arXiv cs.CY· Rameen Mahmood, Omar El Shahawy, Souptik Barua, Zachary Beattie, Jeffrey Kaye, Xuhai "Orson'' Xu, Chao-Yi Wu, Danny Yuxing Huang·· 10 天前AI 评分28
将加密网络流量解读为纵向行为信号：基于 Transformer 与稀疏自编码器的睡眠、压力与孤独感被动感知
From Packets to Patterns: Interpreting Encrypted Network Traffic as Longitudinal Behavioral Signals
AI 导读
研究用带 per-user adapter 的 Transformer 加稀疏自编码器，从加密手机网络流量中提取可解释行为特征，并与睡眠障碍、压力、孤独感关联。结果显示三者时间结构不同：压力主要对应稳定的个体间差异，孤独感对应个体内变化，睡眠障碍则两者兼有；这些个体内动态无法被预定义流量特征捕捉。
正文 · AI 翻译
摘要：人类行为难以在大规模上被持续观察，但它会在日常设备使用中留下可测量的痕迹。我们检验加密的智能手机网络流量——一种无处不在、始终开启的被动感知模态——能否被动捕捉与睡眠、压力和孤独相关的行为模式。我们使用带有每用户适配器的 transformer 主干来建模共享的行为结构，使模型既能表示典型的个体行为，也能表示对它的偏离。为使这些表示具有可解释性，我们应用稀疏自编码器来提取对应不同活动模式的行为特征。我们使用广义估计方程与 Mundlak 分解将这些特征与睡眠障碍、压力和孤独联系起来，从而将人与人之间的差异与个体随时间的变化区分开来。我们发现这三个结果反映了不同的时间结构：压力主要与稳定的人与人之间的差异相关，孤独与个体内变化相关，而睡眠障碍则与两者的组合相关。值得注意的是，这些个体内动态无法被预定义的网络流量特征捕捉，这证明了学习到的表示在纵向行为感知中的价值。这些结果确立了加密网络流量作为一种可行的被动感知模态，揭示了可解释的行为动态——尤其是对个体基线的偏离——而这些在原始流量特征中是不可见的。
| 评论： | 38 页，8 幅图。已被《ACM 交互式、移动、可穿戴与普适技术学报》（IMWUT）第 10 卷第 4 期接收 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；计算机与社会（cs.CY）；网络与互联网架构（cs.NI） |
| ACM 分类： | C.2.3；I.2.6；J.3 |
| 引用为： | arXiv:2605.01616 [cs.LG] |
| （或本版本使用 arXiv:2605.01616v3 [cs.LG]） | |
| https://doi.org/10.48550/arXiv.2605.01616 arXiv 通过 DataCite 颁发的 DOI |
|
| 相关 DOI： | https://doi.org/10.1145/3857944
链接到相关资源的 DOI |
提交历史
来自：Rameen Mahmood [查看电子邮件]
[v1]
2026 年 5 月 2 日星期六 21:40:07 UTC（355 KB）
[v2]
2026 年 6 月 5 日星期五 22:55:35 UTC（355 KB）
[v3]
2026 年 10 月 6 日星期二 21:21:39 UTC（436 KB）
来源：arXiv cs.CY · arxiv.org