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

📄 arXiv: 2606.17462v1 📥 PDF

作者: Chongru Fan, Wei Wang, Wentao Huang, Zhenquan Ding, Jinqiao Shi, Lei Cui, Zhiyu Hao, Xiaochun Yun

分类: cs.LG, cs.NI

发布日期: 2026-06-16

备注: 18 pages, 9 figures

💡 一句话要点

提出ResAware以解决跨环境网站指纹识别的鲁棒性问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 网站指纹识别 资源感知 知识蒸馏 跨环境鲁棒性 网络安全

📋 核心要点

  1. 现有网站指纹识别方法在真实环境中表现不佳，主要受限于低级流量特征的噪声和环境扰动的敏感性。
  2. ResAware通过资源级特征训练教师模型，并将知识蒸馏到学生模型中，旨在提升跨环境的鲁棒性。
  3. 在大规模数据集上，ResAware显著提高了WF基线的性能，例如在150天的时间漂移下，Var-CNN的F1-score从72.77%提升至81.49%。

📝 摘要（中文）

尽管网站指纹识别（WF）攻击在受控实验室环境中表现出高准确率，但在真实环境中由于时空漂移、浏览器异构性和代理混淆等因素，性能显著下降。为了解决这一问题，本文提出了ResAware，一个在训练丰富/推理贫乏的非对称设置下的跨环境资源感知蒸馏框架。ResAware通过资源级特征训练教师模型，并通过异构知识蒸馏将获得的特权知识提炼到学生模型中。部署时，学生模型仅使用加密流量进行推理，且不产生额外成本。实验结果表明，ResAware显著增强了多种WF基线的跨环境鲁棒性。

🔬 方法详解

问题定义：本文旨在解决网站指纹识别在真实环境中鲁棒性不足的问题，现有方法主要依赖于低级流量特征，易受环境变化影响，导致准确率下降。

核心思路：ResAware的核心思路是通过资源级特征训练教师模型，并将其知识蒸馏到学生模型中，从而在推理阶段仅依赖加密流量，避免了额外的观察成本。

技术框架：ResAware框架包括教师模型和学生模型两个主要模块。教师模型负责提取资源级特征并进行训练，学生模型则通过知识蒸馏获取教师模型的知识，在推理时仅使用加密流量进行预测。

关键创新：ResAware的创新在于引入资源感知蒸馏机制，使得模型在不同环境下保持高鲁棒性，克服了传统方法的局限性。

关键设计：在模型设计中，采用了异构知识蒸馏技术，确保学生模型能够有效吸收教师模型的知识，同时在损失函数的设计上，强调了资源级特征的重要性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，ResAware在跨环境鲁棒性方面表现优异。例如，在150天的时间漂移下，Var-CNN的F1-score从72.77%提升至81.49%，而开放世界的TPR@1%FPR从22.40%提升至27.20%，显著提高了模型的性能。

🎯 应用场景

该研究的潜在应用领域包括网络安全、隐私保护和流量分析等。通过提升网站指纹识别的鲁棒性，ResAware可以有效防止用户身份泄露，增强网络通信的安全性，具有重要的实际价值和未来影响。

📄 摘要（原文）

While Website Fingerprinting (WF) attacks achieve high accuracy in controlled laboratory settings, they often degrade substantially in real-world environments due to spatio-temporal drift, browser heterogeneity, proxy obfuscation and etc. This limitation stems from their sole reliance on low-level traffic features that are noisy and highly sensitive to environmental perturbations. To address this problem, we propose \textbf{ResAware}, a cross-environment resource-aware distillation framework under a \textit{training-rich/inference-poor} asymmetric setting. Specifically, ResAware trains a teacher model on resource-level features, and then distills the resulting privileged knowledge into a student model through heterogeneous knowledge distillation. At deployment time, the student model performs inference using only encrypted traffic, incurring zero additional cost. We evaluate ResAware on a large-scale dataset collected over five months from six globally distributed vantage points, comprising more than $160{,}000$ paired samples. The results show that ResAware significantly enhances the cross-environment robustness of diverse WF baselines. Under a 150-day temporal drift, for example, ResAware improves the F1-score of Var-CNN from $72.77\%$ to $81.49\%$ and the open-world $TPR@1\%FPR$ from $22.40\%$ to $27.20\%$. Our results demonstrate that resource-level supervision improves WF robustness without expanding online observation capabilities.