在未来网络技术背景下,以软件定义网络(Software Defined Network,SDN)为代表的新型网络技术打破传统网络平面整合结构,将控制与转发功能分离,其可编程控制与集中管理特点为网络规模的扩展提供了优秀的解决方案,目前已在数据中心网络、骨干网与广域网等场景得到了应用。但SDN网络在实际应用中仍面临一些安全性问题,当网络被攻击时,快速精准地检测入侵行为对保障网络安全运行具有重要意义。为了解决SDN网络中监控网络负担重、检测准确率低的问题,提出一种多级分阶段混合检测方法,将设计的数据平面粗粒度监控算法与改进的XGBoost细粒度分类模型相结合检测入侵流量。针对已有检测机制预判不足、监控全局网络成本高的问题,通过监测交换机转发进程的CPU使用率并与动态历史参考值对比,统计时间序列内CPU增幅异常次数,进而快速异常检测,定位异常交换机;接着结合SDN网络中Packet in消息机制,检测异常交换机发出的Packet_in数据包速率及目的IP交叉熵值,将检测值与阈值对比判定异常交换机中是否存在攻击流量;最后利用OpenFlow协议的统计特性,从交换机流表统计信息中提取流量特征,输入分类模型检测攻击流量。针对XGBoost算法模型超参数调整复杂的问题,利用贝叶斯对不确定性问题模拟推理的特性改进模型超参数选取策略,构建自动寻优模型实现超参数自适应选择,提升模型的检测精度。采用Mininet工具及Opendaylight控制器搭建模拟网络,通过Iperf工具及Hping3实现背景流量及攻击行为模拟,收集模拟网络流量及公开数据集验证改进机制与改进算法的效果。实验结果表明,不同攻击强度下交换机转发进程vSwitchd的CPU使用率增幅不同,通过监控增幅异常次数检测异常交换机,实现对网络粗粒度检测的目的;在模拟流量分类实验中,改进的XGBoost算法模型检测准确率为99.41%,比原算法提升了 0.52%,同时与KNN、Adaboost算法相比各项检测指标效果更好。在公开数据集实验中对改进的算法模型验证,算法模型具有良好的检测性能。