Fingerprintingové útoky na anonymizační systémy

Abstract

Táto diplomová práca sa zaoberá fingerprintigovými útokmi v anonymizačných systémoch, najmä v sieti Tor. Takýto útok bol navrhnutý a vykonaný v prostredí reálneho sveta s cieľom ukázať dopad chýb, ktoré sa nachádzali v predošlých štúdiách. Tri datasety zo zatvoreného sveta a jeden dataset z otvoreného sveta boli vytvorené a použité na trénovanie a testovanie N-shot learning klasifikátora. Prvý dataset bol získaný prehliadaním webových stránok webovým prehliadačom v predvolenej konfigurácii, druhý dataset bol získaný z rovnakej konfigurácie ale z inej krajiny a tretí dataset bol získaný prehliadaním webových stránok webovým prehliadačom so zapnutým rozšírením Adblock Plus a s nastaveným španielskym lokálom. V prípade, že bol klasifikátor trénovaný aj testovaný na prvom datasete, priemerná presnosť klasifikácie dosahovala 92%. Avšak ak bol klasifikátor trénovaný na prvom datasete a testovaný na druhom a treťom datasete, priemerná presnosť klasifikácie dosahovala 38,58% a 39,65% v danom poradí.This thesis deals with fingerprinting attacks in anonymization systems, mostly in the Tor network. Such an attack was designed and executed in a real-world environment, with an aim to show the impact of errors from previous studies. Three closed-world datasets and one open-world dataset were gathered and then used for training and testing of N-shot learning classifier. The first dataset was gathered by browsing websites with a web browser in the default configuration, the second dataset was gathered in the same configuration as in the first case, but from a different country, and the third dataset was gathered by browsing websites with a web browser with Adblock Plus plugin turned on and Spanish locale set. When both training and testing the classifier on the first dataset, the average accuracy of classification was 92%. However, when training the classifier on the first dataset and testing on the second and third dataset, the average accuracy of classification was 38,58% and 39,65% respectively.