本论文研究了一种针对 Tor 匿名通信协议的破坏性攻击方式，利用“描述符洪泛”（Descriptor Flood）现象击穿 Tor 的匿名保障。在 Tor 架构中，隐藏服务（如洋葱服务）通过描述符注册到分布式目录节点（HSDir），客户端依靠这些描述符获取服务入口。论文观察到描述符的传播与获取过程存在不对称可能：攻击者能够生成或扩散大量伪造/冗余的描述符记录，导致 HSDir 节点在存储、同步与查询响应上的资源被大量占据，进而对真实描述符的可见性和路径选择产生偏差。攻击者可利用该偏差作为侧信道，将访问者来源或目标与特定描述符使用行为关联起来，从而实施去匿名化、跟踪或联合监控。研究在理论层面系统分析了此类洪泛攻击的可行性、触发条件与影响范围，并可能通过仿真评估对 Tor 匿名性指标的损害。文章进一步探讨了防御方法，包括调整目录协议以限制洪泛影响、加强描述符合法性验证，以及提高 HSDir 选择的鲁棒性。由于原始文档仅提供标题与作者信息，以上概括基于 Tor 通识和该题目中的线索进行推断，具体实验细节未确认。

本文针对Tor匿名网络中的网页指纹识别（Website Fingerprinting, WF）攻击在细粒度场景下的局限性展开研究。传统WF攻击通常只能区分不同网站，但当需要识别同一网站内的不同子页面（即网页指纹，WebPage Fingerprinting, WPF）时，由于这些页面产生的加密流量模式高度相似，攻击准确率显著下降。此外，真实场景中客户端往往并发访问多个网页，进一步增加了从混合流量中分离单个网页流量模式的难度。针对上述问题，作者提出了一种名为Oscar的攻击方法，其核心思路是基于多标签度量学习（multi-label metric learning）对特征空间进行变换，从而从混淆流量中提取不同网页的细微差异。Oscar的关键技术在于将基于代理（proxy-based）和基于样本（sample-based）的度量学习损失函数相结合，以有效学习网页特征并同时识别多个目标网页。作者在真实环境中采集了1000个受监控网页和超过9000个未受监控网页的流量数据，对Oscar进行了原型实现和性能评估。实验结果表明，与最先进的攻击方法相比，Oscar在多标签度量Recall@5指标上实现了88.6%的提升。这项研究揭示了现有WF防御在细粒度场景下的脆弱性，为匿名通信系统的隐私保护研究提供了新的视角。

这篇论文针对 Tor 匿名网络性能研究的实验方法论提出批判与改进。以往研究在评估 Tor 性能改进方案时，通常只对标准 Tor 和每个研究变体各运行一次模拟，然后直接根据单次模拟的观测结果下结论。然而，由于模拟是在抽样生成的 Tor 网络中进行的，抽样误差本身就可能导致观测到的效果，因此未考虑统计显著性的结论在实践意义上值得怀疑。作者为此构建了改进 Tor 实验方法的基础。首先，他们提出一种新的 Tor 网络建模方法，能够生成更具代表性的 Tor 网络；同时开发了新的改进型实验工具，使 Tor 模拟运行速度更快、规模更大。作者展示的模拟实验包含 6,489 个中继和 79.2 万同时在线用户，这是目前已知最大规模的 Tor 网络模拟，也是首次达到 100% 网络规模的模拟。其次，他们提出了新的统计方法论，用于：（i）证明必须在独立抽样的多个网络中运行多次模拟，才能获得有信息量的结果；（ii）展示如何利用多次模拟的结果进行可靠的统计推断。论文通过一个包含 420 次模拟的案例研究，演示了如何将新方法应用于具体的 Tor 实验，并分析其结果。该研究对于 Tor 性能改进领域的实证研究具有重要的方法学指导意义，有助于提升 Tor 实验结论的可信度和可复现性。适合 Tor 开发者、匿名通信研究人员以及关注网络实验统计严谨性的安全工程师阅读。

本论文针对 Tor 网站指纹识别（WF）攻击提出一种鲁棒防御方法 Chameleon。WF 攻击利用加密流量的侧信道特征推断用户访问的网页，现有防御大多会留下可学习的流量映射模式。作者发现，现有防御对对抗训练鲁棒，但对基于防御感知自编码器（DAAE）的攻击并不鲁棒。为此，Chameleon 采用多对多随机流量变形：先选择类内差异大、类间差异小的变形候选；对每个网页流量随机映射到多个候选目标，并允许不同网页共享变形目标，从而增大攻击者的不确定性。面向实际 Tor 部署，Chameleon 引入基于基数树（radix-trie）的同步机制，允许可插拔传输（PT）端点通过数据包方向前缀识别一致的变形轨迹，并结合轨迹变异与归一化前缀匹配降低开销。作者在三个公开数据集上，针对六种 SOTA 防御和五种 WF 攻击进行封闭式与开放式评估。结果显示：相比 Adaptive Tamaraw，Chameleon 可将基于对抗训练的攻防准确率降低最多 36.74%，同时带宽开销降低 34.12%，时间开销降低 60.38%；在 GTT23 数据集上针对基于 DAAE 的随机森林攻击，Chameleon 将攻击 F1 限制在 35.19%，而 Adaptive Tamaraw 仅能限制到 88.22% 的 F1。在实际 PT 桥接评估中，Chameleon 在仅增加 16.25% 时间开销的情况下显著削弱强 WF 攻击的效果。该研究适合关注匿名通信安全、流量分析防御以及对抗机器学习的研究人员阅读，其核心贡献在于提出一种可实际部署的流量变形方案，同时兼顾鲁棒性与开销。

现有暗网流量分类研究主要聚焦于预测准确性，但对加密服务为何能被区分的内在行为机制缺乏深入分析。本文提出一种行为信息泄露框架，将流级流量分解为控制、结构和节奏三类描述符，并在 Tor、I2P、FreeNet 和 ZeroNet 四种匿名网络上对该框架进行验证。该方法结合归一化互信息分析、基于随机森林的预测验证、结构-节奏交互分析以及跨网络服务变异性评估，并采用泄露安全的分层交叉验证来确保结果可靠性。实验结果显示，行为泄露在不同匿名网络之间存在显著差异：Tor 的服务可分离性最高，Macro-F1 达到 0.7165，累计归一化泄露值为 3.9461；而 FreeNet 的综合泄露值最低，仅为 0.8744。数据包大小组织、方向交换不平衡、包节奏以及静默-突发行为被识别为主要泄露机制。同时，结构-节奏组合表示在单个网络内部总能取得最强性能，但留一网络交叉验证表明不同匿名架构之间的可迁移性有限。此外，文章提出了服务变异指数和泄露变异指数，发现视频服务具有一致的网络特异性可分离性，而聊天和电子邮件在不同匿名网络对上的变异性较大。该研究为理解匿名网络流量隐私泄露提供了系统性的度量框架，并为设计更稳健的匿名系统和流量分析技术提供了参考。

本文针对网站指纹（Website Fingerprinting, WF）攻击的防御评估标准提出重要批判与改进建议。WF 攻击能够通过分析加密流量模式（如数据包大小、时序、方向等）来识别用户访问的网站，严重威胁 Tor 等匿名通信系统的隐私保护。为抵御此类攻击，研究者已提出多种防御机制，并通常在所谓的“多页面”（multi-page）设置下进行评估。该设置要求攻击者在包含多个网站页面的数据集中识别目标页面，被认为对攻击者而言难度较高，因此使得防御方处于有利地位。作者指出，这种评估方式存在严重缺陷：它为弱防御提供了虚假的成功表现，导致某些仅适用于受限场景的防御方法被误认为有效。为此，论文提出应采用“单页面”（one-page）设置作为全新且更严格的评估标准。在单页面设置中，攻击者面对的任务是判断用户是否正在访问某个特定页面，更贴近实际攻击场景中资源有限但目标明确的情形。这一标准显著提高了对防御能力的要求，只有真正强大的防御才能经得住考验。作者主张所有未来的 WF 防御研究都应默认采用该设置进行统一评估。本文的核心贡献并非提出新的攻击或防御算法，而是推动评估方法论的变革，有助于提升 Tor 等匿名系统的安全性，避免过度乐观的防御结论误导实际部署。该文适合从事匿名通信、流量分析、隐私保护相关研究的学者和工程师阅读。

在Tor匿名网络中，网站指纹识别（WF）攻击是一种通过分析网络流量模式（如数据包方向和时间）来识别用户访问的网站的攻击方式。Tor浏览器提供安全滑杆设置，用户可选择低、中、高安全级别，这会影响下载内容产生的流量模式，从而可能影响WF攻击的准确性。此前的研究通常假设训练和测试数据的安全滑杆设置一致（均为高或均为低），并在此条件下评估攻击与防御。然而，现实场景中用户可能混合使用不同设置。本文针对这一缺口，系统研究了在训练和测试阶段使用混合安全滑杆设置的痕迹对WF攻击性能的影响。作者通过实验比较了一致设置（如全高或全低）与混合设置（如部分高部分低）下攻击的分类准确率，发现混合设置在若干情况下能够提升攻击性能。这一结果表明，现有WF防御评估可能过于乐观或低估了攻击的适应性，因为实际用户的行为可能产生更复杂的流量特征。因此，论文建议未来的WF防御评估应同时考虑一致设置和混合设置的训练/测试场景，以确保评估结果的全面性和可靠性。该研究对于理解WF攻击的鲁棒性以及设计更有效的防御措施具有重要的指导意义，尤其提醒研究者在构建和验证匿名通信系统的隐私保护能力时，必须考虑用户设置多样性带来的实际威胁模型。

该论文研究了现实网络中审查规避流量的精确检测问题。作者指出，目前最先进的Tor规避流检测方法存在严重的假阳性问题（即使基准率保守设定为10^-3，假阳性率仍超过94%）。为此，他们提出了一种结合深度学习流分类器和基于主机的检测策略的新方法：流分类器对单个网络流进行初步判断，而主机检测策略则利用多个流在时间上积累的信息来提升检测精度。实验基于超过6000万个真实网络流（目的地超过60万个），涵盖了六个数量级的规避流基准率和真实世界的协议分布。结果表明，随着时间累积信息，检测方法变得更加精确，最终实现了完美召回（100%检测率）且零假阳性。论文进一步指出，未来的规避系统设计需要更谨慎地考虑基于主机的检测策略，并给出了抵御此类攻击的设计建议。该研究对于理解现实审查威胁、改进防审查系统的鲁棒性具有重要意义。

该论文研究的是因果IPD-QIM（基于量化索引调制的网络流水印）在网络流量中的稳定性问题。在多跳加密链路（如Tor、级联VPN）中，隧道化会抹平包长度和协议字段，使得包间延迟（IPD）成为主动流归属追踪的主要载体。因果性要求嵌入器只能延迟包而不能提前包，因此每次QIM对齐都会向延迟缓冲区注入非负的停留时间；无界的停留时间会破坏晶格对齐并导致主机连接延迟无法接受。目前，因果QIM水印在突发流量下是否能稳定嵌入主要依赖于经验配置，而非理论分析。本文将嵌入器建模为在固定双晶格、等概率比特规则下的反射停留队列，其中注入是状态依赖的（由当前间隔和比特决定），而非外生。通过替换Y_i = δ_i - r_i，得到代数Lindley形式；稳定性由大停留下的忙态漂移决定，此时有效间隔趋近于零，平均注入变为Δ/4。远离临界边界时，对于独立同分布背景流量，缓冲区稳定的条件是μ_d > Δ/4（即Δ < 4μ_d）；对于具有瞬时过载的平稳遍历和有限状态马尔可夫调制流量，平均强度ρ̄ < 1。结合外生解码下限Δ ≥ cσ_ξ（c=4Q^{-1}(ε/2)），得到工作窗口Δ ∈ [cσ_ξ, 4μ̄_d)。模拟在单流上确认了ρ=1处的尖锐转变；在四条真实IPD轨迹上的实验表明，该准则在流内相关性和突发性下正确预测了稳定性方向，而跨流均值会高估裕量。这些结果为因果QIM网络流水印提供了可测试的稳定可嵌入性准则和量化步长配置基线。

本文提出了一种针对 Tor 网络的新型带宽膨胀攻击，名为 MirageFlow。攻击者通过控制一组恶意中继节点（即中继集群）并利用 Tor 允许资源共享的机制，协调分配集群内各中继的资源，欺骗带宽测量器，使其误认为每个中继节点都拥有充足的带宽资源。攻击者设计了两种变体：C-MirageFlow（集中式资源共享）和 D-MirageFlow（分布式资源共享）。在私有 Tor 测试网络中的评估表明，C-MirageFlow 可将测量到的带宽膨胀近 n 倍（n 为单台服务器上托管的集群大小），D-MirageFlow 可膨胀近 n*N 倍（N 为服务器数量）。理论分析进一步指出，攻击者仅使用 10 台专用服务器，每台运行 109 个中继节点（每个节点带宽 100MB/s），即可控制 Tor 网络一半的流量。该研究揭示了 Tor 网络当前带宽测度机制中的安全漏洞，尤其是资源共享被滥用的风险，对 Tor 的匿名性保证构成严重威胁。

本文研究 Monero 加密货币在 Tor 网络中的交易去匿名化问题。Monero 是一种注重隐私的加密货币，它采用 Dandelion++ 协议并集成匿名网络（如 Tor 和 I2P）来防止攻击者将交易与源 IP 关联。然而，本文发现 Monero 与 Tor 的集成引入了一个根本性漏洞：Monero Tor 节点发起的交易在传播到明网之前，会专门转发给两个出站 Tor 隐藏服务节点（代理节点），这使得攻击者可以通过占据目标节点的出站连接来捕获源交易。基于这一观察，作者提出了一个三阶段去匿名化框架 ProxyMark，包括节点角色识别、源交易识别和节点位置去匿名化。通过在实时 Tor 网络、Monero 主网和测试网上进行实验，作者实证展示了 ProxyMark 能够成功对 Monero Tor 节点发起的交易进行去匿名化。该研究揭示了隐私货币在集成匿名网络时可能存在的安全风险，对 Monero 用户和隐私协议设计者有重要参考价值。

该论文系统性地研究了混合网络（mixnets）在面对恶意节点时的失效模式。混合网络是匿名通信的关键基础设施，通过多跳混淆和延迟发送来隐藏通信关系。然而，当网络中部分节点被敌手控制时，敌手可能通过流量分析、时序关联等攻击破坏匿名性。论文首先形式化定义了混合网络中敌手节点的能力模型，包括被动监听、主动延迟、消息丢弃等。随后提出了一套量化评估框架，用于度量在不同敌手比例、网络拓扑和混合策略下匿名性退化的程度。实验基于大规模仿真，对比了Cascade、Stratified、Freedom等经典混合拓扑，发现当敌手节点占比超过30%时，大多数混合网络匿名性急剧下降。论文进一步提出了一种基于随机转发与动态路径选择的缓解机制，该机制能够在不显著增加延迟的前提下，将敌手节点的影响降低一个数量级。主要贡献包括：1）首个系统性的混合网络抗敌手节点量化分析；2）一个可扩展的评估框架；3）一种实用的缓解方案。适合对匿名通信、网络防御和隐私保护感兴趣的研究人员阅读。

本文提出 ProbFlow，一种基于概率编程的方法，用于估计 Tor 匿名通信网络中继节点的容量。作者首先改进了先前提出的网络概率模型，使其能够更准确地反映真实 Tor 网络的复杂性。然后利用 NumPyro 概率编程语言进行推理，克服了纯解析方法难以处理的数学障碍。ProbFlow 被集成到 Tor 网络现有的容量估计算法中。通过在基于流的 Python 模拟器和 Shadow 模拟器（Tor 网络最高保真度的模拟器）上的实验，ProbFlow 能显著提升估计准确性，从而改善用户性能：在 Shadow 模拟中平均下载速度提高了 25%。该研究为匿名网络的性能优化提供了新的概率建模思路。

网站指纹（WF）攻击严重威胁匿名网络（如Tor）用户的隐私。尽管已有多种防御方案，但面对基于深度学习的先进WF攻击，现有防御效率不足。本文提出Palette，一种新颖且实用的实时WF防御方法，通过流量簇匿名化保护实时Tor流量。核心思想是将流量模式高度相似的网站聚类，并为每个簇（即一组相似网站）设计统一的标准化流量模式，从而阻止攻击者区分簇内相似网站，提供强匿名保证。Palette的关键步骤包括：首先，基于真实流量特征对网站进行聚类；其次，为每个簇生成一个统一的目标流量模式（例如，通过填充、调整数据包大小和时序等）；然后，在流量传输过程中实时将簇内网站的流量整形为该统一模式。实验使用公开真实数据集进行综合评估，结果表明Palette在可接受的额外开销下，大幅降低了最先进WF攻击的准确率。具体地，在Tor网络中以可插拔传输（Pluggable Transport）形式实现Palette并部署后，平均将SOTA WF攻击的准确率降低73.60%，相比现有防御提升33.50%-43.47%。该方法适用于所有关注匿名通信安全的场景，尤其适合Tor网络运营商、隐私保护研究人员及安全产品开发者阅读。

本技术报告旨在评估基于Tor的以太坊验证者位置隐私保护方案。以太坊网络的验证者节点在参与共识时，其IP地址与身份（如验证者公钥）之间的可关联性会带来严重的安全风险：攻击者可通过关联IP和身份，结合验证者的出块时机，发起拒绝服务（DoS）攻击、利用最大可提取价值（MEV）或破坏最终确定性。因此，保护验证者的IP地址匿名性对于维护网络信任和韧性至关重要。论文首先回顾了已有的网络层和共识层隐私保护技术，指出这些方案在可部署性或隐私保证上的不足。随后，作者提出并评估了一种名为Tor push的协议：该协议通过将验证者的证明（attestation）、聚合（aggregation）和区块提案（block proposal）流量经由Tor网络转发，从而在验证者身份与节点IP之间实现去关联。为了验证可行性，作者在Nimbus以太坊客户端中实现了Tor push的概念验证（PoC），并在Goerli测试网上运行。实验结果显示，Tor push的平均延迟开销约为613.82毫秒，该延迟对于以太坊网络性能的影响处于可接受范围，同时显著增强了验证者的位置隐私。论文还分析了Tor push的安全性，包括针对Tor出口节点的信任模型、Sybil攻击风险以及延迟波动对共识的影响。整体而言，该研究证明了将Tor集成到现有以太坊网络中是一种可行且有效的隐私增强方案，为验证者隐私保护提供了一种实用的工程化路径。

本论文提出一种基于Tor多电路分发的量子弹性会话密钥建立方案，以应对未来量子计算机对现有公钥密码（RSA、DH、ECC）的威胁（Shor算法）以及“先存储、后解密”（HNDL）攻击。方案的核心思想是：在Tor网络环境下，由洋葱服务代理生成会话密钥，并将其分割为多个独立加密的片段，每个片段通过一条全新的、基于NEWNYM信号创建的临时Tor电路传输给客户端。重建会话密钥需要所有片段完整到达。安全性依赖于洋葱路由的端到端关联下界：攻击者必须同时对每条电路进行去匿名化才能关联属于同一会话的片段，且成功概率随片段数量呈乘积衰减。作者在AWS EC2上实现了一个基于Flask的原型，代理和客户端均部署为Tor洋葱服务，并通过实验测量了端到端密钥建立延迟。结果表明，平均密钥建立时间为13-20秒，其中约88%的延迟来自Tor网络本身（包括尾部延迟7-50秒）。论文讨论了该方案在隐私与响应速度之间的权衡，并指出其适用于对延迟不敏感但需要长期保密性的场景。尽管该方案尚未在真实对抗环境中验证，但其设计提供了一个新颖的、基于现有匿名网络的抗量子密钥分发思路。

本文提出了一种基于潜几何结构进行异常检测的新型框架。传统异常检测方法通常在测量信号超过预设阈值时才发出告警，只能捕捉到状态转变的瞬间，而无法感知转变前的结构压力。作者将大规模行为群体（如匿名网络中的节点行为）视为一个几何能量景观，其形变可以在主要转变发生之前和期间被测量。核心论点是：结构先于几何——群体的结构组织本身就是信号，而几何度量是测量该信号的工具。该框架应用于Tor匿名网络的67个连续每日观察窗口，通过双观察者流水线（dual-observer pipeline）识别出一个稳定的九维承载子空间（load-bearing subspace），该子空间在整个观测期内保持结构不变，并通过蒙特卡洛模拟在16.8 sigma的信噪比下验证了其统计显著性。在24个确认稳定的窗口上，主要检测门限的假阳性率为0.0%。对2026年2月20日一个已确认的基础设施事件进行取证分析，正式反驳了“中继离开”假设，识别出了一种无需拓扑变化即可发生的连接退化模式，并证明这种退化可作为可检测的网络故障模式。本文的贡献在于提出了一个候选的结构监测框架，适用于具有足够遥测数据的行为群体，能够发现传统方法难以捕捉的异常模式。

本文研究在低延迟匿名网络（如Tor）中，攻击者如何通过主动带宽扰动实施流量相关性分析，从而破坏用户的匿名性。现有的被动流量关联方法需要攻击者控制端点或修改Tor浏览器，而本文提出的NATA（非侵入式主动流量关联分析算法）无需上述条件，仅需攻击者控制上游网络网关并观察出口中继的流量，即可通过注入可区分的吞吐量模式来标记流量。为了在复杂网络变化中识别被扰动的流，作者设计了BM-Net（带宽调制网络），一种选择性状态空间学习框架，用于检测带宽调制。BM-Net采用数据高效学习策略：首先通过掩码预训练在序列化流量轨迹上学习可复用的表征，然后利用任务特定的标注数据进行二值扰动检测和细粒度调制分类的迁移学习。基于真实Tor流量测量，BM-Net在二值检测上达到99.65%的F1分数，在细粒度调制分类上达到97.5%的宏F1分数。此外，通过基于tornettools的大规模仿真，估计了在带宽加权中继选择下的出口观察概率。结果表明，主动带宽扰动可作为一种基础设施级别的侧信道用于流量关联，对Tor匿名性构成切实威胁。

本文提出了一种基于聚类的低开销、可证明的网站指纹防御框架。网站指纹攻击利用加密流量的模式（如数据包大小、时间间隔）来识别用户访问的网站，对匿名通信系统（如Tor）构成严重威胁。现有防御方法如Walkie-Talkie和WFDefender虽然有效，但会引入较大的延迟或带宽开销，且缺乏可证明的安全保证。本文的核心思想是将网站聚类成组，使得同一组内的网站无法被攻击者区分。作者设计了一个聚类算法，通过最大化组内相似性和组间差异性，将具有相似流量模式的网站归为一类。然后，针对每个集群，应用轻量级的流量整形技术（如填充和重排），使得集群内的所有网站流量模式难以区分。理论分析证明了该防御在信息论意义上提供了可证明的隐私保证。实验使用WF攻击（如k-NN, CUMUL, DF）在Tor流量数据集上评估，结果表明该框架在提供与现有防御相当的保护水平的同时，将开销（延迟和带宽）降低了50%以上。该工作为低开销、可证明的网站指纹防御提供了新思路。