Resumen

Este trabajo presenta un nuevo mtodo de aumento de datos para el ataque de huellas dactilares de sitios web de pocos disparos (WF) en el que solo se dispone de un puado de muestras de entrenamiento por sitio web para la optimizacin del modelo de aprendizaje profundo. Ms all de los mtodos anteriores de WF que dependen de representaciones de caractersticas diseadas manualmente, las alternativas de aprendizaje profundo ms avanzadas demuestran que el aprendizaje de representaciones de caractersticas automticamente a partir de los datos de entrenamiento es superior. No obstante, esta ventaja est sujeta a la suposicin de que existen muchas muestras de entrenamiento por sitio web, que de otro modo desapareceran. Para hacer frente a esto, introducimos un mtodo agnstico del modelo, eficiente y (HDA) que puede mejorar significativamente los mtodos de ataque de WF profundo. HDA implica transformaciones de datos tanto intramuestrales como intermuestrales que pueden utilizarse de forma armoniosa para ampliar un conjunto de datos de entrenamiento minsculo a una coleccin arbitrariamente grande, abordando as de forma eficaz y explcita el problema intrnseco de la escasez de datos. Llevamos a cabo costosos experimentos para validar nuestro HDA para potenciar modelos de ataque WF de aprendizaje profundo de ltima generacin en escenarios de ataque tanto de mundo cerrado como de mundo abierto, en ausencia y presencia de una fuerte defensa. Por ejemplo, en el escenario de evaluacin ms desafiante y realista con defensa basada en WTF-PAD, nuestro mtodo HDA supera los resultados anteriores del estado del arte en casi un 3% en precisin de clasificacin en el caso de aprendizaje de 20 disparos. Una versin anterior de este trabajo Chen et al. (2021) se ha presentado como preprint en ArXiv ().

• Materias:Cifrado de búsqueda Seguridad informática Reconstrucción virtual Detección de intrusos Sistema de programación
• Subjects:Search encryption Computer security Virtual reconstruction Intrusion detection Programming system
• Palabras claves:Nuevo método de aumento de datos; Ataque de huellas de sitios web de pocos disparos; Optimización de modelos de aprendizaje profundo; Agnóstico de modelos; Método HDA; Métodos de ataque profundo WF
• Keywords:Novel data augmentation method; Few-shot website fingerprinting attack; Deep learning model optimization; Model-agnostic; HDA method; Deep WF attacking methods