ANFW Detection of the Tor Network Based on ResNet

In der riesigen, unsichtbaren Architektur des Internets existiert ein System, das darauf ausgelegt ist, Gespräche privat zu halten, ganz ähnlich wie eine Serie versiegelter Umschläge, die durch eine Kette vertrauenswürdiger Kuriere weitergereicht werden. Dies ist das Tor-Netzwerk, ein Werkzeug, das es Menschen ermöglicht, zu kommunizieren, ohne preiszugeben, wer sie sind oder wo sie sich befinden. Es funktioniert, indem Daten durch mehrere Schichten von Verschlüsselung und verschiedene Server auf der ganzen Welt geleitet werden, wodurch sichergestellt wird, dass kein einzelner Beobachter gleichzeitig sowohl den Absender als auch den Empfänger sehen kann. Jahrelang war dieses System bemerkenswert effektiv darin, traditionelle Spionagemethoden zu widerstehen, die normalerweise versuchen, den Inhalt von Nachrichten zu lesen oder den spezifischen Pfad zu verfolgen, den eine Nachricht nimmt. Doch eine neue Art von Bedrohung ist aufgetaucht, die nicht versucht, die Nachricht zu lesen oder den Code zu knacken. Stattdessen versucht sie, den Rhythmus des Gesprächs selbst subtil zu verändern, indem sie das Timing der Datenpakete in ein verstecktes Signal verwandelt, das einen Nutzer mit seinem Ziel verknüpfen kann.

Forscher wussten schon lange, dass selbst verschlüsselter Datenverkehr einen Herzschlag hat. Jedes Mal, wenn ein Computer eine Anfrage sendet und eine Antwort erhält, gibt es winzige, natürliche Pausen zwischen den Datenpaketen. Ein Angreifer kann dies ausnutzen, indem er einige dieser Pakete leicht verzögert, um ein einzigartiges, unsichtbares Code zu betten. Diese Technik, bekannt als aktives Netzwerkfluss-Wasserzeichen (active network flow watermarking), verändert nicht den Inhalt der Nachricht, sodass die Verschlüsselung intakt bleibt, aber sie verändert das Timing-Muster auf eine Weise, die nur der Angreifer erkennen kann. Wenn ein Angreifer dieses Muster am Anfang der Reise und erneut am Ende sehen kann, kann er beweisen, wer mit wem spricht, und damit die Anonymität brechen, die das Netzwerk zu schützen verspricht. Die Herausforderung für die Verteidiger bestand darin, diese subtilen, künstlichen Rhythmen zu erkennen, ohne genau zu wissen, wie der Code des Angreifers aussieht – eine Aufgabe, die schwierig ist, da die Veränderungen so gering sind, dass sie leicht mit normaler Netzwerküberlastung oder Verzögerungen verwechselt werden können.

Ein Team von Forschern der Southeast University, der University of Electronic Science and Technology of China und China Telecom hat eine neue Methode entwickelt, um diese verborgenen Signale zu erfassen, indem sie das Problem wie eine Bilderkennungsaufgabe behandelt. Anstatt zu versuchen, das spezifische Wasserzeichen zu dekodieren oder die komplexe Mathematik dahinter zu verstehen, wie das Timing verändert wurde, konzentrierten sie sich auf das Gesamtverhalten des Datenflusses. Sie erkannten, dass ein einzelner Verzug zwar wie zufälliges Rauschen aussehen mag, eine Serie von Verzögerungen jedoch ein deutliches Muster erzeugt, ganz ähnlich wie ein Fingerabdruck. Um dieses Muster für einen Computer sichtbar zu machen, sammelten die Fors-cher zunächst Daten aus echtem Tor-Verkehr und erfassten dabei Millionen von Paketen über mehrere Tage hinweg. Sie extrahierten vierundzwanzig verschiedene Messwerte aus diesen Daten, wie etwa die Gesamtzahl der Pakete, die Dauer des Gesprächs und die durchschnittliche Zeit zwischen jedem Paket. Sie kombinierten diese Messwerte dann mit einer langen Sequenz der tatsächlichen Zeitintervalle zwischen den Paketen und erstellten so eine einzige, lange Liste von Zahlen, die den gesamten Fluss beschrieb.

Der clevere Teil ihres Ansatzes war es, diese lange Liste von Zahlen in ein Bild zu verwandeln. Sie ordneten die Zahlen in einem Gitter an und konvertierten sie in ein Graustufenbild, wobei die Helligkeit jedes Pixels einen spezifischen Wert aus den Daten repräsentierte. In diesem visuellen Format wurden die subtilen Unterschiede zwischen normalem, unverändertem Verkehr und manipuliertem Verkehr zu klaren Texturen, die ein Computer lernen konnte zu erkennen. Sie speisten diese Bilder in eine Art künstliche Intelligenz ein, ein Residual Neural Network, ein System, das darauf ausgelegt ist, komplexe Muster durch das Betrachten vieler Detailschichten zu erlernen. Dieses System wurde darauf trainiert, zwischen der „Textur“ eines normalen Gesprächs und der „Textur“ eines mit einem Wasserzeichen markierten Gesprächs zu unterscheiden. Durch das Training des Systems an tausenden dieser Bilder brachten die Forscher ihm bei, die Anzeichen eines Angriffs zu erkennen, unabhängig von der spezifischen Methode, mit der der Angreifer sein Signal verborgen hat.

Die Ergebnisse ihrer Experimente waren beeindruckend. Bei Tests gegen vier verschiedene Arten von Wasserzeichen-Angriffen identifizierte das System die überwiegende Mehrheit von ihnen erfolgreich. Bei drei der Angriffsmethoden erreichte das System eine Genauigkeitsrate von über 95 Prozent, was bedeutet, dass es die Anwesenheit eines Wasserzeichens fast jedes Mal korrekt identifizierte. Selbst gegen den schwierigsten Angriff, der darauf ausgelegt war, sehr schwer zu entdecken zu sein, gelang es dem System dennoch, ihn in 75 Prozent der Fälle zu finden, was eine signifikante Verbesserung gegenüber früheren Methoden darstellt, die oft mit dieser speziellen Art von Bedrohung zu kämpfen hatten. Die Forscher verglichen ihr neues bildbasiertes System auch mit älteren, eher traditionellen Wegen der Datenanalyse, wie etwa einfachen statistischen Prüfungen. Sie fanden heraus, dass die älteren Methoden zwar schneller waren, aber viele der subtilen Angriffe übersahen. Das neue System benötigt zwar mehr Zeit für die Datenverarbeitung, bietet aber ein viel höheres Maß an Gewissheit und beweist, dass das Betrachten des Datenflusses als visuelles Muster ein mächtiger Weg ist, um gegen diese unsichtbaren Eindringlinge vorzugehen.

Diese Arbeit stellt eine Verschiebung in der Art und Weise dar, wie wir über den Schutz der Privatsphäre im Internet nachdenken. Anstatt zu versuchen, einen Angreifer zu überlisten, indem man dessen spezifischen Code errät, sucht die neue Methode einfach nach der Tatsache, dass sich etwas verändert hat. Sie betrachtet den Netzwerkverkehr als ein lebendiges Wesen mit einem natürlichen Rhythmus und lauscht in dem Moment, in dem dieser Rhythmus künstlich verändert wird. Obwohl das System noch nicht perfekt ist und mehr Rechenleistung als ältere Werkzeuge benötigt, zeigt es, dass Deep Learning dazu verwendet werden kann, die Anonymität auf eine Weise zu verteidigen, die zuvor unmöglich war. Die Forscher bestätigten, dass sie durch die Transformation von Daten in Bilder Muster aufdecken konnten, die für die Standardanalyse unsichtbar waren, und boten so eine neue Sicherheitsebene für diejenigen, die auf das Tor-Netzwerk angewiesen sind, um ihre Kommunikation privat zu halten. Die Studie legt nahe, dass solange Angreifer versuchen, ihre Spuren im Timing der Daten zu verbergen, Verteidiger die Kraft der Mustererkennung nutzen können, um sie zu finden, und so die Natur des Netzwerks selbst in einen Schutzschild verwandeln können.