Tor（The Onion Router）网络是一种采用多重代理、流量混淆等技术来隐藏通信双方的关系和通信内容的匿名网络。受限于中继节点自身的性能差异和Tor采用的带宽测量方法的缺陷,目前Tor网络的通信性能不佳。而用户希望能够保证通信内容安全、可靠、快速地传递,因此提高Tor网络通信性能越来越成为研究的重点。对于提高Tor网络性能,目前多数研究关注的节点性能是带宽指标,并且主要关注点在于对路由算法的优化,对于网络服务来说,时延和抖动同样具有重要的意义。为了优化选路方法,获得高性能匿名链路,本文提出了对节点性能的计算和对链路时延的估计方法,具体内容如下:第一,提出了基于最优化的轻量级节点性能估计方法。本文对影响Tor匿名链路性能的因素进行分析,构建了基于节点时延和抖动性能的网络模型,提出了轻量级的节点时延和抖动性能估计方法。影响匿名链路性能的因素可以粗略地划分为节点性能和链路性能两种,设计实验对影响因素进行分析,得出了节点性能是主要因素的结论。对Tor网络的时延和抖动性能进行测量,构建对应的超定方程组,然后转化为有L2正则项的最小二乘模型,使用最优化的方法进行求解,得到节点性能的估计值,将结果作为依据进行路径选择,验证求解结果的有效性。第二,提出了基于集成学习的Tor链路时延估计算法。为了进一步降低端到端时延,通过理论分析,提取影响匿名链路时延的因素作为匿名链路特征。匿名链路特征包括节点特征和链路特征。节点特征包括节点时延特征、节点地理位置和网络位置特征。在实验中使用最优化方法求解出的节点时延和基于漏管拓扑测量出的时延共同作为节点时延特征。将中继节点的经纬度作为节点地理位置特征,同时将节点所属AS编号作为节点网络位置特征。以中继节点特征作为基础,结合链路的地理距离特征和网络距离特征构成匿名链路特征,作为Stacking集成分类器的学习特征。为了提升分类效果,使用随机森林,XGBoost和DNN作为初级分类器,逻辑回归作为次级分类器训练集成分类器用于链路时延估计。依据链路时延估计结果进行选路,匿名链路的平均时延相较于Tor默认路由算法有明显的改善。