网站指纹攻击深度模型训练加速：上下文感知动态剪枝方法

《IEEE Access》：Context-Aware Dynamic Pruning (CADP): An Approach for Accelerating Model Training in Website Fingerprinting Attacks

　　

摘要：

网站指纹（WF）攻击通过分析加密网络流量的元数据来识别用户在Tor等匿名网络上浏览的网页。最先进的WF攻击依赖于深度学习（DL）模型来提取复杂的流量模式。然而，这些深度神经网络的拟合需要在大量epoch上进行迭代训练，在实验和流量漂移情况下的重新训练中形成了计算瓶颈。虽然现有研究关注输入序列截断和模型参数剪枝，但每个训练epoch中处理的跟踪数量仍未得到充分解决。由于WF数据集包含对同一监控网页的重复访问，在每个epoch中处理每一个充分训练的跟踪会引入不必要的计算重复，形成计算瓶颈。为了解决这一计算瓶颈，本研究提出了上下文感知动态剪枝（CADP），这是一种为WF模型设计的训练循环增强方法。CADP根据记录的训练损失动态选择每个epoch中处理的跟踪，缩放保留跟踪的梯度以保持无偏优化，并强制实施每网页的覆盖下限以防止少数类退化。在七个不同的WF攻击中评估（使用六个种子值），CADP将训练时间减少了10.8%至30.5%（平均减少21.4%，加速比为1.12x至1.44x），所有减少都在Holm-Bonferroni调整后的测试中得到统计确认（p < 0.001）。分类准确率差异在六个评估架构中保持在0.70个百分点以内，在HiFi-WF上为1.96个百分点（基准平均差异为-0.57个百分点）。通过在不改变神经网络架构的情况下加速模型拟合，CADP提供了一个即插即用的解决方案，缩短了WF研究中的实验周期。