近年来,越来越多的在线视频平台引入了视频弹幕功能,使观众在观看视频的同时获得了更为实时的交互体验。然而,与视频流量类似,弹幕流量携带的统计特征经在过分析后,也可以得到视频频道的关键身份信息,进而带来潜在的隐私泄露风险。由于大部分视频平台都使用传输层安全协议（TLS）对视频内容进行加密,而该协议会使得第三方监听者无法获取视频内容明文,因此以往的视频频道监听策略通常基于视频流量的统计特征制作指纹并进行频道识别。而此类识别方案大多对网络环境有着严格的要求,通常假定被监听的网络中不存在带宽波动或其他流量造成的干扰,一旦网络环境变差,流量指纹的局部特征就会遭到破坏,进而导致识别方案的准确率降低。与视频流量相比,承载弹幕的流量拥有更为显著的特征,并且对于存在无关流量的复杂网络环境也有着更高的适应性,即便目标流量中存在噪音,其统计特征也可以被完整提取,并导致视频观看者的隐私被泄露。因此,本文针对复杂网络下的加密视频监听场景,做出了如下工作:（1）针对视频观看者所处的真实网络环境中可能存在的噪音进行了分析,并提出了一个基于弹幕流量的视频频道识别方案,即便被监听者所处的网络环境中存在带宽波动等噪音干扰,该方案也可对视频频道进行识别。该方案首先基于TLS包头标签和卷积神经网络（CNN）设计了流量过滤器以滤除无关流量,其次通过研究弹幕数量和数据包大小之间的关系,提出了一种基于最小二乘法的流量指纹制作方法,然后对动态时间规划（DTW）算法进行了改进,实现了存在网络噪音情况下的相似性特征提取,并在最后使用支持向量机（SVM）对上述步骤产生的特征进行识别。（2）上述方案需要进行较长时间的流量监听才可达到较高的识别准确率,且SVM存在无法嵌入至流量过滤模型进行端到端训练的弊端。针对如上问题,本文分析了网络噪音对基于比特率的视频流量指纹造成的影响,并进一步提出了一个综合考虑弹幕流量和视频流量的识别方案。该方案首先针对视频流量指纹在复杂网络环境中易被破坏的问题,提出了一个基于最长公共子序列（LCS）的流量特征提取算法,并进一步结合方案（1）中由弹幕提取的指纹特征,使用引入注意力机制的神经网络对视频频道进行综合识别。实验表明,对来自油管平台直播分区的弹幕流量进行200秒的监听后,方案（1）的识别准确率可达92.1%,而在引入视频流量特征进行综合识别后,仅需进行70至80秒的流量监听即可达到相同的准确率,远小于最新研究中仅使用视频流量进行识别所需的时间。