、標的外のパフォーマンス劣化とターゲットのバックドア攻撃の両方でモデルの整合性を損なうような脆弱性に直面している。 我々は、複数の目的に同時に適応できる、強い適応的敵の概念を新たに定義する。 MESASは、実際のデータシナリオで有効であり、平均オーバーヘッドは24.37秒である。
  論文  参考訳（メタデータ） (2023-06-06T11:44:42Z)
• Efficient and Low Overhead Website Fingerprinting Attacks and Defenses based on TCP/IP Traffic [16.6602652644935]
  機械学習とディープラーニングに基づくWebサイトのフィンガープリント攻撃は、攻撃率の良好なパフォーマンスを達成するために最も典型的な特徴を使用する傾向がある。 このような攻撃に対して、高コストのネットワークオーバーヘッドでランダムパケット防御(RPD)を適用するのが一般的である。 本稿では、TCP/IPトラフィックの統計的特性を用いて、入射雑音を除去できるRFDに対するフィルタ支援攻撃を提案する。 トラフィック分割機構によってリストベースの防御をさらに改善し、上記の攻撃と戦うことができ、ネットワークオーバーヘッドをかなり節約することができる。
  論文  参考訳（メタデータ） (2023-02-27T13:45:15Z)
• Robust Person Re-identification with Multi-Modal Joint Defence [1.441703014203756]
  既存の仕事は、主にメートル法防衛のための敵の訓練に依存している。 本稿では,メカニカルアタックとディフェンスメソッドのターゲット手法を提案する。 メカニカルディフェンスでは,プロアクティブディフェンスとパッシブディフェンスの2つの部分を含む共同ディフェンス法を提案する。
  論文  参考訳（メタデータ） (2021-11-18T08:13:49Z)
• Unified Detection of Digital and Physical Face Attacks [61.6674266994173]
  顔攻撃に対する最先端の防御メカニズムは、敵対的、デジタル操作、または物理的な偽装の3つの攻撃カテゴリのうちの1つでほぼ完璧な精度を達成します。 この3つのカテゴリに属する25のコヒーレントな攻撃タイプを自動的にクラスタリングできる統合攻撃検出フレームワーク(UniFAD)を提案する。
  論文  参考訳（メタデータ） (2021-04-05T21:08:28Z)
• 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)
• Minimax Defense against Gradient-based Adversarial Attacks [2.4403071643841243]
  そこで我々は,極小最適化を応用した新たな手法を提案する。 我々のミニマックス防衛は98.07%(MNISTデフォルト98.93%)、73.90%(CIFAR-10デフォルト83.14%)、94.54%(TRAFFICデフォルト96.97%)を達成した。 我々のMinimax対逆アプローチは、ニューラルネットワーク分類器の防御戦略に大きな変化をもたらす。
  論文  参考訳（メタデータ） (2020-02-04T12:33:13Z)

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。