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。