SDN(Software Defined Network,软件定义网络)自2006年被提出后,由于它的网络架构是控制平面与数据平面相分离的,使得网络集中控制和管理更加便捷,从而引起了网络通信领域的广泛关注。同时,SDN网络也面临着传统与新兴的网络攻击带来的安全威胁。由于SDN网络架构与传统网络的差异,使得SDN网络更容易受到DDoS(DistributedDenial-ofService,分布式拒绝服务)攻击,甚至可能导致整个SDN网络的瘫痪。针对SDN交换机的特点,已有诸多研究者提出了各种基于机器学习的DDoS攻击异常检测方法。其中,基于支持向量机的DDoS攻击检测方法比其他方法有更高的通用性与有效性,因此被较多的使用。然而,该方法也存在一定的缺陷。如在特征向量的选取时,主观性强;在模型的重要参数选取时,较粗糙等。因此,本文针对以上两个缺陷进行了研究,主要工作和创新点包括:1.提出了混合特征选取策略。该策略能够避免以往特征向量选取的主观性问题,把原来的41个特征向量减少到了 12个,并保留了 99.99%的原有信息。2.提出了基于遗传算法带调整因子的参数寻优方法。该参数优化的方法避免了以往参数选取的粗糙性,能够精确地寻找出最佳参数。3.通过MATLAB仿真,与其他的基于机器学习的检测做对比,验证了选取策略和参数寻优方法的有效性。4.完成了 SDN交换机DDoS攻击检测的系统设计,并基于Xilinx FPGA芯片的进行了硬件设计。