Los ataques de huella digital de sitios web intentan aplicar la tecnología de aprendizaje profundo para identificar sitios web correspondientes a datos de tráfico encriptados. Lamentablemente, hasta donde sabemos, una vez que el número total de datos de tráfico encriptados se vuelve insuficiente, la precisión de identificación en la mayoría de los trabajos existentes disminuirá drásticamente. Este fenómeno empeora porque las características estadísticas de los datos de tráfico encriptados no siempre son estables, sino que varían irregularmente en diferentes periodos de tiempo. Incluso un modelo de aprendizaje profundo requiere un buen rendimiento para capturar las características estadísticas, su precisión suele disminuir en un corto período de tiempo porque los cambios de las características estadísticas técnicamente colocan los datos de entrenamiento y prueba en dos distribuciones no idénticas. En este documento, primero proponemos un esquema de ataque de huella digital de sitios web basado en redes neuronales convolucionales (CWFA). Este esquema integra la dirección de paquetes con la secuencia de tiempo de los datos de tráfico encriptados para mejorar la precisión del análisis tanto como sea posible en pocas muestras de datos. Luego diseñamos un nuevo mecanismo de ajuste fino para el esquema CWFA (FM-CWFA) basado en aprendizaje por transferencia. Este mecanismo permite que el esquema FM-CWFA propuesto admita los cambios en los patrones estadísticos. Los resultados experimentales en configuraciones de mundo cerrado y mundo abierto muestran que la efectividad del esquema CWFA es mejor que investigaciones anteriores, con la degradación de rendimiento más lenta cuando el número de datos disminuye, y el esquema FM-CWFA puede permanecer efectivo cuando las características estadísticas cambian.