软件定义网络(Software Defined Networks,SDN)是一种新型的网络模型,不同于传统的网络,SDN网络实现了数据转发平面和控制平面的解耦合,实现了网络的软件化,提高了可编程性。分布式拒绝服务(DDoS)是指攻击者向受害主机发送大量的服务请求,大量消耗系统的资源和带宽,因此,导致正常的服务请求无法得到响应和处理。由于DDoS攻击已经成为了当前互联网发展面临的重要挑战,结合SDN网络架构,已经有很多学者对SDN网络模式下的DDoS攻击检测进行了研究。但是依然存在检测数据范围小,攻击识别准确率低等问题。本文提出了SDN架构下的DDoS攻击检测系统,该检测系统主要包含3个模块,分别是数据采集模块、网络攻击检测模块以及网络攻击响应模块。该检测系统的实现主要包括两个过程,一是网络攻击检测模块中的攻击检测模型的离线训练,训练过程中采用了随机森林和选择性集成方法相结合的方式,提高了分类准确率,降低了类别预测时间;二是将攻击检测模型部署到SDN网络模型下,利用在线混合数据采集的方式对攻击检测模型进行在线测试和验证,扩大了检测数据的范围,提高了网络中DDoS攻击的检出率。本文采用了Python来实现攻击检测模型,并将攻击检测模型的攻击识别准确率以及建模时间和测试时间与随机森林算法做了对比,实验表明本文的算法实现的攻击检测模型有着更好的攻击识别准确率和更少的建模时间和测试时间;然后采用网络仿真环境Mininet部署了SDN网络环境,将离线实现的攻击检测模型进行在线测试和验证,搭建了实验拓扑,并在线产生流量,利用混合采集数据的方法在线采集数据进行验证,实验表明,该方法提高了网络中攻击的检出率,同时节省了流表空间。