随着通信技术的发展,越来越多的人使用互联网进行工作或者娱乐,而网络监管却对用户的隐私产生了很大的威胁,可能会暴露用户敏感信息。Tor匿名网络是一个广泛使用的低延迟匿名通信网络,能够帮助用户在网页浏览的时候隐藏通信双方的IP地址和通信内容。但是,大量研究证明Tor无法抵御网站指纹攻击技术,攻击者通过操纵用户产生的流量发现其访问的网站模式,然后获取用户所访问的网站信息,对用户隐私和网页安全都造成了很大的威胁。而深度学习技术在网站指纹攻击领域的应用,使得这一威胁继续扩大,深度学习模型能够自动筛选流量特征进行训练,最新的深度指纹攻击方法已经能够达到98%以上的识别准确率,针对著名的轻量级网站指纹防御方法WTF-PAD,也有90%以上的准确率。针对现有网络环境和基于深度学习的网站指纹攻击技术,本文分别从网站指纹防御性能和实际场景部署两方面展开研究,主要工作内容如下:（1）针对现有的网站指纹攻击方法,提出了一个有效的新型网站指纹防御方法,使用双向的随机填充机制,彻底的破坏了原有网站的流量模式,掩盖了分类器模型依赖的显著流量特征,在不同时间段访问同一网站所产生的流量序列是完全不同的,使得攻击者的训练集与测试集数据分布不一致,在降低分类器准确率的同时增加了攻击者的攻击成本。（2）针对移动互联网和边缘计算等场景下的低算力用户,提出了一个更为实际的轻量级网站指纹防御方法,在保证有效的防御性能的情况下进一步降低带宽消耗,减少用户和Tor中继节点的负担。本方法使用自适应随机填充的机制,根据采样得到的目标网站流量进行源流量的填充,诱导分类器模型学习无关和重复的流量特征,以此破坏模型的学习能力。并且只填充流量序列的前域（Front）部分,掩盖大部分流量特征的同时降低防御填充时的带宽消耗。（3）根据上述的两个方法实现了原型系统,并且通过前端界面展示各种数据,包括流量填充时间、带宽消耗和防御性能等,探讨了更为实际的开放世界场景,展示了一个实际性网站指纹防御方法所应具备的性能表现。