Resumen

Este trabajo presenta un novedoso método de aumento de datos para ataques de huella digital de sitios web de poca cantidad de muestras (WF) en los que solo hay unas pocas muestras de entrenamiento por sitio web disponibles para la optimización del modelo de aprendizaje profundo. Avanzando más allá de los métodos anteriores de WF que dependen de representaciones de características diseñadas manualmente, alternativas más avanzadas de aprendizaje profundo demuestran que aprender representaciones de características automáticamente a partir de los datos de entrenamiento es superior. Sin embargo, esta ventaja está sujeta a la suposición de que existen muchas muestras de entrenamiento por sitio web, de lo contrario desaparecerá. Para abordar esto, presentamos un método agnóstico al modelo, eficiente y (HDA) que puede mejorar significativamente los métodos de ataque de WF profundos. HDA implica transformaciones de datos tanto dentro de la muestra como entre muestras que pueden utilizarse de manera armoniosa para expandir un pequeño conjunto de datos de entrenamiento a una colección arbitrariamente grande, abordando así de manera efectiva

• Materias:Cifrado de búsqueda Seguridad informática Reconstrucción virtual Detección de intrusos Sistema de programación
• Subjects:Search encryption Computer security Virtual reconstruction Intrusion detection Programming system
• Palabras claves:Nuevo método de aumento de datos; Ataque de huellas de sitios web de pocos disparos; Optimización de modelos de aprendizaje profundo; Agnóstico de modelos; Método HDA; Métodos de ataque profundo WF
• Keywords:Novel data augmentation method; Few-shot website fingerprinting attack; Deep learning model optimization; Model-agnostic; HDA method; Deep WF attacking methods