从数据包到模式：将加密网络流量解释为纵向行为信号

人类行为在规模化的连续观察中困难重观察，却在日常设备使用中留下可测量的痕迹。我们测试加密智能手机网络流量——一种普遍存在、始终在线、被动感知方式——是否能够被动捕获与睡眠、压力和孤独感相关的行为模式。我们使用带有每个用户适配器的转换器主干，建模共享行为结构，使模型能够代表典型的个体行为及其偏离程度。为使这些表示可解释，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。我们使用带有 Mundlak 分解的广义估计方程，将这些特征与睡眠障碍、压力和孤独感关联，分离个体间差异与随时间变化的个体内变化。我们发现，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，孤独感与个体内变化相关，睡眠障碍则包含两者。值得注意的是，这些个体内动态未被预定义的网络流量特征捕获，表明学习表示对纵向行为感知具有重要价值。这些结果确立了加密网络流量作为一种可行的被动感知方式，揭示了可解释的行为动态——特别是偏离个体基线的动态——在原始流量特征中不可见。