刘奇旭^1,2,刘心宇^1,2,罗成³,王君楠^1,2,陈浪平^1,2,刘嘉熹^1,2

¹(中国科学院信息工程研究所 北京 100093);²(中国科学院大学网络空间安全学院 北京 100049);³(中国信息通信研究院 北京 100191) (liuqixu@iie.ac.cn)

出版日期: 2020-11-01


基金资助:中国科学院青年创新促进会(2019163);国家自然科学基金项目(61902396);中国科学院战略性先导科技专项项目(XDC02040100);中国科学院网络测评技术重点实验室和网络安全防护技术北京市重点实验室项目

Android Browser Fingerprinting Identification Method Based on Bidirectional Recurrent Neural Network

Liu Qixu^1,2, Liu Xinyu^1,2, Luo Cheng³, Wang Junnan^1,2, Chen Langping^1,2, Liu Jiaxi^1,2

¹(Institute of Information Engineering, Chinese Academy of Sciences, Beijing 100093);²(School of Cyber Security, University of Chinese Academy of Sciences, Beijing 100049);³(China Academy of Information and Communications Technology, Beijing 100191)

Online: 2020-11-01


Supported by:This work was supported by the Youth Innovation Promotion Association of Chinese Academy of Sciences (2019163), the National Natural Science Foundation of China (61902396), the Strategic Priority Research Program of Chinese Academy of Sciences (XDC02040100), and the Project of the Key Laboratory of Network Assessment Technology at Chinese Academy of Sciences and Beijing Key Laboratory of Network Security and Protection Technology.

摘要/Abstract

摘要： 2010年浏览器指纹的概念被提出用于识别用户身份，目前这项技术已趋于成熟并被广泛应用在一些流行的商业网站进行广告投放.然而传统的指纹技术在追踪用户方面问题颇多，无论系统升级、浏览器更新还是篡改程序伪造导致的指纹特征值改变，都会使浏览器指纹发生变化.在对浏览器指纹属性进行研究的基础上，采集了安卓用户的浏览器指纹，提出了一种用于身份识别的监督学习框架RNNBF.RNNBF的鲁棒性分别体现在数据和模型方面，在数据方面构建基于指纹的数据增强技术生成增强数据集，在模型方面采用注意力机制令模型专注于具有不变性的指纹特征.在模型评估方面，RNNBF模型与单层LSTM模型和随机森林模型分别进行比较，当以F1-Score作为评估标准时，RNNBF模型的识别效果优于后两者，证明了RNNBF模型在动态链接指纹上具有卓越的性能.

参考文献

相关文章 15

[1]	刘烨, 黄金筱, 马于涛. 基于混合神经网络和注意力机制的软件缺陷自动分派方法[J]. 计算机研究与发展, 2020, 57(3): 461-473.
[2]	朱兆坤, 李金宝. 多特征信息融合LSTM-RNN检测OSA方法[J]. 计算机研究与发展, 2020, 57(12): 2547-2555.
[3]	张潇,支天. 面向多核处理器的机器学习推理框架[J]. 计算机研究与发展, 2019, 56(9): 1977-1987.
[4]	刘颉羲,陈松灿. 基于混合门单元的非平稳时间序列预测[J]. 计算机研究与发展, 2019, 56(8): 1642-1651.
[5]	张志昌,张珍文,张治满. 基于IndRNN-Attention的用户意图分类[J]. 计算机研究与发展, 2019, 56(7): 1517-1524.
[6]	张祥文,陆紫耀,杨静,林倩,卢宇,王鸿吉,苏劲松. 基于带权词格的循环神经网络句子语义表示建模[J]. 计算机研究与发展, 2019, 56(4): 854-865.
[7]	王蕾,何冬杰,李炼,冯晓兵. 基于稀疏框架的静态污点分析优化技术[J]. 计算机研究与发展, 2019, 56(3): 480-495.
[8]	吴法民,吕广奕,刘淇,何明,常标,何伟栋,钟辉,张乐. 视频实时评论的深度语义表征方法[J]. 计算机研究与发展, 2019, 56(2): 293-305.
[9]	庄连生, 吕扬, 杨健, 李厚强. 时频联合长时循环神经网络[J]. 计算机研究与发展, 2019, 56(12): 2641-2648.
[10]	张磊,杨哲慜,李明琪,杨珉. TipTracer:基于安全提示的安卓应用通用漏洞检测框架[J]. 计算机研究与发展, 2019, 56(11): 2315-2329.
[11]	陈昱,刘中金,赵威威,马原,石志强,孙利民. 一种大规模的跨平台同源二进制文件检索方法[J]. 计算机研究与发展, 2018, 55(7): 1498-1507.
[12]	乐洪舟,张玉清,王文杰,刘奇旭. Android动态加载与反射机制的静态污点分析研究[J]. 计算机研究与发展, 2017, 54(2): 313-327.
[13]	张密,杨力,张俊伟. FuzzerAPP：Android应用程序组件通信鲁棒性测试[J]. 计算机研究与发展, 2017, 54(2): 338-347.
[14]	路晔绵,李轶夫,应凌云,谷雅聪,苏璞睿,冯登国. Android应用第三方推送服务安全分析与安全增强[J]. 计算机研究与发展, 2016, 53(11): 2431-2445.
[15]	路晔绵,应凌云,苏璞睿,冯登国,靖二霞,谷雅聪. Android Settings机制应用安全性分析与评估[J]. 计算机研究与发展, 2016, 53(10): 2248-2261.

PDF全文下载地址:

https://crad.ict.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4290