本文针对暗网流量识别中现有方法依赖封闭世界（closed-world）评估、假设训练与测试阶段所有服务类别已知，从而严重脱离真实部署场景的问题，提出了一种开放世界（open-world）暗网流量分类框架。作者采用留一服务（leave-one-service-out）的评估协议，并在随机森林（Random Forest）与XGBoost分类器中引入基于不确定性的拒绝机制，以识别未知暗网服务。实验表明，从封闭世界切换到开放世界设置后，模型性能显著下降：XGBoost在I2P环境下的Macro-F1从88.8%降至46.1%，随机森林则从87.4%降至45.7%，说明封闭世界评估会大幅高估模型在实际部署中的鲁棒性。尽管不确定性拒绝机制能轻微提升鲁棒性，但由于已知服务与未知服务之间存在强行为相似性，模型仍频繁产生错误分类。进一步的行为语义吸收（semantic absorption）分析显示，FreeNet视频流量以88.1%的分配率被误判为浏览行为，而I2P对等网络流量以83.4%的分配率被吸收至与FTP相关的行为中。研究结论表明，行为重叠是开放世界暗网流量可靠分类的主要挑战。该研究为构建面向真实场景的暗网威胁情报分析系统提供了新的评估范式与方法参考，适合网络安全研究人员、暗网监控系统开发者以及关注开放环境机器学习鲁棒性的从业者阅读。