互联网给人们日常生活带来方便的同时,其安全问题亦在日益增多。无论是在匿名通信追踪还是跳板入侵检测中,流身份鉴别都是一个很重要的问题。常用的网络流水印技术虽然能够有效地对数据流来源进行确认追踪,但其很难同时实现较强的鲁棒性和隐蔽性。例如,在基于时间间隔的网络流水印方法中,检测者在转发或者记录各类流量特征后,会通过缩小或者扩大相邻数据包间的时延来完成水印的嵌入过程。由于此类方法在每个时隙內引入的时间延迟较小,所以水印的隐蔽性较好。不过,一旦网络流在传输过程中出现丢包、包重组、虚假数据包注入等干扰现象时,使用此类方法可能会导致水印的自同步化失效,进而无法恢复嵌入的特殊信号,故流水印的鲁棒性较弱。本课题的研究目标是在不需要转发和扰乱流量模式的前提下,设计兼具鲁棒性和适应性的流标识符,以便准确、高效地进行网络流的关联匹配。总体而言,本研究致力于为传统流量分析技术与经典信息理论、密码学原理的结合,提供一个可能有趣的视角。一方面,借助Takens定理探寻隐藏在流量模式中的混沌特性,并以此获取一个以Huffman编码为基础的流标识符;另一方面,巧用网络流固有的突发性和混沌特性,选取独特而顽健的流量特征,并以此为基础构建一个基于Shamir(t,n)门限秘密共享机制的流标识符。实验结果显示,与现存的比较重要的方法相比,本文所提方案在时延抖动、分组恶意丢弃、虚假数据包注入等网络干扰下,仍然具备较好的检测性能。