本论文针对 Tor 网站指纹识别（WF）攻击提出一种鲁棒防御方法 Chameleon。WF 攻击利用加密流量的侧信道特征推断用户访问的网页，现有防御大多会留下可学习的流量映射模式。作者发现，现有防御对对抗训练鲁棒，但对基于防御感知自编码器（DAAE）的攻击并不鲁棒。为此，Chameleon 采用多对多随机流量变形：先选择类内差异大、类间差异小的变形候选；对每个网页流量随机映射到多个候选目标，并允许不同网页共享变形目标，从而增大攻击者的不确定性。面向实际 Tor 部署，Chameleon 引入基于基数树（radix-trie）的同步机制，允许可插拔传输（PT）端点通过数据包方向前缀识别一致的变形轨迹，并结合轨迹变异与归一化前缀匹配降低开销。作者在三个公开数据集上，针对六种 SOTA 防御和五种 WF 攻击进行封闭式与开放式评估。结果显示：相比 Adaptive Tamaraw，Chameleon 可将基于对抗训练的攻防准确率降低最多 36.74%，同时带宽开销降低 34.12%，时间开销降低 60.38%；在 GTT23 数据集上针对基于 DAAE 的随机森林攻击，Chameleon 将攻击 F1 限制在 35.19%，而 Adaptive Tamaraw 仅能限制到 88.22% 的 F1。在实际 PT 桥接评估中，Chameleon 在仅增加 16.25% 时间开销的情况下显著削弱强 WF 攻击的效果。该研究适合关注匿名通信安全、流量分析防御以及对抗机器学习的研究人员阅读，其核心贡献在于提出一种可实际部署的流量变形方案，同时兼顾鲁棒性与开销。