基于动态图神经网络的Tor节点分类方法

A Tor node classification method based on dynamic graph neural networks

摘要

Tor（The onion router）是一种基于多层加密和分布式路由技术的匿名通信网络，广泛应用于隐私保护领域。然而，Tor网络的高度匿名性也使其成为暗网活动的温床，给国家安全和社会稳定带来严重威胁。由于节点功能的多样性和网络的复杂性，如何进行有效的节点分类已成为一个重要的研究课题。本文提出了一种基于动态图神经网络（DySAT）的Tor节点分类方法，基于Tor中继节点历史关联图谱进行分析，并利用时空双重注意力机制同步关注节点的性能和安全性指标。实验部分通过筛选优质节点并与正常链路进行比较，验证了节点分类的有效性。相比于Tor默认建链算法，恶意节点选中概率由6.2%下降至1.8%；平均时延由0.478 s下降至0.389 s。该方法为未来暗网治理、脆弱节点识别及应对提供了新的技术路径，有助于提升网络的安全防护能力，遏制暗网中的非法活动。

Abstract

Tor （The onion router） is an anonymous communication network based on multi-layer encryption and distributed routing technology， which is widely used for privacy protection. However， its high anonymity also renders the network a breeding ground for Darknet activities， posing severe threats to national security and social stability. Due to the diversity of node functions and network complexity， effective node classification has become a critical research topic. This paper proposes a Tor node classification method utilizing Dynamic Self-Attention Temporal Graph Neural Networks（DySAT）. This approach analyzes the historical association graph of Tor relay nodes and employs a spatiotemporal dual-attention mechanism to simultaneously capture node performance and security indicators. Experiments validate the effectiveness of the proposed method by selecting high-quality nodes and benchmarking performance against normal circuits. Compared with Tor’s default circuit construction algorithm， the probability of selecting malicious nodes is reduced from 6.2% to 1.8%， and the average latency drops from 0.478 s to 0.389 s. Consequently， this method provides a new technical approach for Darknet governance， vulnerable node identification， and mitigation， helping to enhance network security capabilities and contain illegal activities on the Darknet.

Graphical abstract

关键词

Tor网络 / 节点分类 / 动态神经网络 / 性能评估

Key words

Tor network / node classification / dynamic neural network / performance evaluation

匿名通信技术通过数据转发、加密、流量混淆等手段，能够隐匿通信双方的身份及通信关系，有效抵御流量分析攻击^［1-2］。Tor^［3］网络作为最知名的匿名通信网络，凭借其独特的洋葱路由技术，在低时延匿名网络领域占据了主导地位。然而，Tor的匿名性也使其成为暗网活动的温床，成为了非法信息发布、网络攻击和暴恐宣传的主要渠道，给全球网络安全带来了巨大挑战^［4］。随着Tor网络的扩展，网络中的中继节点大多由志愿者提供，节点性能参差不齐，节点种类繁杂。这种节点异质性不仅影响了Tor网络的整体性能，还增加了网络安全工作者在抵抗Tor网络带来的安全威胁时的复杂性^［5-6］。为了便于对Tor网络实施有效管控，尤其是对抗其潜在的恶意活动，有必要对网络中的节点进行分类。这一分类可以包括优质节点（提供高性能通信服务的节点）、恶意节点（伪装正常节点以实施攻击或传播非法信息的节点）、脆弱节点（存在安全漏洞，容易被攻击的节点）等。通过对Tor网络节点进行精确分类，能够更清晰地识别和应对不同类型的节点，从而为抵御Tor网络带来的安全风险提供更加有效的对策。

因此，本文提出了一种基于动态图神经网络的Tor节点分类方法。该方法通过融合节点和链路的多维度特征，包括节点标识、带宽容量及波动率、地理位置、链路质量和家族关系等，精确地对Tor网络中的各类节点进行分类，从而为Tor网络的精确管控提供有力支持。为了验证该方法的有效性，我们在实验中通过筛选优质节点，并基于时延、抖动等可量化的性能指标进行全面对比。实验结果表明，采用该方法筛选出的优质节点在性能（如时延和抖动）和安全性（如恶意节点选取概率较低）方面，均显著优于Tor默认的链路构建算法，验证了节点分类算法的有效性。本文的主要贡献如下：1） 提出了一种基于动态图神经网络的Tor节点分类方法。该方法融合了网络历史数据和实时链路测量指标，构建了面向Tor节点性能和安全性评估的动态网络关联图谱。这一方法为Tor节点分类和Tor网络分析提供了新的技术路径。2） 针对Tor节点分类问题，提出了多维度特征融合策略。通过结合节点标识、带宽容量、地理位置、家族关系等多种因素，精确分类Tor网络中的节点类型。

1 国内外研究现状

随着Tor网络在匿名通信领域的广泛应用，其安全性和性能问题已成为网络安全研究的重要课题。国内的相关研究主要聚焦于暗网的具体内容与防控策略，重点分析暗网流量、暗网网站指纹识别，以及暗网中的黑话、灰色产业链等方面，为暗网监控和治理提供了多维度的视角。然而，针对Tor网络中继节点的深入研究，特别是节点的功能、性能和安全性分析，仍然是一个相对薄弱的研究领域。相比之下，国外的研究则更侧重于Tor中继节点的性能评估和恶意节点识别，并在此方面取得了较为深入的成果。

1.1 中继节点性能估计

Darir等提出了DiProber^［7］用于估计Tor网络内中继节点的实际带宽容量，有效解决了传统估算算法导致的Tor网络容量分配不公平、网络负载不均衡的问题。Cangialosi等^［8］则提出了Ting方法，能够测量Tor网络中任意两个中继节点之间的时延，在小训练样本下也具有符合现实状况的策略结构，降低了技术实施的难度和成本。Sherr等^［9］则是依据中继节点之间的时延和抖动等参数评估链接性能，提高网络的稳定性和可靠性。

1.2 恶意节点识别

Sanatinia等^［10］提出了Honey Onions框架，专门用于检测Tor网络中具有HSDir能力的中继节点的窥探行为，为识别此类恶意行为提供了有效手段。Dahal等^［11］则研究了攻击者控制节点对Tor网络中用户匿名性的影响，深入分析了攻击者通过添加不同类型节点时对端到端节点选择概率的影响，揭示了攻击者对网络匿名性的潜在威胁。Wu等^［12］提出了一种社交影响感知的Sybil检测机制，通过计算静态相似度和动态相似度来评估节点的社交影响力，从而筛选出可疑节点，有效提高了Sybil攻击检测的准确率。Winter等^［13］开发了sybilhunter系统，提出了一种基于中继配置和行为分析来检测Sybil中继的新方法，并利用Sybil中继的时序相似性来识别Sybil节点，为防范Tor网络中的Sybil攻击提供了有力工具。

2 特征选择与模型设计

在Tor节点分类任务中，特征选择与模型设计是确保分类精度与有效性的核心步骤。本节将系统地介绍为Tor中继节点分类所选取的关键特征，并阐述如何通过图谱结构进行特征融合，以便在后续模型中有效利用这些信息。在第2.1节中，我们将对Tor中继节点的性能和安全性指标进行详细分析，确定用于节点分类的特征空间；并在第2.2节中基于这些特征构建关联图谱中的节点和边特征；最后在第2.3节中重点介绍所采用的动态图神经网络模型（DySAT），并详细解析其双重注意力机制在节点分类中的作用和优势。

基于动态图神经网络的Tor节点分类流程如图1所示，通过对每个时间点计算点特征和边特征构建图快照，按时间顺序组合形成动态图输入，最终由DySAT模型学习节点的嵌入表示并完成节点分类任务。

2.1 Tor中继节点特征分析

Tor匿名网络的中继节点由全球志愿者提供，表现出显著的性能差异和潜在的安全风险。一方面，节点的带宽资源存在较大差异，低带宽节点可能成为匿名链路的瓶颈，影响网络的整体性能；另一方面，恶意中继节点通过流量关联攻击等手段破坏匿名性，进而威胁用户隐私的安全。本文将重点讨论两类影响中继节点性能和安全性的关键参数。

2.1.1 节点性能指标

Tor官方在Consensuses共识文件中提供了大量节点的拓扑快照信息，如覆盖身份标识、网络地址和服务类型等核心元数据。其中，节点标识特征是直接反映性能的特征。它们直接反映了节点在一段时间内的运行情况，具有极大的参考价值，节点标识的功能如表1所示。

同时，带宽也是反映网络传输速度的有力指标^［14-15］，Tor在官方文件Bandwidth File中提供了历史节点带宽的评估参数，如节点平均带宽、峰值带宽以及节点测量时的连接情况等，能够反映节点在网络传输过程中的速率和稳定性。带宽参数如表2所示。

2.1.2 节点安全性指标

得益于较为严格的家族审核机制以及Tor家族节点的提供者作为较大规模的团体，往往有着更丰富的算力资源，家族节点在Tor网络中扮演着重要的作用，Tor Metrics数据显示，家族节点的带宽中位数较独立节点提升80.5%。并且家族节点通常有相同的规格的网络性能，分析家族关系也可以作为节点性能评估的一个重要指标^［16］。节点家族通过Microdescriptor中的双向声明机制形成隐性关联网络，其配置语法为“MyFamily fingerprint₁，fingerprint₂，…”。由于缺乏中心化注册机制，需通过图论模型推导实际关联结构^［17-20］。

定义节点集合N构成无向图G=(N,E)，边集E的生成规则为：

E\left(n\right)=\left\{m\in S\left(n\right)\bigcup \left\{n\right\}\left|S\left(m\right)\bigcap S(n)\ne \mathrm{\varnothing }\right.\right\}（1）

其中，S（n）表示节点n声明的家族成员指纹集合。通过计算G的极大连通子图，可将节点划分为独立家族集群\{C_{\mathrm{1}},C_{\mathrm{2}},\dots ,C_k\}，该建模方法有效解决了家间接声明关系的传递性推导（如A→B且B→C则A↔C），满足式（2）。

\stackrel{k}{\underset{i=\mathrm{1}}{\cup }}{C}_i=N,C_i\bigcap C_j=\mathrm{\varnothing },i\ne j（2）

2.2 特征选择

上文介绍了与Tor节点性能相关的参数以及获取途径，但由于Tor历史节点信息复杂、节点关联关系也会影响节点性能，使用常规的机器学习方法难以取得较好的性能。因此，我们提取出不同时间段各中继节点的时延性能、节点描述特征、节点关联特征并构建历史关联图谱，通过动态图神经网络的方式进行特征学习，旨在更好地挖掘节点间的潜在关联。

2.2.1 点特征

点特征主要包含节点标识特征、带宽融合特征与节点地理位置特征。对于表1提到的节点标识离散特征，采用独热编码（One-Hot Encoding）将离散特征映射为五维向量，有助于消除传统标签编码带来的序数误解风险，起到压缩特征数量的作用，同时保留了每个特征独立的维度，能够反映节点功能的相似性，公式如式（3）所示。

F_{\mathrm{f}\mathrm{l}\mathrm{a}\mathrm{g}\mathrm{s}}=\left[I_{\mathrm{F}\mathrm{a}\mathrm{s}\mathrm{t}},I_{\mathrm{G}\mathrm{u}\mathrm{a}\mathrm{r}\mathrm{d}},I_{\mathrm{S}\mathrm{t}\mathrm{a}\mathrm{b}\mathrm{l}\mathrm{e}},I_{\mathrm{E}\mathrm{x}\mathrm{i}\mathrm{t}},I_{\mathrm{V}\mathrm{a}\mathrm{l}\mathrm{i}\mathrm{d}}\right]（3）

而基于复杂多维度的原始带宽指标，本小节构建了两类复合型特征指标作为带宽融合特征，分别用带宽容量指数B_{\mathrm{B}\mathrm{C}\mathrm{I}}（Bandwidth Capacity Index， BCI）和带宽波动率B_{\mathrm{B}\mathrm{V}}（Bandwidth Volatility， BV）来反映节点带宽性能：

B_{\mathrm{B}\mathrm{C}\mathrm{I}}=\alpha \bullet \frac{b_{\mathrm{m}\mathrm{e}\mathrm{a}\mathrm{n}}+b_{\mathrm{m}\mathrm{e}\mathrm{d}\mathrm{i}\mathrm{a}\mathrm{n}}}{\mathrm{2}}+\beta \bullet b_{\mathrm{c}\mathrm{o}\mathrm{n}\mathrm{s}\mathrm{e}\mathrm{n}\mathrm{s}\mathrm{u}\mathrm{s}}+\gamma \bullet \frac{b_{\mathrm{l}\mathrm{a}\mathrm{s}\mathrm{t}}+b_{\mathrm{b}\mathrm{u}\mathrm{r}}}{\mathrm{2}}（4）

\begin{array}{l}{B}_{\mathrm{B}\mathrm{V}}=\left(\mathrm{1}-\frac{b_{\mathrm{c}\mathrm{o}\mathrm{n}\mathrm{s}\mathrm{e}\mathrm{n}\mathrm{s}\mathrm{u}\mathrm{s}}}{\mathrm{m}\mathrm{a}\mathrm{x}\left(b_{\mathrm{c}\mathrm{o}\mathrm{n}\mathrm{s}\mathrm{e}\mathrm{n}\mathrm{s}\mathrm{u}\mathrm{s}}\right)}\right)\bullet \frac{{\sum }_{k=\mathrm{1}}^{\mathrm{5}}\mathrm{e}\mathrm{r}\mathrm{r}\mathrm{o}{\mathrm{r}}_k}{N_{\mathrm{a}\mathrm{t}\mathrm{t}\mathrm{e}\mathrm{m}\mathrm{p}\mathrm{t}\mathrm{s}}},\\ N_{\mathrm{a}\mathrm{t}\mathrm{t}\mathrm{e}\mathrm{m}\mathrm{p}\mathrm{t}\mathrm{s}}={\displaystyle \sum _{k=\mathrm{1}}^{\mathrm{5}}}\mathrm{e}\mathrm{r}\mathrm{r}\mathrm{o}{\mathrm{r}}_k+N_{\mathrm{s}\mathrm{u}\mathrm{c}\mathrm{c}\mathrm{e}\mathrm{s}\mathrm{s}}\end{array}（5）

其中，\alpha +\beta +\gamma =\mathrm{1}为可训练权重参数；b_{\mathrm{m}\mathrm{e}\mathrm{a}\mathrm{n}}、b_{\mathrm{m}\mathrm{e}\mathrm{d}\mathrm{i}\mathrm{a}\mathrm{n}}、b_{\mathrm{c}\mathrm{o}\mathrm{n}\mathrm{s}\mathrm{e}\mathrm{n}\mathrm{s}\mathrm{u}\mathrm{s}}、b_{\mathrm{l}\mathrm{a}\mathrm{s}\mathrm{t}}、b_{\mathrm{b}\mathrm{u}\mathrm{r}}分别反映了节点的均值带宽、中间带宽、共识带宽、最后测量带宽、迸发带宽，从统计值、权威测量值、瞬时状态3个维度较为全面地衡量了节点的带宽和节点的承载能力。

在带宽波动率特征中，主要统计了测量带宽时出现的5种错误，作为反映使用节点构建链路稳定性的主要依据，错误率越高，稳定性越差。同时，因为对于高带宽节点而言，构建链路时出现错误的影响小于低带宽节点，所以增加了一个带宽权重补正系数\mathrm{1}-\frac{b_{\mathrm{c}\mathrm{o}\mathrm{n}\mathrm{s}\mathrm{e}\mathrm{n}\mathrm{s}\mathrm{u}\mathrm{s}}}{\mathrm{m}\mathrm{a}\mathrm{x}\left(b_{\mathrm{c}\mathrm{o}\mathrm{n}\mathrm{s}\mathrm{e}\mathrm{n}\mathrm{s}\mathrm{u}\mathrm{s}}\right)}。

节点地理位置特征则包括节点所在的经度和纬度，通过这两个数据可以具体地定位节点，实验通过公开的GeoLite2 City数据库定位IP地址.节点的网络位置特征是它的自治系统编号（Autonomous System Number， ASN）。

2.2.2 边特征

边特征由链路质量和家族关系构成。在Tor网络中，由于负载均衡机制的影响，带宽较高的节点往往意味着更高的用户负载，这可能导致其传输性能下降。为了全面评估链路的传输能力，本节引入了带宽时延积B_{\mathrm{B}\mathrm{D}\mathrm{P}}^{ij}（Bandwidth-Delay Product， BDP）的变体，作为衡量两中继节点之间链路质量的特征。其计算公式如式（6）所示。

B_{\mathrm{B}\mathrm{D}\mathrm{P}}^{ij}=\frac{B_i\times B_j}{D_{ij}+Ò}（6）

其中，B_i、 B_j为相邻中继节点的带宽，D_{ij}为测量链路5次平均时延。引入修正因子\delta =\mathrm{1}\times {\mathrm{10}}^{-\mathrm{5}}，考虑模拟节点时延的抖动，防止出现分母在极端情况下为0的情况。

家族关系则是Tor网络中中继节点之间最直接的关联方式。家族节点通常具有稳定且一致的性能，其提供的带宽也显著高于普通中继节点。因此，家族关系在衡量高性能节点相关性方面具有重要意义。家族特征权重的生成公式见式（7）。

w_{ij}^f=\left\{\begin{array}{l}\mathrm{l}\mathrm{n}\left(\mathrm{1}+\frac{\left|S_i\bigcap S_j\right|}{\left|S_i\bigcup S_j\right|}\right),j\in S_i\wedge i\in S_j\\ \mathrm{0.3}\mathrm{l}\mathrm{n}\left(\mathrm{1}+\frac{\left|S_i\bigcap S_j\right|}{\left|S_i\bigcup S_j\right|}\right),j\in S_i\wedge i\notin S_j\\ \mathrm{0},j\notin S_i\wedge i\notin S_j\end{array}\right.（7）

式（7）反映了两个节点声明关系的相关性。在实际的Tor家族配置中，由于家族关系由提供节点的志愿者自发维护，尽管Tor规范要求节点在配置文件中显式声明与同一运营者的其他节点指纹，形成双向身份绑定，但实际操作中并未强制执行这一要求。因此，部分家族节点可能在配置时出现单向声明的情况，且也不能排除节点故意隐瞒自身家族关系的可能性。对于图神经网络而言，边的权重反映了节点间的关联程度。因此，对于单向声明的节点，在构建边权重时，应适当降低其家族节点之间的边权重。

2.3 模型设计

本节介绍我们采用的图神经网络模型DySAT（Dynamic Self-Attention Temporal Graph Networks），重点阐述其核心的双重注意力机制在节点分类中的重要作用。如图2所示，DySAT创新性地将结构自注意力层和时间自注意力层作为模型的基本模块。在DySAT的运行过程中，多个图快照的集合作为输入数据，模型的目标输出是每个时间步对应的节点嵌入表示。

2.3.1 结构注意力模块

结构注意力模块由多个堆叠的结构自注意力层组成，用于从不同距离的节点中提取特征。每个层应用于每个图快照，并共享参数，以捕捉每个时间步节点周围的局部结构。输入到一个层的嵌入在不同快照中可能会有所不同，DySAT将结构注意力模块输出的节点表示记为\{h_v^{\mathrm{1}},h_v^{\mathrm{2}},,\dots ,h_v^T,\}，h_v^t\in {\mathbb{R}}^F，这些表示作为输入馈送到时间注意力模块。具体来说，结构自注意力层通过计算注意力权重来关注节点 的直接邻居，注意力权重是其输入节点嵌入的函数。结构注意力层的操作定义如下式所示。

z_v=\sigma \left(\sum _{\mu \in N_v}{\alpha }_{uv}{W}^s{x}_u\right),{\alpha }_{uv}=\frac{\mathrm{e}\mathrm{x}\mathrm{p}(e_{uv})}{{\sum }_{w\in N_v}\mathrm{e}\mathrm{x}\mathrm{p}(e_{uv})}（8）

e_{uv}=\sigma \left(A_{uv}\bullet a^T\left[W^s{x}_u\right]\left[W^s{x}_u\right]\right),\forall \left(u,v\right)\in E（9）

其中，N_v=\{u\in V:(u,v)\in E\}是节点v在快照G中的直接邻居集，W^s\in {\mathbb{R}}^{F\times D}是应用于图中每个节点的共享权重变换，\alpha \in {\mathbb{R}}^{\mathrm{2}D}是一个权重向量，用于参数化作为前馈层实现的注意力函数，\sigma (\bullet )是非线性激活函数。A_{uv}是当前快照G中边(u,v)的权重，通过对每个节点v的邻居进行softmax得到的一组学习系数{\alpha }_{uv}，是在当前快照中节点u对节点z的贡献。

通过堆叠结构自注意力层，该方法可以充分捕捉图演化的单一类型或方面，考虑到本节需要对Tor网络多维度的可信度进行评估，如考虑节点的隐藏家族关系、是否虚报节点，以及是否属于恶性的HSDir节点，模型采用了多头注意力的机制，从不同潜在视角去捕捉动态图的演化关系，然后将多注意头连接起来计算输出表示，如式（10）所示。

h_v=\mathrm{C}\mathrm{o}\mathrm{n}\mathrm{c}\mathrm{a}\mathrm{t}\left(z_v^{\mathrm{1}},z_v^{\mathrm{2}},\dots ,z_v^{H_S}\right),\forall v\in V（10）

其中，H_S是注意力头的数量，h_v\in {\mathbb{R}}^F是多头注意力后节点的输出。注意，虽然结构注意力在每个快照上独立应用，但结构注意力头的参数在不同快照之间是共享的。

2.3.2 时间注意力模块

时间注意力模块则通过位置嵌入的方式，在时间注意力模块中使用\left\{p^{\mathrm{1}},\dots ,p^T\right\},p^t\in {\mathbb{R}}^F模块捕捉时间顺序信息，位置嵌入对每个快照的绝对时间位置进行编码。然后，将位置嵌入与结构注意力模块的输出相结合，得到节点v在多个时间步的输入表示序列：\{h_v^{\mathrm{1}}+p^{\mathrm{1}},\dots ,h_v^T+p^T\}，其中包含多个堆叠的时间自注意力层。最后一层的输出通过一个逐位置前馈层，得到最终的节点表示\left\{e_v^{\mathrm{1}},\dots ,e_v^T\right\},\forall v\in V。

DySAT的输入动态图由一系列时序连续的图快照构成G=\{G^{\mathrm{1}},G^{\mathrm{2}},\dots ,G^T\}，其中每个快照G^t=(V^t,E^t,A^t) 表示时间步t的网络状态。切片时间快照之间能通过时间轴进行关联，节点\{e_v^t\}需同时编码当前拓扑与历史演化特征。节点和边连接关系动态变化，特征能够跨时间步联合优化，直接捕捉网络动态关系。对于Tor节点的点特征，额外引入nickname、Contact和在线时序关系；对于节点的边特征，也同样增加了nickname、Contact和在线时序家族关系作为补充。同时对隐藏家族节点、虚报带宽节点和恶意HDSir节点在结构注意力框架中进行适当的降低权重，以尽可能地规避其可能对网络整体带来的负面影响。具体的设计为在网络中添加额外的节点安全性评估注意头引导网络，降低隐藏家族节点、虚报带宽节点和恶意HDSir节点的传播能力。结构注意力头的计算公式如下所示。

a_{uv}^{\mathrm{f}\mathrm{a}\mathrm{m}\mathrm{i}\mathrm{l}\mathrm{y}}=\mathrm{S}\mathrm{o}\mathrm{f}\mathrm{t}\mathrm{m}\mathrm{a}\mathrm{x}[S_{\mathrm{N}\mathrm{i}\mathrm{c}\mathrm{k}}\left(u,v\right)+S_{\mathrm{C}\mathrm{o}\mathrm{n}\mathrm{t}\mathrm{a}\mathrm{c}\mathrm{t}}\left(u,v\right)+S_{\mathrm{t}\mathrm{i}\mathrm{m}\mathrm{e}}\left(u,v\right)]（11）

a_{uv}^{\mathrm{b}\mathrm{w}}=\mathrm{S}\mathrm{o}\mathrm{f}\mathrm{t}\mathrm{m}\mathrm{a}\mathrm{x}[-\left(D{R}_u+D{R}_v\right)]（12）

a_{uv}^{\mathrm{H}\mathrm{S}\mathrm{D}\mathrm{i}\mathrm{r}}=\mathrm{S}\mathrm{o}\mathrm{f}\mathrm{t}\mathrm{m}\mathrm{a}\mathrm{x}\left\{-[P_{\mathrm{m}\mathrm{a}\mathrm{l}}\left(u\right)+P_{\mathrm{m}\mathrm{a}\mathrm{l}}(v)]\right\}（13）

h_v=\mathrm{C}\mathrm{o}\mathrm{n}\mathrm{c}\mathrm{a}\mathrm{t}\left(z_v^{\mathrm{f}\mathrm{a}\mathrm{m}\mathrm{i}\mathrm{l}\mathrm{y}},z_v^{\mathrm{b}\mathrm{w}},z_v^{\mathrm{H}\mathrm{S}\mathrm{D}\mathrm{i}\mathrm{r}}\right),\forall v\in V（14）

其中， a_{uv}^{\mathrm{f}\mathrm{a}\mathrm{m}\mathrm{i}\mathrm{l}\mathrm{y}}、 a_{uv}^{\mathrm{b}\mathrm{w}}、 a_{uv}^{\mathrm{H}\mathrm{S}\mathrm{D}\mathrm{i}\mathrm{r}}分别代表表征家族关系、虚报带宽指数和恶意HSDir的结构注意力头，均为反映对应恶意节点可能性的参数指标。

3 实验与分析

3.1 数据集

本实验采用了CollectTor模块中2024年12月份的数据，下载模块中的共识文件和额外描述符文件，采集到234 305条数据，涉及10 843个节点，其中正样本共计2058个。在后续实验分析中，将准确率、召回率、精确率和F1值作为节点分类性能评估的主要指标，在衡量分类结果的性能提升时，将节点构建链路的时延和抖动作为评估指标。链路时延直接影响数据传输的时效性，抖动则体现链路的稳定性。通过对这两项指标的监测与分析，能有效评估分类结果在优化节点链路性能方面的成效，进而深入挖掘分类模型在提升Tor网络传输性能上的潜力。同时，本文设计了对比实验，用于验证网络模型的泛化能力和DySAT网络中双重注意力机制对网络性能的影响，以及评估本模型对恶意节点筛除能力。

本文依据文献［21-22］提出的方法，筛选出疑似的恶意节点，作为后续模型恶意节点误选率对比实验的参考依据。数据表明，疑似的恶意节点在Tor中继节点中仍然占据了一定规模，如果不引用额外的节点安全性考察，对此类节点进行过滤分析，用户可能面临潜在的安全性风险。

3.2 分类器能力评估

为了系统评估本文构建的动态图注意力网络模型在优质节点分类和恶意节点识别中的性能，本节设计了3组对比实验，从注意力机制功能、恶意节点识别能力和网络泛化能力3个角度衡量算法的效果。

实验1 注意力机制与无注意力机制的对比实验。为验证结构注意力机制在抑制恶意节点方面的有效性，我们通过对比引入结构注意力与不使用结构注意力的模型性能，系统地分析拓扑感知模块在动态分类任务中的作用。实验中，结构注意力通过动态分配节点权重来识别异常关联模式，而无注意力模型则采用均值聚合。如图3所示，实验虽然引入结构注意力后，模型的分类性能指标变化不大，整体保持较高的分类精度，但在后续的实验2中证明，结构注意力机制能显著降低分类器选取恶意节点的概率。实验结果表明，在不牺牲整体分类精度的前提下，结构注意力机制有效增强了模型对抗恶意伪装行为的鲁棒性。

为验证时间注意力机制对网络模型的影响，本实验对比了引入时间注意力与无时间注意力机制的模型性能。实验结果如图4所示，引入时间注意力后，模型的准确率提升了6.9%，召回率提升了7.4%，精确率和F1值都同比提升，引入时间注意力机制后，模型对于节点间潜在关联逻辑的学习能力增强。

实验2 恶意节点选择概率对比实验。本实验以恶意节点选择概率为核心指标^［23］，比较了4种方法：Tor默认建路算法、单独引入时间注意力机制、单独引入结构注意力机制以及同时引入两种注意力机制的模型变体。通过实验对比，系统评估了注意力机制对恶意节点抑制能力的影响。实验结果如图5所示，与Tor默认建路选择相比，时间注意力和结构注意力机制均能有效抑制恶意节点的选择。引入结构注意力后，恶意节点选择概率从6.4%降低至2.1%，下降幅度达68.4%。结构注意力通过梯度反向传播，自动降低异常节点的影响力权重，从而抑制恶意节点通过关联关系传播误导权值的能力，表明结构注意力机制显著增强了模型对优质节点的细粒度感知能力。

实验3 网络泛化能力对比实验。为评估模型在面对网络变化时的泛化能力，实验对比了传统GCN和本文提出的DySAT算法的表现（图6）。实验结果表明，传统GCN由于其直推式学习机制的限制，准确率随时间的下降而显著衰减。在模型训练20 d后，针对当前Tor网络的优质节点筛选，准确率已降至60.7%。相比之下，本文提出的DySAT算法展示了更强的泛化能力。经过20 d 的Tor真实网络的变化，DySAT模型在优质中继节点识别上的准确率仍达到88.8%，与模型训练初期的结果相比，仅下降7.0%。实验结果验证了动态图神经网络在处理节点动态演化时的强适应性。

3.3 分类结果性能分析

为了系统评估高性能节点的实际传输效果，本研究设计了多轮动态路径构建实验。实验从分类模型筛选出的高性能节点池中随机选取3个节点构建传输链路，并与Tor默认选路算法进行横向对比。每组实验执行5轮独立测试，每轮测试生成30条有效路径，并对每条路径进行10次连续性数据传输，记录端到端时延均值与抖动系数。通过控制变量法确保测试环境一致性，重点验证不同算法在Tor真实网络条件下的鲁棒性^［24］。

实验结果如图7和图8所示。DySAT算法通过使用更细粒度的时间切片捕捉优质节点之间隐藏的关联关系，并采用时间注意力结构强化节点选择的稳定性，因此，在时延和抖动方面有了较大的提升。具体来说，Tor默认建路算法的平均时延为0.478 s，而DySAT算法为0.389 s，节点抖动也有所改善。但需要注意，额外的网络模块设计虽然提升了性能，但也带来了更大的开销。

4 结论

本文提出了一种基于动态图神经网络（DySAT）的Tor节点分类方法。该方法通过融合节点和链路的多维度特征，精确分类Tor网络中的各类节点，从而为网络安全工作者识别和应对Tor网络潜在的安全威胁提供支持。实验结果表明，利用该方法筛选出的优质节点构建的链路在时延、抖动等性能指标上显著优于Tor默认的链路构建算法。此外，该方法在减少恶意节点选择概率和提升模型泛化能力方面，相较于传统方法表现出明显优势。该研究为增强Tor网络的安全防护能力和应对暗网威胁提供了新的思路和方法，未来可进一步优化模型，平衡性能与开销之间的关系。

参考文献

[1] Luo J Z， Yang M， Ling Z， et al.Anonymous communication and darknet： A survey ［J］.Journal of Computer Research and Development， 2019（1）： 103-130.

[2] 罗军舟，杨明，凌振，等.匿名通信与暗网研究综述［J］.计算机研究与发展， 2019， 56 （1）： 103-130.

[3] Ma C W， Zhang Y， Fang B X， et al.Survey on anonymous networks ［J］.Journal of Software， 2023， 34（1）： 404-420.

[4] 马传旺，张宇，方滨兴，等.匿名网络综述［J］.软件学报， 2023， 34 （1）： 404-420.

[5] Dingledine R， Mathewson N， Syverson P.Tor： The second-generation onion router ［C］//Proceedings of the 13th USENIX Security Symposium， 2004.

[6] Lan H L， Li F J， Wang Q， et al.Anonymous communication and darknet Space comprehensive governance ［J］.Journal of Frontiers of Computer Science and Technology， 2022， 16（11）： 2430-2455.

[7] 兰浩良，李馥娟，王群，等.匿名通信与暗网综合治理［J］.计算机科学与探索， 2022，16 （11）： 2430-2455.

[8] Zhu Y F， Hu Y X， Chen B， et al.Survey of research on Tor-based anonymous networking technologies ［J］.Journal on Communications， 2025， 46（5）： 218-237.

[9] 朱俞翡，胡宇翔，陈博，等.基于Tor的匿名网络技术研究综述［J］.通信学报， 2025， 46（5）： 218-237.

[10] He G F， Yang M， Luo J Z， et al.Online identification of Tor anonymous communication traffic ［J］.Journal of Software， 2013， 24（3）： 540-556.

[11] 何高峰， 杨明， 罗军舟， 等.Tor匿名通信流量在线识别方法［J］.软件学报， 2013， 24（3）： 540-556.

[12] Darir H， Borisov N， Dullerud G.DiProber： Using dual probing to estimate tor relay capacities in underloaded networks ［PP/OL］.V1.arxiv（2022-11-30）［2025-10-13］.

[13] Cangialosi F， Levin D， Spring N.Ting： Measuring and exploiting latencies between all tor nodes ［C］//Proceedings of the 2015 Internet Measurement Conference， 2015： 289-302.

[14] Sherr M， Blaze M， Loo B T.Scalable link-based relay selection for anonymous routing ［M］//Privacy enhancing technologies， 2009： 73-93.

[15] Sanatinia A， Noubir G.Honey Onions： A framework for characterizing and identifying misbehaving Tor HSDirs ［C］//2016 IEEE Conference on Communications and Network Security （CNS）， 2016： 127-135.

[16] Dahal S， Lee J， Kang J， et al.Analysis on end-to-end node selection probability in Tor network ［C］//2015 International Conference on Information Networking （ICOIN）.Cambodia： IEEE， 2015： 46-50.

[17] Wu D， Si S， Wang H， et al.Social influence aware sybil detection in social networks ［C］//2017 IEEE/CIC International Conference on Communications in China （ICCC）， 2017： 1-4.

[18] Winter P， Ensafi R， Loesing K， et al.Identifying and characterizing sybils in the tor network ［C］//USENIX Security Symposium， 2016： 1169-1185.

[19] Mo F.Research on Tor network transmission performance optimization methods ［D］.Chengdu： University of Electronic Science and Technology of China， 2024.

[20] 莫凡.Tor网络传输性能优化方法研究［D］.成都： 电子科技大学， 2024.

[21] Lü M， Zhu Y F， Lin W.Dynamic routing algorithm based on bandwidth of anonymous network ［J］.Journal on Communications， 2019（5）： 591-596.

[22] 吕蒙， 祝跃飞， 林伟.基于匿名网络带宽的动态路由算法［J］.通信学报， 2019（5）： 591-596.

[23] Wang X， Fang B X， Liu P P， et al.Measuring and analyzing node families in the Tor anonymous communication network ［J］.Journal on Communications， 2015（2）： 80-87.

[24] 王啸， 方滨兴， 刘培朋， 等.Tor匿名通信网络节点家族的测量与分析［J］.通信学报， 2015（2）： 80-87.

[25] Sankar A， Wu Y， Gou L， et al.DySAT： Deep neural representation learning on dynamic graphs via self-attention networks ［C］//Proceedings of the 13th International Conference on Web Search and Data Mining， 2020： 519-527.

[26] Wang J Z， Kong L W， Huang Z C， et al.Survey of graph neural network ［J］.Computer Engineering， 2021， 47（4）： 1-12.

[27] 王健宗， 孔令炜， 黄章成， 等.图神经网络综述［J］.计算机工程， 2021， 47（4）： 1-12.

[28] Liu J Q， Tu W X， Zhu E. Survey on graph convolutional neural network ［J］.Computer Engineering Science， 2023， 45（8）： 1472-1481.

[29] 刘俊奇， 涂文轩， 祝恩.图卷积神经网络综述［J］.计算机工程与科学， 2023， 45（8）： 1472-1481.

[30] Wu S， Sun F， Zhang W， et al.Graph neural networks in recommender systems： A survey ［J］.ACM Comput Surv， 2023， 55（5）： 1-37.

[31] Li X.Design and implementation of high quality nodes selection scheme for Tor network ［D］.Chengdu： University of Electronic Science and Technology of China， 2023.

[32] 李鑫.Tor网络高质量节点选择方案的设计与实现［D］.成都： 电子科技大学， 2023.

[33] Sanatinia A， Noubir G.Honey Onions： A framework for characterizing and identifying misbehaving Tor HSDirs［C］//2016 IEEE Conference on Communications and Network Security （CNS）， 2016： 127-135.

[34] Dahal S， Lee J， Kang J， et al.Analysis on end-to-end node selection probability in Tor network ［C］//2015 International Conference on Information Networking （ICOIN）， 2015： 46-50.

[35] Lin Y.Research on Tor communication performance optimization method based on circuit delay estimation ［D］.Chengdu： University of Electronic Science and Technology of China， 2022.

[36] 林杨.基于链路时延估计的Tor通信性能优化方法研究［D］.成都： 电子科技大学， 2022.

基金资助

国家重点研发项目(2023YFB3106600)