近年来,分布式拒绝服务(Distributed Denial of Service,DDoS)攻击在规模和频率上都呈上升的趋势。由于恶意流量和正常流量混合在一起难以区分,导致一些防御机制并不能取得想象中的效果。而且传统网络的逻辑和数据耦合,无法灵活的对DDoS攻击做出缓解。软件定义网络(Software-Defined Networking,SDN)技术将网络中的数据平面和控制平面分离,使得数据和逻辑解耦,赋予了网络更大的灵活性,但一些规则的制定则需要领域专家或者人工来完成。不过,深度强化学习技术能够通过与环境进行交互,智能的学习制定一些规则。因此如何结合SDN技术以及深度强化学习的特点,对DDoS攻击流量进行智能缓解是本文研究的核心内容。本文提出了一种部署在SDN应用平面的DDoS攻击流量缓解框架。该框架周期性的从接入交换机获取端口和流表的流量统计信息,处理之后作为特征输入到深度强化学习模型进行训练,通过统计到达服务器的合法流量以及恶意流量的比例作为评价标准,引导智能体做出有效的规则制定。该框架通过将规则下发至接入交换机进行流量控制,实现智能的流量缓解。基于上述方法,本文实现了DDoS攻击流量缓解系统。该系统包括预配置模块、数据采集与处理模块、深度强化学习智能体模块、DDoS攻击缓解动作下发模块,具有对网络中DDoS攻击流量进行智能缓解的完整功能。最后,本文对上述的系统训练效果进行了实验验证与评估,并与其他两种方法进行了对比分析。实验的结果表明,本文提出的框架能够有效的缓解DDoS攻击的恶意流量,同时保证合法用户的服务器资源访问。