分布式拒绝服务攻击(DDoS)已严重影响当今互联网的发展,许多大型互联网系统经常受到DDoS攻击而无法访问,因此寻找一个有效的智能检测DDoS攻击方法将是非常重要的,为了解决该问题,本文提出一种基于深度学习的DDoS攻击检测方法,并用Kubernetes搭建分布式系统,分布式训练神经网络模型。与传统机器学习方法相比,深度学习具有高效率、可塑性、普适性等特点,而用容器封装深度学习应用进行训练能有更小的计算开销和更好的灵活性。本次论文的主要内容和研究成果包括:1)容器技术可以充分利用各种机器资源包括CPU、内存和磁盘,达到资源有效利用和隔离,而Kubernetes则是业界广泛认可和看好的容器编排解决方案,并且原生支持微服务架构,具有很好的横向扩容能力,并且可以很灵活对机器资源进行定制和隔离,减少手工操作和提供更高效的训练能力。本次研究我们将用容器技术定制CPU核数和限制内存使用量,并搭建一个基于Kubernetes和TensorFlow的分布式深度学习系统。2)用含有DDoS网络攻击标记的时间序列数据训练本课题设计的神经网络模型,研究表明循环神经网络(RNN)可以有效的对时间序列数据进行分析,长短期记忆网络(LSTM)则是这种神经网络的特殊类型,可以学习长期的时间依赖信息。本文用LSTM构建神经网络模型,用异步随机梯度下降算法更新权重和偏差参数。3)实验结果性能分析:利用搭建的分布式深度学习系统进行神经网络训练,定制容器CPU核心和内存使用量,通过大量的实验,确定了CNNLSTM3这种神经网络模型准确率最高,对输出结果仿真最好,偏差度降至1.08%。本文由理论提出到系统设计,实现了用循环神经网络从时间序列网络流量特征中学习并跟踪网络攻击行为,并且使用Kubernetes构建分布式计算集群,提出了一种结合云计算和深度学习技术的DDoS攻击检测方法,本次所实现的DDoS检测系统成功的对时间序列的网络攻击流量进行了预测,本次研究不但在学术上为未来网络攻击行为的检测提供了一个参考方案,也解决了实际的问题。