网站指纹识别（WF）攻击使窃听者能够分析加密网络流量的元数据（如数据包大小、方向和时间间隔），从而推断用户访问的网站。现有WF攻击在Tor流量中已表现出很高的攻击成功率，但它们主要针对单标签会话——即用户一次只浏览一个网站。在实际场景中，用户通常同时打开多个标签页，这会混合多个网站的流量，破坏单个网站的整体流量模式，使得传统WF攻击失效。同时，攻击者也无法预先知道标签数量，这进一步增加了难度。针对这一局限，本文提出ARES框架，这是首个面向多标签WF攻击的端到端解决方案。ARES将多标签攻击形式化为多标签分类问题，利用多分类器结构，每个分类器负责识别一个特定网站。与基于全局模式的方法不同，ARES的每个分类器基于一种新颖的Transformer架构，从多个不连续的流量段中提取局部特征，从而摆脱了对完整会话模式的依赖。作者基于真实网络环境构建了包含多个网站和多场景的大规模数据集，涵盖数月的采集时间，是迄今学术论文中最大的多标签WF数据集。实验表明，ARES在多标签场景下达到0.907的最佳F1分数，同时面对多种WF防御（如流量整形、填充）仍保持较高的鲁棒性。该研究对Tor等匿名网络的用户隐私构成重大威胁，也提醒防御方需要开发针对多标签场景的防御机制。