論文の概要: SCSM: A Traffic-Native Foundation Model for Transferable Website Fingerprinting

• arxiv url: http://arxiv.org/abs/2610.07776v1
• Date: Tue, 06 Oct 2026 05:12:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.822609
• Title: SCSM: A Traffic-Native Foundation Model for Transferable Website Fingerprinting
• Title（参考訳）: SCSM:トランスファー可能なWebサイトフィンガープリントのためのトラフィックNative Foundationモデル
• Abstract要約: ウェブサイトのフィンガープリントは、暗号化されたトラフィックメタデータからユーザーが訪問したウェブサイトを推測する。 既存のトランスファー可能な攻撃は、手作りの個々のトレースの摂動に依存するか、言語指向アーキテクチャをトラフィックに適用する。 移動可能なWebサイトフィンガープリントのためのトラフィックネイティブ基盤モデルであるSCSMを提案する。
• 参考スコア（独自算出の注目度）: 10.077472566066358
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Website fingerprinting infers the websites visited by users from encrypted traffic metadata. However, models trained under fixed collection conditions often degrade as website sets, collection times, network paths, browsers, or defenses change. Existing transferable attacks either rely on handcrafted perturbations of individual traces or adapt language-oriented architectures to traffic, limiting their ability to capture traffic-native semantics. To address these limitations, we propose SCSM, a traffic-native foundation model for transferable website fingerprinting. Specifically, SCSM constructs pairs of pretraining views from the same group of unlabeled traces through Segmentation, Combination, Scaling, and Masking. These operations produce diverse observable patterns while preserving the underlying packet events and local traffic dynamics of real trace fragments. The corresponding windowed traffic counting matrices serve as inputs for contrastive pretraining of a state-space encoder without website annotations. The pretrained encoder is then fine-tuned on a small labeled support set, and predictions are aggregated across temporal scales at inference. Experimental results demonstrate that SCSM surpasses the strongest baselines by 16.4\% in average top-3 accuracy over six temporal-drift tasks on GTT23 and by 13.8\% in average macro-F1 over four cross-domain datasets. The code and datasets will be made available at https://github.com/SJTU-dxw/WF-SCSM.
• Abstract（参考訳）: ウェブサイトのフィンガープリントは、暗号化されたトラフィックメタデータからユーザーが訪問したウェブサイトを推測する。 しかし、固定されたコレクション条件下で訓練されたモデルは、Webサイトセット、コレクション時間、ネットワークパス、ブラウザ、ディフェンスが変化するにつれて劣化することが多い。 既存のトランスファー可能な攻撃は、手作りの個々のトレースの摂動に依存するか、言語指向アーキテクチャをトラフィックに適応させ、トラフィックネイティブなセマンティクスをキャプチャする能力を制限している。 これらの制約に対処するため,移動可能なWebサイトフィンガープリントのためのトラフィックネイティブ基盤モデルであるSCSMを提案する。 具体的には、SCSMはSegmentation, Combination, Scaling, Maskingを通じて、ラベルなしトレースの同じグループから事前トレーニングされたビューのペアを構築する。 これらの操作は、基盤となるパケットイベントと実際のトレースフラグメントのローカルトラフィックダイナミクスを保持しながら、さまざまな観測可能なパターンを生成する。 対応するウィンドウトラフィックカウント行列は、Webサイトアノテーションなしでステートスペースエンコーダのコントラスト事前トレーニングの入力として機能する。 事前訓練されたエンコーダは、小さなラベル付きサポートセット上で微調整され、推論時に時間スケールで予測が集約される。 実験の結果、SCSMはGTT23上の6つの時間的ドリフトタスクで平均16.4 %、クロスドメインデータセットで平均13.8 %、最強のベースラインを16.4 %超えることがわかった。 コードとデータセットはhttps://github.com/SJTU-dxw/WF-SCSM.comで公開される。

関連論文リスト

• BrowserForge: Scaling Web Episode via Parallel Browser Sandboxes [54.96895469970198]
  BrowserForgeは、オープンなWeb上で多くのブラウザサンドボックスを並行して駆動することで、大規模なWebインタラクションデータを生成する。 BrowserForgeには3つのコンポーネントがある: オープンなWebソーシングステージ。 ルール+モデルクリーニングパイプラインは、失敗した実行を除去し、生き残った推論を単一の統合されたチェーン・オブ・シンクスタイルに書き換える。
  論文  参考訳（メタデータ） (2026-08-25T17:35:42Z)
• CipherSight: Robust Website Fingerprinting via Record-Resource Semantic Supervision under Distribution Shifts [5.86043296080285]
  HTTPSウェブサイトのフィンガープリントは、暗号化されたトラフィックで観測可能なメタデータから訪問したウェブサイトを識別することを目的としている。 既存の方法は、主に生のTCPパケットシーケンスから学習する。 我々は,堅牢なHTTPS WFのためのTLS-recordベースの階層型フレームワークであるCipherSightを提案する。
  論文  参考訳（メタデータ） (2026-08-14T03:17:57Z)
• ActiveFlowMark: Assessing Tor Anonymity under Active Bandwidth Watermarking [34.15634406550005]
  Torのような低遅延匿名ネットワークは、インフラストラクチャレベルのトラフィック分析に弱いままである。 非侵襲的なアクティブトラフィック相関解析アルゴリズムであるNATAを導入する。 制御された帯域幅の摂動を通じて、トラフィックフローに区別可能なスループットパターンを注入する。
  論文  参考訳（メタデータ） (2026-05-07T08:57:57Z)
• COVTrack++: Learning Open-Vocabulary Multi-Object Tracking from Continuous Videos via a Synergistic Paradigm [59.26203051651017]
  C-TAOはOpen-Vocabulary Multi-Object Tracking (OVMOT)のための最初の連続アノテーション付きトレーニングセットである フレームワークボトルネックに対するCOVTrack++は,3つのモジュールによる検出とアソシエーションの双方向相互機構を実現するための相乗的フレームワークである。 TAOの実験では、新しいTAAは検証とテストセットで35.4%、30.5%に達し、新しいAssocAは4.8%、新しいLocAは5.8%向上した。
  論文  参考訳（メタデータ） (2026-03-25T07:20:27Z)
• 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)
• Redefining Website Fingerprinting Attacks With Multiagent LLMs [2.7117643001081437]
  Webサイトフィンガープリント(WFP)は、ディープラーニングモデルを使用して、暗号化されたネットワークトラフィックを分類し、訪問したWebサイトを推論する。 本研究は,利用者が同一ウェブサイト上でも非常に多様な行動を示し,個人間で異なる交通パターンを生じさせることを示す。
  論文  参考訳（メタデータ） (2025-09-15T21:17:04Z)
• Attack Smarter: Attention-Driven Fine-Grained Webpage Fingerprinting Attacks [10.525610722239152]
  Webサイトフィンガープリント(WF)攻撃は、トラフィックパターンを分析して、ユーザーが訪問しているWebサイトを推測することを目的としている。 WPFはWFを大規模環境に一般化し、異なるクラスと同じサイトのサブページをモデリングする。 我々は、ADWPFという、注意駆動のきめ細かいWPF攻撃を提案する。
  論文  参考訳（メタデータ） (2025-06-25T01:45:55Z)
• MIETT: Multi-Instance Encrypted Traffic Transformer for Encrypted Traffic Classification [59.96233305733875]
  トラフィックの分類は、セキュリティの脅威を検出し、ネットワーク管理を最適化するために不可欠である。 トークンレベルとパケットレベルの両方の関係をキャプチャするMulti-Instance Encrypted Traffic Transformer (MIETT)を提案する。 MIETTは5つのデータセットにまたがって結果を達成し、暗号化されたトラフィックの分類と複雑なネットワーク動作の理解の有効性を示す。
  論文  参考訳（メタデータ） (2024-12-19T12:52:53Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Location-Aware Self-Supervised Transformers [74.76585889813207]
  画像部品の相対的な位置を予測し,セマンティックセグメンテーションのためのネットワークを事前訓練する。 参照パッチのサブセットを問合せのサブセットにマスキングすることで,タスクの難しさを制御します。 実験により,この位置認識事前学習が,いくつかの難解なセマンティックセグメンテーションベンチマークに競合する表現をもたらすことが示された。
  論文  参考訳（メタデータ） (2022-12-05T16:24:29Z)
• Learning Spatio-Appearance Memory Network for High-Performance Visual Tracking [79.80401607146987]
  既存のオブジェクトトラッキングは通常、フレーム間の視覚的ターゲットにマッチするバウンディングボックスベースのテンプレートを学習する。 本稿では,局所時間メモリネットワークを備え,正確な時空間対応を学習するセグメンテーションに基づくトラッキングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-09-21T08:12:02Z)

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。