SCSM 通过流量原生预训练实现可迁移的网站指纹识别攻击

该论文提出 SCSM，一种面向可迁移网站指纹识别的流量原生基础模型，旨在解决传统模型在网页集合、采集时间、网络路径或浏览器变化时性能下降的问题。SCSM 利用未标记流量数据构建预训练视图对，通过分割、组合、缩放和掩码操作生成多样化观测模式，同时保留底层数据包事件与局部流量动态，随后基于窗口化流量计数矩阵进行对比预训练，无需网站标注即可训练状态空间编码器。

实验显示，在 GTT23 数据集的六个时间漂移任务中，SCSM 的平均 top-3 准确率比最强基线高出 16.4%；在四个跨域数据集上，平均 macro-F1 分数提升 13.8%。该方法采用小样本微调策略，并在推理阶段聚合多时间尺度的预测结果，显著增强了模型在不同部署环境下的泛化能力。

事实层面，SCSM 确实在多个基准测试中取得显著性能提升，且代码与数据集计划公开。推断层面，这表明基于固定条件训练的现有防御体系在面对具备强迁移能力的新型攻击模型时将面临更大风险，尤其是对依赖静态特征匹配的隐私保护机制构成挑战。猜测层面，若此类技术被广泛滥用，可能迫使更多网站采用更复杂的流量混淆或加密增强措施，从而增加整体网络通信成本与延迟。