基于匿名通信机制的网络通过对用户身份信息和通信关系进行隐藏,可以给用户提供一个信息安全的网络环境。但是,匿名网络提供的身份匿名性可以帮助犯罪分子进行违法犯罪活动,同时给网络空间安全管理带来了极大的麻烦。因此,对匿名网络流量和正常流量进行识别分类对网络空间的监管具有积极意义。本文使用不同的深度学习技术对匿名网络流量分类进行了研究,根据对匿名网络流量进行特征学习的思路不同,总共提出了三种分类方法,分别为基于CNN的匿名网络流量分类方法、基于层次化时序特征的匿名网络流量分类方法和基于时空特征的匿名网络流量分类方法。（1）基于CNN的匿名网络流量分类方法。本方法利用CNN中的经典模型Le Net-5学习网络流量的空间特征进而对匿名网络流量进行分类。为了符合CNN模型的数据输入格式,先将流量数据进行预处理转化为图片格式的灰度图,然后将匿名网络流量的分类任务转化为了CNN领域的图片分类任务。在该方法中的一个图片样本对应一个网络流或者会话,即输入CNN模型的最基本单元为网络流或会话。本方法通过对比实验证明了在匿名网络流量分类任务中,选取会话的流量表现形式会优于网络流的表现形式。（2）基于层次化时序特征学习的匿名网络流量分类方法。本方法借鉴自然语言处理对文本处理的思想,利用RNN中的LSTM模型分别对网络流的数据包内字节序列关系和网络流中数据包之间的序列关系进行分层次的学习。从而将匿名网络流量的分类任务转变为类似自然语言处理中的情感判断任务。鉴于该方法需要分层次学习流量的序列关系,需要先将流量数据切分为若干个数据包单元,然后根据这些数据包单元判断该条流量所属的类别。该方法学习时序特征分为两个阶段,先在数据包内部学习其中字节之间的序列关系并输出包向量,然后在网络流的层面学习这些若干的包向量之间的序列关系,最后模型会基于这两个层次提取的高级时序特征进行融合再做出分类判断。该方法取得了整体数据96.98%的准确率,高于基于CNN模型的96.12%。（3）基于时空特征学习的匿名网络流量分类方法。本方法利用CNN和LSTM分别对匿名网络流量数据包的空间特征和数据包之间的时序特征进行提取并用于最终的分类。相较于基于层次化时序特征学习的方法,本方法与之不同之处在于对数据包内部信息的提取方式不同。本方法更加侧重数据包内部的空间特征而不是其内部的时序特征,所以本方法对数据包的处理方式是将其数据包的固定字节数进行独热编码,从而将数据包转化为二维图像。接着利用CNN学习其中的空间特征,然后将学习到的空间特征以包向量的形式输出,接着利用LSTM对这些包向量进行时序特征的学习。最后模型会综合这两个层次的特征信息进行最终分类的判定。本方法取得了整体数据98.51%的准确率。最后将本文提出的三种方法和基于MMN-CNN的分类方法、基于XGboost的分类方法、基于SVM的分类方法、基于随机森林的分类方法进行对比实验。其中,基于时空特征学习的匿名网络流量分类方法在总体准确率、类准确率和类可信度方面都取得了最好的结果,其次为基于层次化时序特征学习的匿名网络流量分类方法。