匿名系统能够通过对数据进行加密,达到保护用户隐私的目的。由于匿名系统的隐蔽性,指纹攻击已经成为网络监管部门识别匿名网络中非法活动的重要手段。同时,指纹攻击又是一把双刃剑,容易被不法分子利用来窃取匿名系统中的用户隐私,而指纹防御模型已经成为进一步保护用户隐私的有效方式。现有的攻击模型无法处理存在异常缺失数据以及高维特征的数据集,而现有的防御模型选取模糊目标策略单一,模糊规则过于简单,存在被破解的风险。针对上述问题,本文基于通过SSH匿名通信系统的上行流量进行分析,提出了更加高效的基于SSH匿名网站的指纹攻击和防御的模型。在指纹攻击方面,本文提取了多个新颖的高贡献值的数据特征,例如TCP请求连接的个数、上行数据包大小、上行数据包个数、数据包顺序等,并且在上行流量检测中首次引入机器学习中的随机森林分类算法,结合高维特征数据构建指纹攻击模型,通过实验验证该模型取得了 96.4%指纹攻击准确率。在指纹防御方面,本文提出新的基于启发式规则的防御模型,在模糊目标的选取时首次引入了随机性,并且制定更加复杂的模糊规则,通过实验验证该方法防御之后指纹攻击准确率降低至6.7%。并且为了该指纹防御模型更加适用于真实的网络环境中,通过对K-means算法进行改进并将其引入到指纹防御中,在维持一定的指纹防御效果的情况下减少了超过16.8%的带宽消耗。