洋葱路由（Dark Web）简介
访问原理
部分网络只能通过Tor（“洋葱路由”项目）和I2P（“隐形网计划”）等网络访问。用户广泛使用洋葱浏览器和Tor可访问的站点，站点可以通过“.onion”域名识别。Tor专注于提供对互联网的匿名访问，而I2P则专注于匿名网站托管。分层加密系统使得基于洋葱路由访问网站的用户的身份和位置保持匿名，无法被追踪。洋葱路由中的加密技术通过大量中间服务器发送用户数据，保护了用户身份并保障匿名。传输的信息只能由路径中的后续节点解密，而这些节点通向出口节点。因为系统过于复杂，所以几乎不可能再生节点路径并逐层解密信息。由于高层次的加密，网站无法跟踪其用户的地理位置和IP，用户也无法获取网站主机的有关信息。因此，用户之间的通信是高度加密的，允许用户以保密方式交流、发博客以及共享文件。
下图为洋葱路由连接原理和网络拓扑图。
洋葱路由带来的网络安全问题
许多黑客通过洋葱路由网络出售服务，他们或独自行动或团体行动。这些黑客团体包括xDedic、hackforum、Trojanforge、Mazafaka、dark0de和TheRealDeal。针对金融机构和银行的网络犯罪和黑客服务也通过洋葱路由提供。各国政府和私营组织已经开始尝试监测这项活动。互联网规模的DNS分布式反射拒绝服务（DRDoS）攻击也通过利用洋葱路由实现。此外洋葱路由网络中还存在许多诈骗类.onion站点，用户下载网站提供的工具后，电脑会感染特洛伊木马或被植入后门。
项目实施步骤
**该项目的意义在于使用流量检测的方法区分出正常网络行为产生的网络流量和通过洋葱路由访问的网络流量**
项目所使用的数据集和工具
机器学习框架: scikit-learn csv格式数据集处理: Pandas 流量特征提取工具: CICflowmeter 流量采集工具: Wireshark
#安装相关的第三方包!pip install scikit-learn !pip install pandas !pip install cicflowmeter
流量采集实现
笔者的Wireshark安装于Ubuntu系统中，在Ubuntu可以使用apt-get直接安装Wireshark和其对应的服务
!sudo apt-get update !sudo apt-get install wireshark
启动Wireshark需要请求使用管理员权限，如果未通过管理员权限启动会出现找不到采集端口的问题
!sudo wireshark
如下图所示，启动Wireshark后需要选择端口进行抓包
一般直接选择对连接到因特网的网卡进行抓包 抓包后保存为pcap格式
对采集到的流量特征提取
接下来将使用CICflowmeter工具对流量进行特征提取
CICflowmeter是一款流量特征提取工具，该工具输入pcap文件，输出pcap文件中包含的数据包的特征信息，共80多维，以csv表格的形式输出。
CICflowmeter提取的都是传输层的一些统计信息，以一个TCP流或一个UDP流为一个单位。 TCP流以FIN标志为结束，UDP以设置的flowtimeout时间为限制，超过时间就判为结束。 在一个TCP流中有很多个数据包，先三次握手而后传输信息再四次挥手。 统计一个流中的统计信息作为提取的特征。 统计的特征都分前后向，规定由源地址到目的地址为正向，目的地址到源地址为反向。 为每个流构建一个标志叫Flow ID:192.168.31.100-183.232.231.174-46927-443-6，由源地址、目的地址、协议号组成。
#!cicflowmeter -f *.pcap -c *.csv #通过该命令将pcap格式的流量抓包文件转化为csv格式的特征文件（*号为文件名）。
数据集预处理
在数据集中存在空值或无限值的情况，在这种情况下需要对数据集进行预处理以防止在后面的步骤中出现错误。 首先需要引入第三方包
import pandas as pdfrom sklearn.preprocessing import StandardScalerfrom sklearn import linear_modelimport numpy as npfrom sklearn.utils import shufflefrom sklearn import svmfrom sklearn import preprocessing
读取数据集并去除空值，注意！需要将特征和标签分离，避免在归一化的过程中出现错误
file = pd.read_csv('data/data150018/SelectedFeatures-10s-TOR-NonTOR.csv',skipinitialspace=True)print(file.columns)with pd.option_context('mode.use_inf_as_na', True):
file = file.dropna()#file = shuffle(file)y = file.iloc[:,-1]
standard_scaler = StandardScaler()
Index(['Source IP', 'Source Port', 'Destination IP', 'Destination Port',
'Protocol', 'Flow Duration', 'Flow Bytes/s', 'Flow Packets/s',
'Flow IAT Mean', 'Flow IAT Std', 'Flow IAT Max', 'Flow IAT Min',
'Fwd IAT Mean', 'Fwd IAT Std', 'Fwd IAT Max', 'Fwd IAT Min',
'Bwd IAT Mean', 'Bwd IAT Std', 'Bwd IAT Max', 'Bwd IAT Min',
'Active Mean', 'Active Std', 'Active Max', 'Active Min', 'Idle Mean',
'Idle Std', 'Idle Max', 'Idle Min', 'label'],
dtype='object')
对特征进行归一化，并转化为Pandas中的DataFrame
allX = file.drop(['Source IP','Destination IP','label'],axis=1) column = allX.columns
将X和Y连接后使用sklearn中的model_selection模块划分训练集和测试集
from sklearn.model_selection import train_test_split x_train, x_test, y_train, y_test = train_test_split(allX, y,test_size=0.25)
数据降维和模型训练
由于原始数据维度较大，为了降低训练时间开销，在这里通过PCA方法对数据进行降维。值得注意的是训练集和测试集需要分别进行降维，避免训练集的信息泄露至测试集中。
from sklearn.decomposition import PCA feature_reducted_train_data = PCA(n_components=24).fit_transform(x_train) feature_reducted_test_data = PCA(n_components=24).fit_transform(x_test)
引入和建立多个不同的机器学习模型
from sklearn.ensemble import AdaBoostClassifierfrom sklearn.neighbors import KNeighborsClassifierfrom sklearn import svm#使用KNN算法进行训练和预测knn = KNeighborsClassifier(n_neighbors=2) knn.fit(feature_reducted_train_data, y_train) knn_predict = knn.predict(feature_reducted_test_data)#使用Adaboost算法进行训练和预测randomforest = AdaBoostClassifier() randomforest.fit(feature_reducted_train_data, y_train) randomforest_predict = randomforest.predict(feature_reducted_test_data)#使用SVM算法进行训练和预测svm_object = svm.SVC(kernel='linear', max_iter=1000000,C=0.1) svm_object.fit(feature_reducted_train_data, y_train) svm_predict = svm_object.predict(feature_reducted_test_data)
使用classification_report进行结果评估
from sklearn import metricsprint(metrics.classification_report(y_test, knn_predict))print(metrics.classification_report(y_test, randomforest_predict))print(metrics.classification_report(y_test, svm_predict))
