本文针对网站指纹攻击（Website Fingerprinting, WF）在面临流量漂移（Traffic Drift）时性能退化的问题展开研究。随着网络协议更新、网站内容变化以及用户行为模式演变，攻击者基于早期流量样本训练的模型在实际部署中准确率大幅下降。论文提出一种新颖的主动学习与对比学习相结合的适应框架，能够在少量新标记样本的辅助下，持续更新攻击模型以保持高精度。具体地，该框架利用对比学习提取对漂移不敏感的稳定特征，同时通过主动选择最具信息量的未标记样本进行人工标注，有效降低适应成本。在多个真实世界数据集上的实验表明，所提方法在控制标注预算的前提下，能将攻击准确率从传统方法的60%左右提升至85%以上，显著优于现有最佳方法。此外，论文还设计了多种漂移场景模拟，包括渐进式漂移与突变式漂移，验证了方法的鲁棒性。该工作揭示了网站指纹攻击在真实环境中的实际威胁潜力，也为防御方提供了理解攻击者适应能力的重要参考。