分布式拒绝服务（Distributed Denial of Service,DDo S）攻击是网络攻击的一种,它往往由攻击者通过各种手段对目标对象发起大量服务请求而形成,最终造成目标对象的崩溃,从而引发进一步的危害。近年来,区块链、5G网络、物联网和云计算等新兴互联网技术迅速发展,其网络环境下的DDo S攻击具有发起成本低、抵御与追踪困难,破坏程度大等特点,危害性更为突出,是工业界与学术界的热点和难点问题之一。区块链环境下低性能设备普遍应用于各网络节点,导致现有的大规模DDo S攻击检测系统难以部署实施。因而本文针对区块链环境下DDo S攻击检测难的问题开展轻量级检测方法研究。本文主要研究内容与具体工作如下。（1）分析了DDo S攻击原理以及DDo S攻击的危害。对DDo S攻击检测方法进行分类讨论。分析了未来区块链环境下DDo S攻击检测的发展方向。同时,解析了包括轻量级梯度提升机（Light Gradient Boosting Machine,Light GBM）等方法在内的梯度提升机算法原理,以及神经网络和注意力机制的原理及应用。（2）提出了多元网络流量特征提取方法,用于提取网络流的特征,从而在保证检测方法轻量级输入的同时,提升DDo S攻击检测性能。实验结果显示,与多元素融合特征（Multi-element Fusion Feature,MEFF）、特征六元组（6-Feature Group,6-FG）等特征组相比,本文提出的多元网络流量特征组使得DDo S攻击检测结果,具有更高的准确率、更低的错误率和漏报率。（3）提出了基于Light GBM的轻量级DDo S攻击检测方法,用于在区块链环境下的轻量级检测。实验结果表明,在公共数据集上与区块链环境仿真实验中,与基于支持向量机（Support Vector Machine,SVM）、多层感知器（Multilayer Perceptron,MLP）以及深度神经网络（Deep Neural Networks,DNN）的检测方法相比,该方法具有更高的准确率、精确率以及召回率,较低的错误率和漏报率,同时使用了更低的计算资源成本,可以满足区块链低性能设备节点的检测需求。（4）提出了基于特征相关注意力MLP的DDo S攻击检测方法,这种方法是将本文提出的特征相关注意力机制与MLP相结合而提出的。在公共数据集上的实验结果以及区块链环境仿真实验结果均显示,与基于MLP和基于DNN的方法相比,本文所提出的方法在DDo S攻击检测方面,具有更高的准确率、精确率以及召回率,较低的错误率和漏报率。