ANFW Detection of the Tor Network Based on ResNet

इंटरनेट की विशाल, अदृश्य वास्तुकला में, एक ऐसी प्रणाली मौजूद है जिसे बातचीत को निजी रखने के लिए डिज़ाइन किया गया है, ठीक वैसे ही जैसे भरोसेमंद संदेशवाहकों की एक श्रृंखला के माध्यम से भेजे जाने वाले सीलबंद लिफाफों की एक कतार। यह टोर (Tor) नेटवर्क है, एक ऐसा उपकरण जो लोगों को यह बताए बिना संवाद करने की अनुमति देता है कि वे कौन हैं या वे कहाँ स्थित हैं। यह दुनिया भर के विभिन्न सर्वरों और एन्क्रिप्शन की कई परतों के माध्यम से डेटा को उछालकर (bounce करके) काम करता है, यह सुनिश्चित करते हुए कि कोई भी एकल पर्यवेक्षक एक ही समय में प्रेषक और प्राप्तकर्ता दोनों को देख सके। वर्षों से, यह प्रणाली पारंपरिक जासूसी विधियों का विरोध करने में उल्लेखनीय रूप से प्रभावी रही है, जो आमतौर पर संदेशों की सामग्री को पढ़ने या संदेश द्वारा लिए गए विशिष्ट पथ को ट्रैक करने का प्रयास करती हैं। हालाँकि, एक नए प्रकार का खतरा उभरा है जो संदेश को पढ़ने या कोड को तोड़ने का प्रयास नहीं करता है। इसके बजाय, यह बातचीत की लय को सूक्ष्म रूप से बदलने का प्रयास करता है, डेटा पैकेटों के समय (timing) को एक छिपे हुए संकेत में बदल देता है जिससे एक उपयोगकर्ता को उनके गंतव्य से जोड़ा जा सकता है।

शोधकर्ताओं को लंबे समय से पता था कि एन्क्रिप्टेड ट्रैफिक का भी एक धड़कन (heartbeat) होती है। हर बार जब एक कंप्यूटर एक अनुरोध भेजता है और एक उत्तर प्राप्त करता है, तो डेटा पैकेटों के बीच सूक्ष्म, प्राकृतिक अंतराल होते हैं। एक हमलावर इस स्थिति का लाभ उठाने के लिए इन पैकेटों में से कुछ में थोड़ा विलंब (delay) कर सकता है ताकि एक अद्वितीय, अदृश्य कोड को समाहित किया जा सके। यह तकनीक, जिसे 'एक्टिव नेटवर्क फ्लो वॉटरमार्किंग' (active network flow watermarking) कहा जाता है, संदेश की सामग्री को नहीं बदलती है, इसलिए एन्क्रिप्शन बरकरार रहता है, लेकिन यह समय के पैटर्न को इस तरह से बदल देती है जिसे केवल हमलावर ही पहचान सकता है। यदि एक हमलावर यात्रा की शुरुआत में इस पैटर्न को देख सकता है और फिर से अंत में, तो वह सिद्ध कर सकता है कि कौन किससे बात कर रहा है, जिससे प्रभावी रूप से उस गुमनामी को तोड़ दिया जाता है जिसकी रक्षा का वादा नेटवर्क करता है। रक्षकों के लिए चुनौती इन सूक्ष्म, कृत्रिम लयों को पहचानने की थी बिना यह जाने कि हमलावर का कोड वास्तव में कैसा दिखता है, जो कि एक कठिन कार्य है क्योंकि परिवर्तन इतने छोटे हैं कि उन्हें आसानी से सामान्य नेटवर्क भीड़ या देरी समझ लिया जा सकता है।

साउथईस्ट यूनिवर्सिटी, यूनिवर्सिटी ऑफ इलेक्ट्रॉनिक साइंस एंड टेक्नोलॉजी ऑफ चाइना और चाइना टेलीकॉम के शोधकर्ताओं की एक टीम ने समस्या को एक इमेज रिकग्निशन (छवि पहचान) कार्य की तरह मानकर इन छिपे हुए संकेतों को पकड़ने के लिए एक नई विधि विकसित की है। डेटा प्रवाह के विशिष्ट वॉटरमार्क को डिकोड करने या समय के हेरफेर के जटिल गणित को समझने के बजाय, उन्होंने डेटा प्रवाह के समग्र व्यवहार पर ध्यान केंद्रित किया। उन्होंने महसूस किया कि जबकि एक एकल विलंब यादृच्छिक शोर (random noise) जैसा लग सकता है, लेकिन उनकी एक श्रृंखला एक विशिष्ट पैटर्न बनाती है, ठीक वैसे ही जैसे एक उंगलियों के निशान (fingerprint)। कंप्यूटर के लिए इस पैटर्न को दृश्यमान बनाने के लिए, शोधकर्ताओं ने पहले वास्तविक टोर ट्रैफिक से डेटा एकत्र किया, जिसमें कई दिनों में लाखों पैकेटों को कैप्चर किया गया। उन्होंने इस डेटा से बीस-चार अलग-अलग मापन (measurements) निकाले, जैसे कि पैकेटों की कुल संख्या, बातचीत कितनी देर चली, और प्रत्येक पैकेट के बीच का औसत समय। फिर उन्होंने इन मापों को पैकेटों के बीच के वास्तविक समय अंतराल की एक लंबी श्रृंखला के साथ जोड़ दिया, जिससे एक एकल, लंबी संख्याओं की सूची बन गई जो संपूर्ण प्रवाह का वर्णन करती थी।

उनके दृष्टिकोण का चतुर हिस्सा इस लंबी संख्याओं की सूची को एक चित्र में बदलना था। उन्होंने संख्याओं को एक ग्रिड में व्यवस्थित किया और उन्हें एक ग्रेस्केल छवि में परिवर्तित किया, जहाँ प्रत्येक पिक्सेल की चमक डेटा के एक विशिष्ट मान का प्रतिनिधित्व करती थी। इस दृश्य प्रारूप में, सामान्य, अपरिवर्तित ट्रैफिक और छेड़छाड़ किए गए ट्रैफिक के बीच के सूक्ष्म अंतर स्पष्ट बनावट (textures) बन गए जिन्हें एक कंप्यूटर पहचानना सीख सकता है। उन्होंने इन छवियों को 'रेसिड्यूअल न्यूरल नेटवर्क' (residual neural network) नामक एक प्रकार के आर्टिफिशियल इंटेलिजेंस में फीड किया, जो विवरणों की कई परतों को देखकर जटिल पैटर्न सीखने के लिए डिज़ाइन किया गया है। इस प्रणाली को सामान्य बातचीत की "बनावट" और वॉटरमार्क के साथ चिह्नित की गई बातचीत की "बनावट" के बीच अंतर करने के लिए प्रशिक्षित किया गया था। हजारों छवियों पर इस प्रणाली को प्रशिक्षित करके, शोधकर्ताओं ने इसे उन संकेतों को पहचानने के लिए सिखाया जो हमले के स्पष्ट संकेत थे, चाहे हमलावर ने अपने संकेत को छिपाने के लिए किसी भी विशिष्ट विधि का उपयोग किया हो।

उनके प्रयोगों के परिणाम आश्चर्यजनक थे। चार अलग-अलग प्रकार के वॉटरमार्किंग हमलों के विरुद्ध परीक्षण किए जाने पर, सिस्टम ने उनमें से अधिकांश की सफलतापूर्वक पहचान की। तीन प्रकार के हमलों के लिए, सिस्टम ने 95 प्रतिशत से अधिक की सटीकता दर हासिल की, जिसका अर्थ है कि इसने लगभग हर बार वॉटरमार्क की उपस्थिति को सही ढंग से पहचाना। सबसे कठिन हमले के खिलाफ भी, जिसे बहुत कठिन से पता लगाने योग्य बनाया गया था, सिस्टम ने इसे 75 प्रतिशत बार खोजने में सफलता प्राप्त की, जो कि पिछले तरीकों की तुलना में एक महत्वपूर्ण सुधार है जो अक्सर इस विशिष्ट प्रकार के खतरे के साथ संघर्ष करते थे। शोधकर्ताओं ने अपने नए, छवि-आधारित सिस्टम की तुलना पुराने, अधिक पारंपरिक डेटा विश्लेषण तरीकों, जैसे कि सरल सांख्यिकीय जांच के विरुद्ध की। उन्होंने पाया कि जबकि पुराने तरीके तेज़ थे, वे कई सूक्ष्म हमलों को चूक गए। नया सिस्टम, हालांकि डेटा को संसाधित करने के लिए अधिक समय लेता है, उच्च स्तर की निश्चितता प्रदान करता है, जो यह सिद्ध करता है कि डेटा प्रवाह को एक दृश्य पैटर्न के रूप में देखना इन अदृश्य घुसपैठियों के विरुद्ध एक शक्तिशाली तरीका है।

यह कार्य इंटरनेट पर गोपनीयता की सुरक्षा के बारे में हमारी सोच में एक बदलाव का प्रतिनिधित्व करता है। हमलावर के विशिष्ट कोड का अनुमान लगाकर उसे मात देने के बजाय, नई विधि केवल इस तथ्य को देखती है कि कुछ बदला है। यह नेटवर्क ट्रैफिक को एक स्वाभाविक लय वाली जीवित चीज़ के रूप में मानती है और उस क्षण को सुनती है जब उस लय को कृत्रिम रूप से बदला जाता है। हालांकि यह प्रणाली अभी पूर्ण नहीं है और इसे पुराने उपकरणों की तुलना में अधिक कंप्यूटिंग शक्ति की आवश्यकता है, यह प्रदर्शित करती है कि डीप लर्निंग का उपयोग उन तरीकों से गुमनामी की रक्षा के लिए किया जा सकता है जो पहले असंभव थे। शोधकर्ताओं ने पुष्टि की कि डेटा को छवियों में बदलकर, वे ऐसे पैटर्न को उजागर कर सकते थे जो मानक विश्लेषण के लिए अदृश्य थे, जिससे उन लोगों के लिए सुरक्षा की एक नई परत प्रदान होती है जो अपनी बातचीत को निजी रखने के लिए टोर नेटवर्क पर भरोसा करते हैं। अध्ययन बताता है कि जब तक हमलावर डेटा के समय में अपने पदचिह्नों को छिपाने का प्रयास करेंगे, रक्षक पैटर्न रिकग्निशन की शक्ति का उपयोग उन्हें खोजने के लिए कर सकते हैं, जिससे नेटवर्क के व्यवहार की प्रकृति को ही एक ढाल में बदल दिया जाएगा।