近些年，使用机器学习方法对Tor网络中的站点进行网站指纹分析十分流行，比较经典的方法有Wang-kNN[1]、CUMUL[2]和k-Fingerprinting[3]，深度学习的方法也用在了网站指纹分析上[4]。这些已有的方法都是在Tor的入口节点上进行监控和数据收集的，而本文提出了在Tor的中间节点来进行分析。

从普通网络进入Tor网络一般需要三跳，分别对应着入口节点、中间节点和出口节点。入口节点直接与客户端相连，是进入Tor网络的第一步；出口节点直接与网站相连，对于明文传输的HTTP流量，能直接看到数据的内容；而中间节点既看不到用户，也看不到服务端。因此，以往的工作都是针对入口节点和出口节点进行分析的，而忽略了中间节点。

作者认为，要成为入口节点，中继服务器需要比中间节点和出口节点更稳定，在线时间更长；而由于客户端设置，每2-3个月就需要更换入口节点，因此其效率较低；在达到稳定状态这段时间里（通常为3个月），通过的流量相对较少，也不利于进行流量分析。对于出口节点，尽管它与Tor外部网络相连，但由于流量限制，它不会被选做onion服务的路径节点，因此也不符合作者对Tor网络测量的要求。而中间节点则有很多优势。客户端会为每一个Tor链路选择一个新的中间节点，选择的依据是中间节点的带宽；中间节点也没有特殊的中继要求，能够得到充分利用（对比入口节点）；而中间节点得到的也是所有Tor使用者的一个统计抽样。因此，作者选择中间节点进行实验。

作者在中间节点部署了流量监控，采用[1][2][3]中的网站指纹方法和机器学习中常规的评估方法对onion服务中的网站指纹和链路指纹[5]进行了封闭环境和开放环境的对比实验，发现这些网站指纹方法仍然适用（图2），onion服务也能”被指纹”。作者进一步研究了onion服务的使用程度，为了保护用户隐私，用onion中的社交网站服务作为训练集，测试得到onion服务大概占Tor网络的1% ~ 1.5%（图3）。

作者在进行实验之初就一直考虑着实验的道德与隐私问题，并为此咨询了Tor的设计团队，因此实验数据会比实际情况更低。同样的方法，如果是有足够资源的一方来进行实验，可能会得到更多更精确的结果。而作者在中间节点进行实验也提醒了我们，想当然的结果并不可靠，绝知此事还是要躬行。

参考文献：

[1] T. Wang, X. Cai, R. Nithyanand, R. Johnson, and I. Goldberg, “Effective Attacks and Provable Defenses for Website Fingerprinting,” in USENIX Security Symposium. USENIX Association, 2014, pp. 143–157.

[2] A. Panchenko, F. Lanze, A. Zinnen, M. Henze, J. Pennekamp, K.Wehrle, T. Engel, “Website fingerprinting at internet scale,” in Network & Distributed System Security Symposium (NDSS). IEEE Computer Society, 2016, pp. 1–15.

[3] J. Hayes and G. Danezis, “k-fingerprinting: a Robust Scalable Website Fingerprinting Technique,” in USENIX Security Symposium. USENIX Association, 2016, pp. 1–17.

[4] Rimmer, Vera, et al. “Automated Website Fingerprinting through Deep Learning.” in Network and Distributed System Security Symposium 2018.

[5] Kwon, Albert, et al. “Circuit fingerprinting attacks: passive deanonymization of tor hidden services.” Usenix Conference on Security Symposium USENIX Association, 2015:287-302.

（论文原文：Rob Jansen, Marc Juarez, Rafa G´alvez, Tariq Elahi, Claudia Diaz. Inside Job: Applying Traffic Analysis to Measure Tor from Within. NDSS 2018. https://www.ndss-symposium.org/ndss2018/programme/）

（本文完成于2018年6月29日，2018年6月29日首发于ArkTeam）