Notice bibliographique
Résumé
This thesis introduces new approaches for enhancing the security and privacy of client-server commu- nications by addressing two critical issues. First, we investigate the risks posed by user-impersonation attacks, where client-side malware forges or tampers with web requests, initiating security-sensitive actions such as financial transactions or voting without the user’s true intent. Current defenses, including user authentication and network encryption, fall short because they assume the integrity of the client device. We present vWitness, a system that certifies user intent by “witnessing” client interactions with the web page, ensuring that outgoing requests align with the interactions that the user made with the help of specifications set by the server. Using computer vision, vWitness distin- guishes benign rendering variations from potential malicious alterations, achieving 99.97% accuracy with minimal performance impact, adding only 197ms on average to the interaction session. This solution enables web servers to verify that requests truly originate from a user’s intended actions. Additionally, we address privacy challenges arising from web tracking, where existing tools strug- gle to balance effective tracker blocking with site compatibility. Many tools rely on manual updates and user feedback to resolve “breakages” caused by overblocking, where essential site functional- ity is inadvertently blocked. To address this, we propose Duumviri, an automated approach that enhances tracking detection by integrating a machine learning-based breakage detection model. Du- umviri improves the accuracy of tracker detection by using differential features of web requests and incorporates breakage detection to mitigate overblocking. This method is particularly novel in han- dling “mixed” trackers, trackers that blend tracking with functional information into a single request, by enabling analysis at partial-request granularity to distinguish between tracking components and functional ones. Evaluations of Duumviri demonstrate high accuracy in detecting non-mixed trackers (97.44%) and mixed trackers (74.19%). Together, vWitness and Duumviri represent significant advancements in web security and privacy. vWitness introduces an innovative method for certifying user intent to counter user-impersonation attacks, while Duumviri provides an automated framework for robust tracker detection and breakage management to safeguard user privacy without compromising functionality.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».