学位论文简介

网络流量测绘是实现网络状态可知、可控与可信的核心基石，其精确性与安全性是保障国家网络空间主权与数字基础设施稳定的关键。然而，传统测绘技术面临测量开销巨大与新型安全威胁的双重挑战。为此，本文围绕“精确测绘”与“抗测绘防护”这一核心矛盾，系统研究了低开销高精度测绘与安全对抗理论，取得了以下创新性研究成果：

(1) 针对网络测量数据稀疏、细粒度恢复难的问题，提出了时空细粒度数据恢复方法，通过构建融合部分卷积、距离敏感编码与时空注意力融合的深度学习模型，有效抑制缺失噪声，建模不规则时间关联，实现在极低采样率下对全网流量态势的高精度重构，为低成本网络运维提供了关键技术支撑。

(2) 针对卷积神经网络直接建模流量矩阵时特征提取低效的瓶颈，提出了一种面向CNN的可学习的矩阵重排与特征增强框架，通过端到端优化重构流量矩阵的潜在空间结构，自适应地捕捉其内在的全局与非局部相关性，显著提升基础模型在流量预测与补全等任务中的特征表达能力。

(3) 为应对高精度测绘技术可能被恶意利用的安全风险，首次揭示了稀疏网络监测系统中存在的“全局扩散脆弱性”，并提出了模型无关的对抗方法。该方法能够在不依赖目标模型内部信息的情况下，生成通用扰动以破坏流量矩阵的底层数据结构，从而系统性地干扰恶意测绘的准确性，为构建内生安全的网络测量体系奠定了理论基础。

(4) 针对流量分析测绘中离散流量序列对抗防御的难题，提出了序列编辑梯度对抗方法。该方法创新性地设计了基于余弦相似度的梯度收益评估机制，将连续梯度信息转化为对离散序列编辑操作的有效指导，实现了在低带宽开销下生成高效对抗样本，为关键通信流量的隐私保护提供了可部署的防护方案。

主要学术成果

[1] Xie Ruotian, Xie Kun, Zhao Pengcheng, et al. GAPDiS: Gradient-Assisted Perturbation Design via Sequence Editing for Website Fingerprinting Defense[C]//Proceedings of the 2025 on ACM SIGSAC Conference on Computer and Communications Security (ACM CCS). 2025). (CCF-A，第一作者)

[2] Xie Kun, Xie Ruotian, Wang Xin, et al. NMMF-Stream: A fast and accurate streamprocessing scheme for network monitoring data recovery[C]//IEEE INFOCOM 2022IEEE Conference on Computer Communications. IEEE, 2022: 2218-2227.（CCF-A，导师一作本人二作）

[3] Xie Ruotian, Wen Jigang, Chen Xiaodi, et al. M2STL: Multi-Range Multi-Level Spatial-Temporal Learning Model for Network Traffic Prediction[J]. IEEE Transactions on Network Science and Engineering, 2024, 11(5): 4315-4329.（SCI二区期刊，第一作者）

[4] Xie Ruotian, Wen Jigang, et al. CCGCRN: Cluster and Completion Graph Convolution Recurrent Network for Incomplete Traffic Flow Forecasting[C]//International Conference on Security and Privacy in Communication Systems (SecureComm). Cham: Springer Nature Switzerland, 2025.（CCF-C，第一作者）