随着互联网的快速发展,网络服务成为了新时代不可或缺的需求,网络攻击也随之成为了越来越严峻的危害之一。分布式拒绝服务(DDoS)攻击是网络攻击中的典型代表之一,而低速率分布式拒绝服务(L-DDoS)攻击作为DDoS攻击中的一种新类型攻击,具有隐蔽性更强、危害性更大的特性。当前对L-DDoS攻击的检测方法中大多采用单一的检测算法,这些算法在网络中出现多类型L-DDoS攻击时存在检测误警率和漏警率较高的问题。本文针对单一检测算法无法较好地适应性检测多种攻击类型或多种攻击速率的L-DDoS攻击,采用了分级检测L-DDoS攻击的思想,设计并实现了基于隐马尔可夫模型(HMM)和深度神经网络(DNN)的二级检测模型HMM-DNN。第一级检测模型采用HMM算法,使用网络流量的Renyi熵作为检测特征,从概率的角度出发,利用概率的形式关联不同状态下的网络流量变化,细粒度地对网络流量进行第一级分类。第二级检测模型采用DNN算法,在第一级检测模型分类的基础上,使用多种网络连接属性作为检测特征,利用深度学习方法,建立多层神经网络,深层次学习L-DDoS攻击流特征,使检测模型能够有效区分L-DDoS攻击流和网络通信正常流,从而提高攻击检测的准确率以及降低误警率和漏警率。为了验证所提算法的有效性,本文通过提取拒绝服务攻击数据集CICDoS中五种低速率拒绝服务(L-DoS)攻击数据,组合为多类型的混合L-DDoS攻击数据,并结合正常流量数据模拟真实网络中遭受L-DDoS攻击时的网络流量数据作为实验数据,对比分析了HMM-DNN与KNN、SVM、HMM-R以及DNN-C等4种算法的检测性能。另外,为了验证HMM-DNN模型对于其他类型的入侵攻击检测的适用性,本文提取入侵检测评估数据集CICIDS2017中的一部分网络攻击数据和正常通信数据,利用HMM-DNN模型检测了数据集中包含的七种入侵攻击。实验结果表明,HMM-DNN模型对多类型L-DDoS攻击的检测不仅具有高准确率,其误警率和漏警率也可以保持在较低水平。同时,HMM-DNN模型对于其他入侵攻击的检测也具有较好的检测性能。