技术特征：
1.基于时间卷积网络的匿名网络流量指纹识别方法，其特征在于，包括：获取目标用户访问的匿名网络的流量数据包；对所述流量数据包进行解析，生成所述流量数据包的基本单元层的方向序列、基本单元层的时间序列、方向序列的累积特征序列和时间序列的累积特征序列；将所述基本单元层的方向序列和方向序列的累积特征序列相结合，将所述基本单元层的时间序列和时间序列的累积特征序列相结合，并将结合后的序列分别输入预先构建的匿名网络流量指纹识别模型中的不同时间卷积网络中，输出所述目标用户访问的匿名网络的类别。2.根据权利要求1所述的方法，其特征在于，所述对所述流量数据包进行解析，生成所述流量数据包的基本单元层的方向序列、基本单元层的时间序列、方向序列的累积特征序列和时间序列的累积特征序列，包括：对所述流量数据包进行解析，生成基本单元层的方向序列；根据所述基本单元层的方向序列，生成基本单元层的时间序列；根据所述基本单元层的方向序列，生成方向序列的累积特征序列；根据所述基本单元层的时间序列，生成时间序列的累积特征序列。3.根据权利要求2所述的方法，其特征在于，所述对所述流量数据包进行解析，生成基本单元层的方向序列，包括：将所述流量数据包在传输层安全性协议tls层进行解析，得到tls层的数据包序列；按照预设的基本单元划分规则，对所述tls层的数据包序列中的tls层的数据包进行划分，得到tls层的基本单元；根据所述tls层的基本单元中的每个基本单元的流量方向，生成所述基本单元层的方向序列。4.根据权利要求3所述的方法，其特征在于，所述根据所述基本单元层的方向序列，生成基本单元层的时间序列，包括：对应于所述基本单元层的方向序列，将每个基本单元对应的tls层的数据包的时间作为该基本单元的时间，生成基本单元层的时间序列。5.根据权利要求3所述的方法，其特征在于，所述根据所述基本单元层的方向序列，得到方向序列的累积特征序列，包括：定义所述基本单元层的方向序列为：f＝(q1,q2,
…
,qm)，其中qi为+1或者
‑
1；则所述基本单元层的方向序列的累积序列为：d(f)＝((0,0),(b1,d1),
…
,(bm,dm))，其中d1＝q1，b1＝|q1|，di＝d(i
‑
1)+qi，bi＝b(i
‑
1)+|qi|，i＝2,
…
,m；在d(f)上采用分段线性插值方法采样m个等距点，得到m个特征d1，
…
，dm，作为所述方向序列的累积特征序列。6.根据权利要求4所述的方法，其特征在于，所述根据所述基本单元层的时间序列，得到时间序列的累积特征序列，包括：定义所述基本单元层的时间序列为：t＝(t1,t2,
…
,tn)；
则所述基本单元层的时间序列的累积序列为：c(t)＝((0,0),(a1,c1),
…
,(an,cn))，其中c1＝t1，a1＝|t1|，ci＝c(i
‑
1)+ti，ai＝a(i
‑
1)+|ti|，i＝2,
…
,n；在c(t)上采用分段线性插值方法采样n个等距点，得到n个特征c1，
…
，cn，作为所述时间序列的累积特征序列。7.根据权利要求1所述的方法，其特征在于，所述将所述基本单元层的方向序列和方向序列的累积特征序列相结合，将所述基本单元层的时间序列和时间序列的累积特征序列相结合，并将结合后的序列分别输入预先构建的匿名网络流量指纹识别模型中的不同时间卷积网络中，输出所述目标用户访问的匿名网络的类别，包括：将所述基本单元层的方向序列和方向序列的累积特征序列相结合并输入第一时间卷积网络，输出结果方向序列；将所述基本单元层的时间序列和时间序列的累积特征序列相结合并输入第二时间卷积网络，输出结果时间序列；利用全连接层收集并组合所述结果方向序列和所述结果时间序列；利用激活函数将组合后的所述结果方向序列和所述结果时间序列映射到相应的类标签，得到所述目标用户访问的匿名网络的类别。8.根据权利要求1所述的方法，其特征在于，所述获取目标用户访问的匿名网络的流量数据包，包括对所述流量数据包进行数据清洗：删除为空的流量数据包；删除加载错误的流量数据包；删除解析失败的流量数据包；删除识别为异常的流量数据包。9.根据权利要求8所述的方法，其特征在于，以实例为单位获取所述目标用户访问的匿名网络的流量数据包，则所述识别为异常的流量数据包，包括：对于所述目标用户访问的匿名网络包含的实例中的每一个实例，计算该实例包含的流量数据包的大小总和；响应于该实例不满足：q1
‑
1.5(q3
‑
q1)<i<q3+1.5(q3
‑
q1)，将该实例包含的流量数据包作为所述识别为异常的流量数据包；其中，q1表示四分之一位数；q3表示四分之三位数；i表示该实例包含的流量数据包的大小总和。10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至9任意一项所述的方法。