本文针对Tor匿名网络中的网页指纹识别（Website Fingerprinting, WF）攻击在细粒度场景下的局限性展开研究。传统WF攻击通常只能区分不同网站，但当需要识别同一网站内的不同子页面（即网页指纹，WebPage Fingerprinting, WPF）时，由于这些页面产生的加密流量模式高度相似，攻击准确率显著下降。此外，真实场景中客户端往往并发访问多个网页，进一步增加了从混合流量中分离单个网页流量模式的难度。针对上述问题，作者提出了一种名为Oscar的攻击方法，其核心思路是基于多标签度量学习（multi-label metric learning）对特征空间进行变换，从而从混淆流量中提取不同网页的细微差异。Oscar的关键技术在于将基于代理（proxy-based）和基于样本（sample-based）的度量学习损失函数相结合，以有效学习网页特征并同时识别多个目标网页。作者在真实环境中采集了1000个受监控网页和超过9000个未受监控网页的流量数据，对Oscar进行了原型实现和性能评估。实验结果表明，与最先进的攻击方法相比，Oscar在多标签度量Recall@5指标上实现了88.6%的提升。这项研究揭示了现有WF防御在细粒度场景下的脆弱性，为匿名通信系统的隐私保护研究提供了新的视角。