本文首次系统研究了针对基于深度学习的视频压缩与下游分类系统的对抗攻击。视频压缩在视频流媒体和分类系统中至关重要，旨在在有限带宽下最大化用户体验质量(QoE)。作者提出了名为RoVISQ的攻击框架，通过操纵视频压缩模型的率失真(R-D)关系，实现两个目标：(1)增加网络带宽消耗；(2)降低最终用户的视频质量。此外，该框架还设计了针对下游视频分类服务的定向与非定向攻击目标，使分类结果出错。RoVISQ的关键创新在于生成一种输入不变的通用扰动，能够实时且普遍地破坏视频压缩与分类系统，并且与以往攻击不同，该扰动能够抵抗压缩（即攻击效果不会因视频压缩而减弱）。实验在多个视频数据集上进行，结果表明RoVISQ攻击可使峰值信噪比(PSNR)降低高达5.6dB，比特率增加约2.4倍，同时对下游分类器的攻击成功率超过90%。用户研究也证实了攻击对用户QoE的显著影响。此外，RoVISQ在面对对抗训练、视频去噪和JPEG压缩等防御措施时仍表现出鲁棒性。这项工作揭示了深度学习视频压缩系统的安全漏洞，对视频流服务、监控系统和在线视频分类等应用构成实际威胁。