匿名网络通信是一种具有高度匿名性的网络通信方式,因此广受匿名需求用户的欢迎。然而,攻击者仍然能够通过匿名网络中的通信流量数据挖掘泄露的隐私信息,构建相应的分类器进行用户行为的关联分析。构建匿名网络流量指纹模型,以此进行流量分析的被动攻击方式是一种主要的去匿名化攻击方法。然而结合深度学习分类器模型的去匿名化攻击方法仍然有诸多问题。针对现有深度学习攻击模型在处理长指纹序列上特征提取不充分的问题,结合时序卷积网络模型以及双向长短期记忆网络构建TCN-BL分类攻击模型,进一步提高卷积层的感受野,处理更长的指纹序列特征。模型分别从封闭世界场景数据以及开放世界场景数据上进行验证,对比传统的卷积神经网络模型,在两种场景下均能表现出较好的效果,分类精确度分别达到了97.65%和95.23%。同时,针对不同序列长度以及不同样本规模的数据集训练模型,分析分类效果。结果表明,TCN-BL模型能够在一定程度上适应小样本数据集的训练任务。通过对深度学习分类器攻击模型的构建,站在对立的角度,针对网络匿名性的保护这一课题考虑防御策略的实施。结合深度学习对抗攻击算法生成特定的扰动进行填充,形成对抗性样本。对于生成的样本,分别从扰动造成的负载消耗以及在攻击分类器模型中的分类准确度两方面进行综合评估。同时也使用We FDE信息泄露分析模型分析对抗性样本的信息泄露情况。结果表明,在负载消耗以及精确度的综合分析上,生成的对抗性样本较传统的防御性数据集具有更好的效果,负载消耗下降了20%,攻击分类器精确度下降了30%以上。同时较无防御的数据集相比,其特征信息泄露情况平均下降了0.72比特。