从数据包到模式：将加密网络流量解读为纵向行为信号
From Packets to Patterns: Interpreting Encrypted Network Traffic as Longitudinal Behavioral Signals
精选理由
揭示加密流量可被动识别睡眠、压力和孤独变化，助力隐私友好的行为健康监测。
AI 摘要
arXiv:2605.01616v3 公告类型：替换 摘要：人类行为难以在大规模范围内持续观测，但日常设备使用会留下可测量的痕迹。我们检验加密智能手机网络流量——一种无处不在、始终运行且被动的感知方式——能否被动捕捉与睡眠、压力和孤独感相关的行为模式。我们使用带有逐用户适配器的 transformer 主干网络对共享的行为结构进行建模，使模型能够同时表示个体的典型行为及其偏离。为使这些表示具有可解释性，我们应用稀疏自编码器提取对应于不同活动模式的行为特征。我们使用结合 Mundlak 分解的广义估计方程，将这些特征与睡眠障碍、压力和孤独感联系起来，从而区分个体间差异与随时间变化的个体内变化。我们发现，这三个结果反映出不同的时间结构：压力主要与稳定的个体间差异相关，孤独感主要与个体内变化相关，而睡眠障碍则同时受到二者影响。值得注意的是，预先定义的网络流量特征无法捕捉这些个体内动态，凸显了学习得到的表示对于纵向行为感知的价值。这些结果表明，加密网络流量是一种可行的被动感知方式，能够揭示具有可解释性的行为动态——尤其是偏离个体基线的变化——而这些动态无法从原始流量特征中观察到。