分布式拒绝服务攻击(Distributed Denial Service,DDoS)已给社会带来巨大的损失。DDoS攻击是一种易实施、难溯源、破坏力大的网络攻击手段,一直以来备受研究人员关注。当前DDoS特征提取往往存在特征值维度较低,经验观察依赖度大,原始数据信息利用率低等问题。而且大多数方法没有针对DDoS攻击的特性自适应优化模型。因此,本文分别针对特征提取与模型检测进行深入研究,具体研究工作如下:1.结合了 DDoS攻击的突发性、地址分布性以及交互性定义了 5种特征。利用简单多核学习框架(Simplemultiplekernel learning,SMKL),分别训练出增大类间均值的M-SMKL和减小类内方差的S-SMKL两种多核学习分类器,然后采用滑动窗口机制融合两种分类结果。根据减小类内方差与类间均值的比值(Reducing the ratio of variance to the mean,RS/M)和增大类内方差和类间均值的比值(Increasing the ratio of variance to mean,IS/M)优化 IS/M-SMKL 和 RS/M-SMKL多核学习模型。实验结果表明,相比同类方法,本文模型能快速有效地检测不同阶段的DDoS攻击的攻击。2.本文首先统计网络流各属性的种类数,然后将这些值转换为等长的二进制。将这些二进制作为深度信念网络的输入,并以无监督的方式对深度信念网络(Deep belief network,DBN)进行训练,然后利用典型关联分析(Canonical correlationanalysis,CCA)确定瓶颈层节点的个数,并将瓶颈层下一层节点的参数与瓶颈层节点的参数进行融合。融合后的DBN用来初始化一个前馈型神经网络(Feedforwardneuralnetwork,FFNN)并用有监督的方式进行训练。在FFNN每一批次的训练过程中,本文利用每个样本的信息改变网络的梯度进而提高正常样本的影响力。实验结果表明,相比同类方法,本文方法提取的特征不仅能提高原始数据信息的利用率,还能减少非平衡数据带来的影响。3.本文提出了多角度多层的特征提取方法。首先,根据DDoS的地址和端口的分布性,不同协议数据包大小的多样性,数据包的个数等将原始数据转化为等长的二进制。然后利用加权平均的方法使得当前采样点均能结合已采集的一段时间内的样本。量化后的样本作为输入以无监督的方式训练DBN并利用训练好的DBN分别初始化两个FFNN,其中一个继续进行有监督训练。最后,本文对输入到两个FFNN中待提取特征的数据,利用CCA方法进行逐层融合,每一层融合后的数据作为该样本的一个属性。实验结果表明,在大规模网络数据下,本文方法可提取更稳定、表达更丰富的特征。