PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.17462v1cs.LG

ResAware: 리소스 특권 지식 증류를 통한 교차 환경 웹사이트 지문 식별

ResAware: Cross-Environment Website Fingerprinting via Resource-Privileged Distillation

웹사이트 지문 식별(WF) 공격은 통제된 실험실 환경에서는 높은 정확도를 달성하지만, 시공간적 드리프트, 브라우저 이질성, 프록시 난독화 등으로 인해 실제 환경에서는 성능이 현저히 저하되는 경우가 많습니다. 이러한 한계는 환경적 교란에 대해 노이즈가 많고 매우 민감한 저수준 트래픽 특징에만 의존하기 때문에 발생합니다. 이 문제를 해결하기 위해 우리는 학습 풍부/추론 빈곤(training-rich/inference-poor) 비대칭 설정 하에서의 교차 환경 리소스 인식 지식 증류 프레임워크인 \textbf{ResAware}를 제안합니다. 구체적으로, ResAware는 리소스 수준 특징으로 교사 모델(teacher model)을 학습(training)시키고, 이기종 지식 증류(heterogeneous knowledge distillation)를 통해 생성된 특권 지식을 학생 모델(student model)로 증류(distillation)합니다. 배포 시점에 학생 모델은 암호화된 트래픽만을 사용하여 추론(inference)을 수행하므로 추가 비용이 발생하지 않습니다. 우리는 전 세계에 분산된 6개의 관측점에서 5개월 동안 수집된 160,000개 이상의 쌍으로 된 샘플을 포함하는 대규모 데이터셋(dataset)에서 ResAware를 평가했습니다. 결과는 ResAware가 다양한 WF 베이스라인의 교차 환경 견고성을 크게 향상시킴을 보여줍니다. 예를 들어 150일의 시간적 드리프트 하에서 ResAware는 Var-CNN의 F1-score를 $72.77\%$에서 $81.49\%$로, 오픈 월드(open-world) $TPR@1\%FPR$을 $22.40\%$에서 $27.20\%$로 향상시켰습니다. 우리의 결과는 리소스 수준 감독이 온라인 관찰 능력을 확장하지 않고도 WF 견고성을 향상시킴을 입증합니다.