网页指纹作为网络安全管理中的一项重要技术手段,可在不破解用户加密数据的情况下,对用户网络访问行为进行内容审查。传统的网页识别方法往往只能对不同网站的首页进行识别,对同一网站下不同网页的细粒度识别相对缺乏。细粒度网页识别可以进一步分析用户在目标网站中的行为目的,具有更加重要的意义。由于来自同一网站的网页具有非常相似的流量痕迹,而现有的解决方案难以区分,识别效果不佳。其中,通过VPN代理访问的网页,其所有网页流都会被映射成同一域名,很难以单流进行识别,这也给网页识别带来了挑战。针对上述问题,本文开展的研究内容与主要工作如下:（1）针对直接访问网页产生的加密流量,本文提出了基于会话流分块的网页指纹提取和识别方法。所提方法首先定义了网页主流和辅助流,然后分析数据流的交互特点,根据时间序列上的差异将网页主流分为多个块区间,用这些块代表网页的差异性。在每个块上设计了23个特征,并为主流和辅助流各设计统计特征,最后使用机器学习算法进行分类识别。实验结果表明,该方法可获得93.9%的识别准确率,优于现有的网页指纹识别方法,且计算效率高。（2）针对使用VPN代理访问网页产生的加密流量,本文提出了基于深度学习DSFN（Deep Surage Fingerprinting Network）框架的网页指纹提取与识别方法。所提DSFN框架主要分为模型输入模块、特征提取模块和分类识别模块,在模型输入模块中通过对TCP分段和TLS数据封装进行分析,定义了Surage概念来对长度和时间输入数据进行提取,特征提取模块包括空间和时间特征提取模块,最后使用全连接网络进行识别分类。本文自主收集了两种数据集对该方法进行实验。验证结果表明,该方法在两种数据集上的准确率分别达到了94.2%和98.3%,有效的解决了现有网页指纹识别方法中特征使用单一,且细粒度网页识别准确率不高的问题。