Amoeba: Circumventing ML-supported Network Censorship via Adversarial Reinforcement Learning

📄 arXiv: 2310.20469v1 📥 PDF

作者: Haoyu Liu, Alec F. Diallo, Paul Patras

分类: cs.CR, cs.LG, cs.NI

发布日期: 2023-10-31

DOI: 10.1145/3629131

💡 一句话要点

提出Amoeba以解决机器学习支持的网络审查问题

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

关键词: 对抗性学习 网络审查 强化学习 流量生成 机器学习 隐私保护 信息自由

📋 核心要点

  1. 现有的反审查方法难以生成与正常流量相似的流量，导致被机器学习分类器识别。
  2. 论文提出的Amoeba算法通过强化学习生成对抗流量，能够有效欺骗审查分类器。
  3. 实验表明，Amoeba在多种机器学习模型下的攻击成功率高达94%，且具有良好的迁移性。

📝 摘要（中文）

在这篇论文中，作者提出了一种新的对抗性强化学习算法Amoeba，旨在通过生成与正常网络活动统计特征相似的流量，来规避基于机器学习的网络审查。现有的反审查系统面临着机器学习技术的挑战，这些技术能够识别流量中的统计模式。Amoeba通过与审查分类器交互，生成对抗流量，实验结果显示其在多种机器学习算法下的攻击成功率达94%。此外，这些对抗流量在不同网络环境中表现出鲁棒性，并且能够跨多种机器学习模型迁移，显示出良好的适应性。

🔬 方法详解

问题定义：本论文旨在解决如何生成与正常网络流量统计特征相似的对抗流量，以规避基于机器学习的网络审查。现有方法在面对机器学习技术时，难以有效隐藏流量特征，导致被识别。

核心思路：Amoeba算法将寻找对抗流量的过程视为一个序列生成任务，通过与审查分类器的交互来优化生成的流量，从而实现对抗性攻击。这样的设计使得算法能够在不需要了解分类器模型结构的情况下进行有效的流量生成。

技术框架：Amoeba的整体架构包括数据采集、流量生成和分类器反馈三个主要模块。首先，算法通过观察分类器的决策来获取反馈，然后利用这些反馈指导流量生成过程。

关键创新：Amoeba的主要创新在于其无模型知识的对抗生成能力，通过与分类器的实时交互来优化流量生成，这与传统的静态生成方法有本质区别。

关键设计：在参数设置上，Amoeba使用了特定的损失函数来衡量生成流量与正常流量的相似度，同时采用了强化学习中的策略优化方法来不断调整生成策略。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，Amoeba在多种机器学习算法下的攻击成功率高达94%，并且在不同网络环境中表现出良好的鲁棒性。此外，该算法的对抗流量在不同模型间具有迁移性，意味着一旦训练完成，可以有效对抗其他审查分类器，无需重新训练。

🎯 应用场景

该研究的潜在应用领域包括网络安全、隐私保护和信息自由流通等。Amoeba算法能够为用户提供更安全的网络通信方式，帮助用户在受限环境中访问信息，具有重要的社会价值和实际意义。未来，该技术可能会影响网络审查的对抗策略，推动更广泛的反审查技术发展。

📄 摘要（原文）

Embedding covert streams into a cover channel is a common approach to circumventing Internet censorship, due to censors' inability to examine encrypted information in otherwise permitted protocols (Skype, HTTPS, etc.). However, recent advances in machine learning (ML) enable detecting a range of anti-censorship systems by learning distinct statistical patterns hidden in traffic flows. Therefore, designing obfuscation solutions able to generate traffic that is statistically similar to innocuous network activity, in order to deceive ML-based classifiers at line speed, is difficult. In this paper, we formulate a practical adversarial attack strategy against flow classifiers as a method for circumventing censorship. Specifically, we cast the problem of finding adversarial flows that will be misclassified as a sequence generation task, which we solve with Amoeba, a novel reinforcement learning algorithm that we design. Amoeba works by interacting with censoring classifiers without any knowledge of their model structure, but by crafting packets and observing the classifiers' decisions, in order to guide the sequence generation process. Our experiments using data collected from two popular anti-censorship systems demonstrate that Amoeba can effectively shape adversarial flows that have on average 94% attack success rate against a range of ML algorithms. In addition, we show that these adversarial flows are robust in different network environments and possess transferability across various ML models, meaning that once trained against one, our agent can subvert other censoring classifiers without retraining.