分布式拒绝服务(DDoS:Distributed Denial of Serveice)由DoS攻击发展而来,主要是针对信息安全三方面(保密性,完整性,有效性)的有效性进行攻击。通常由多台被操控的僵尸主机同时向受害主机发起攻击,占用受害主机计算资源和有效带宽,进而达到使受害主机不能对外提供正常服务的目的.现有的针对DDoS 攻击的防御方法很多,但由于 TCP/IP(Transmission Control Protocol/Internet Protocol)协议自身的缺陷,DDoS攻击不可能从根本上被完全杜绝。同时,传统防护设备大而全的功能已经硬件造价的因素导致了为应对攻击需要付出很多的成本,而随着软硬件的发展和机器学习技术的愈发成熟,机器学习技术在DDoS攻击的防御中扮演着越来越重要的角色,因此,本课题将研究重心放在利用机器学习技术构建DDoS攻击的防御系统上。本文在研究了大量国内外文献的基础上,提出了一种基于 DPDK(Data Plane Development Kit)和朴素贝叶斯(Na(?)ve Bayes)算法的防御系统。在研究过程中,通过实验分析,对比了决策树(Decision Tree),支持向量机(Support Vector Machine),朴素贝叶斯(Na(?)ve Bayes)算法,人工神经网络(Artificial Neural Network),模糊逻辑(Fuzzy Logic)等多种机器学习技术,通过反复实验,对朴素贝叶斯算法相对于其他机器学习技术在应对DDoS攻击方面具有更好的效果给予了实践证明。进而使研究系统将机器学习技术与利用DPDK设计的传统DDoS防御方法相结合,构建出更加符合发展趋势及有效应对新型DDoS攻击的新型防御系统。相对于传统的DDoS硬件防护设备,该系统具有几大优势:1.降低生产成本。该防护系统在普通服务器上运行,相较于传统防护设备的昂贵造价,新型系统在不影响防御性能的情况下能够大大节约生产成本,更加易于推广。2.系统的高可用性和可移植性。系统不更改现有网络拓扑的前提下就可以融入到链路体系中,更加方便维护和扩容,降低了运维成本。3.朴素贝叶斯算法与传统防御策略的融合。利用机器学习技术的优势,对不易于逻辑辨别和新型的DDoS攻击方法起到良好的防护作用,同时,充分发挥传统防御方法稳定性的优势,对机器学习技术中参数调整困难等问题给予更多的响应时间,提高防护能力。本文提出的防御系统和方法经实验证明,能够应对多种传统的DDoS攻击,对一些新型的攻击方法也展现出良好的防御效果。方便扩展和移植的特点也具有比较好的应用前景。