该论文研究在动态Web流量中通过深度时间特征进行用户识别的问题。现代Web应用大量使用动态内容，例如通过XMLHttpRequest或Fetch API的页面更新，这些请求通常由用户操作（如键盘输入、鼠标点击）触发，因此用户操作的时间与携带这些事件的网络数据包时间高度相关。论文利用这一相关性，在加密网络流量中通过深度时间特征来度量用户行为。方法基于准确检测与用户操作对应的数据包子集，并借鉴了击键动力学的最新研究。实验表明，通过用户使用搜索引擎打字引起的网络数据包时间序列，可以以中等准确率进行用户识别。该工作对取证调查人员有帮助，可在加密流量中进行目标识别，但也引发了隐私担忧，即路径上的远程攻击者可能检测这些数据包并推断用户行为。

本文针对网络流量检测中的对抗攻击问题展开研究。当前基于深度神经网络（DNN）的网络入侵检测系统（NIDS）虽然准确率高，但极易受到对抗样本的攻击。现有方法多从计算机视觉（CV）领域直接迁移对抗攻击技术，忽略了CV与NIDS之间的根本差异，导致两大问题：1）生成的网络流量可能因不满足协议规范而无效；2）生成的流量可能丢失原始攻击语义，即攻击效果不再存在。为解决这些问题，本文提出了一种专门面向NIDS的对抗攻击方法PLAA（Packet-Level Adversarial Attacks）。该方法不直接生成流级特征，而是逐步增量地生成包级特征来构建对抗流量。在生成过程中，每一阶段都监控流量的语义完整性，从而有效避免无效流量和语义丢失。作者在CIC-UNSW-NB15、CIC-DDoS2019和CIC-IDS-2017三个数据集上，针对当前主流NIDS模型进行了评估。实验结果表明，所提方法平均绕过成功率达92.78%，且能保证生成的对抗流量与原恶意流量在语义上一致。该工作揭示了现有NIDS在对抗攻击下的脆弱性，对防御者具有预警意义。