ANFW Detection of the Tor Network Based on ResNet

Nell'immensa e invisibile architettura di Internet, esiste un sistema progettato per mantenere le conversazioni private, molto simile a una serie di buste sigillate passate attraverso una catena di corrieri fidati. Questa è la rete Tor, uno strumento che permette alle persone di comunicare senza rivelare chi sono o dove si trovano. Funziona rimbalzando i dati attraverso molteplici livelli di crittografia e diversi server in tutto il mondo, garantendo che nessun osservatore possa vedere contemporaneamente sia il mittente che il destinatario. Per anni, questo sistema è stato straordinariamente efficace nel resistere ai metodi di spionaggio tradizionali, che di solito cercano di leggere il contenuto dei messaggi o di tracciare il percorso specifico seguito da un messaggio. Tuttavia, è emersa una nuova sorta di minaccia che non cerca di leggere il messaggio o di violare il codice. Al contrario, tenta di alterare sottilmente il ritmo stesso della conversazione, trasformando la temporizzazione dei pacchetti di dati in un segnale nascosto che può collegare un utente alla sua destinazione.

I ricercatori sanno da tempo che anche il traffico criptato ha un battito cardiaco. Ogni volta che un computer invia una richiesta e riceve una risposta, ci sono minuscole pause naturali tra i pacoli di dati. Un attaccante può sfruttare questo aspetto ritardando leggermente alcuni di questi pacchetti per incorporare un codice unico e invisibile. Questa tecnica, nota come watermarking attivo del flusso di rete, non cambia il contenuto del messaggio, quindi la crittografia rimane intatta, ma modifica il modello temporale in un modo che solo l'attaccante può riconoscere. Se un attaccante riesce a vedere questo schema all'inizio del viaggio e di nuovo alla fine, può dimostrare chi sta parlando con chi, rompendo efficacemente l'anonimato che la rete promette di proteggere. La sfida per i difensori è stata quella di individuare questi ritmi sottili e artificiali senza sapere esattamente quale sia il codice dell'attaccante, un compito difficile perché le variazioni sono così piccole da poter essere facilmente scambiate per normale congestione o ritardi di rete.

Un team di ricercatori della Southeast University, della University of Electronic Science and Technology of China e di China Telecom ha sviluppato un nuovo metodo per intercettare questi segnali nascosti trattando il problema come un compito di riconoscimento delle immagini. Piuttosto che cercare di decodificare il watermark specifico o comprendere la complessa matematica di come la temporizzazione sia stata alterata, si sono concentrati sul comportamento complessivo del flusso di dati. Si sono resi conto che, sebbene un singolo ritardo possa sembrare rumore casuale, una serie di essi crea un modello distinto, proprio come un'impronta digitale. Per rendere questo schema visibile a un computer, i ricercatori hanno prima raccolto dati dal traffico reale di Tor, catturando milioni di pacchetti nell'arco di diversi giorni. Hanno estratto ventiquattro misurazioni diverse da questi dati, come il numero totale di pacchetti, la durata della conversazione e il tempo medio tra ogni pacchetto. Hanno poi combinato queste misurazioni con una lunga sequenza degli intervalli di tempo effettivi tra i pacchetti, creando una singola e lunga lista di numeri che descrive l'intero flusso.

La parte intelligente del loro approccio è stata trasformare questa lunga lista di numeri in un'immagine. Hanno disposto i numeri in una griglia e li hanno convertiti in un'immagine in scala di grigi, dove la luminosità di ogni pixel rappresentava un valore specifico del dato. In questo formato visivo, le sottili differenze tra il traffico normale e non alterato e il traffolo che è stato manomesso sono diventate texture chiare che un computer poteva imparare a riconoscere. Hanno inserito queste immagini in un tipo di intelligenza artificiale chiamato rete neurale residua, un sistema progettato per apprendere modelli complessi osservando molti livelli di dettaglio. Questo sistema è stato addestrato per distinguere la "texture" di una conversazione normale dalla "texture" di una che è stata contrassegnata da un watermark. Addestrando il sistema su migliaia di queste immagini, i ricercatori gli hanno insegnato a individuare i segni rivelatori di un attacco, indipendentemente dal metodo specifico utilizzato dall'attaccante per nascondere il proprio segnale.

I risultati dei loro esperimenti sono stati sorprendenti. Quando testato contro quattro diversi tipi di attacchi di watermarking, il sistema ha identificato con successo la stragrande maggioranza di essi. Per tre dei metodi di attacco, il sistema ha raggiunto un tasso di accuratezza superiore al 95 percento, il che significa che ha identificato correttamente la presenza di un watermark quasi ogni volta. Anche contro l'attacco più difficile, che era stato progettato per essere molto arduo da rilevare, il sistema è comunque riuscito a trovarlo nel 75 percento dei casi, un miglioramento significativo rispetto ai metodi precedenti che spesso faticavano con questo specifico tipo di minaccia. I ricercatori hanno anche confrontato il loro nuovo sistema basato sulle immagini con i modi più vecchi e tradizionali di analizzare i dati, come i semplici controlli statistici. Hanno scoperto che, sebbene i metodi più vecchi fossero più veloci, perdevano molti degli attacchi sottili. Il nuovo sistema, pur richiedendo più tempo per elaborare i dati, forniva un livello di certezza molto più elevato, dimostrando che guardare al flusso di dati come a un modello visivo è un modo potente per difendersi da queste intrusioni invisibili.

Questo lavoro rappresenta un cambiamento nel modo in cui pensiamo alla protezione della privacy su Internet. Inve로 di cercare di superare in astuzia un attaccante indovinando il suo codice specifico, il nuovo metodo si limita a cercare il fatto che qualcosa sia cambiato. Tratta il traffico di rete come un organismo vivente con un ritmo naturale e ascolta il momento in cui quel ritmo viene artificialmente alterato. Sebbene il sistema non sia ancora perfetto e richieda più potenza di calcolo rispetto agli strumenti più vecchi, dimostra che il deep learning può essere utilizzato per difendere l'anonimato in modi che prima erano impossibili. I ricercatori hanno confermato che, trasformando i dati in immagini, potevano scoprire modelli che erano invisibili all'analisi standard, offrendo un nuovo livello di sicurezza per coloro che si affidano alla rete Tor per mantenere private le proprie comunicazioni. Lo studio suggerisce che finché gli attaccanti cercheranno di nascondere le loro tracce nella temporizzazione dei dati, i difensori potranno usare il potere del riconoscimento di pattern per trovarli, trasformando la natura stessa del comportamento della rete in uno scudo.