本文针对加密网络流量侧信道特征在复杂网络拓扑下因丢包、重传导致特征碎片化，进而使现有基于学习的流量分析方法性能显著下降的问题，提出了一种基于预训练的增强框架 Nüwa。Nüwa 的核心思想是对加密流量会话中缺失数据包的侧信道特征进行补全（imputation），尤其关注缺失包的时间属性。该框架由三个模块组成：词级序列嵌入模块（word-level Sequence2Embedding）、基于流量噪声的自监督预训练掩码策略（Traffic Noise-based Self-supervised Pre-trained Masking Strategy），以及流量侧信道特征补全模块（Traffic Side-Channel Feature Imputation Module）。通过在四个不同真实场景下的实验，作者验证了 Nüwa 能够有效恢复主流时序模型在碎片化特征下的性能，同时保持补全后特征的完整性。该研究为在网络丢包环境下提升加密流量分析鲁棒性提供了一种新思路，适合网络安全研究人员、流量分析工程师以及关注预训练方法在安全领域应用的从业者阅读。