链路泛洪攻击（Link Flooding Attack,LFA）是分布式拒绝服务（Distributed Denial of Service,DDoS）攻击一种较新的形式。相对于传统的DDoS攻击,LFA更加难以检测,对网络安全构成了严重的威胁。鉴于此,本文提出一种基于决策特征的LFA检测方法,通过决策特征判断网络数据流中是否存在LFA。然而,仅仅使用单一的决策特征虽然可以解决LFA的检测问题,但是检测的准确率（Accuracy,ACC）与精确率（Positive Predictive Value,PPV）不高,并且难以统计该方法的假阳性率（False Positive Rate,FPR）。因此,本文进一步提出一种基于MS-KNN（Mean Shift-K-Nearest Neighbor）算法的LFA检测方法,能够解决使用单一决策特征导致的ACC与PPV不高这一问题,同时能够获得较低的FPR。最后,通过建立基于软件定义网络（Software Defined Network,SDN）的LFA攻击检测实验平台,对本文提出的方法进行了有效性验证。本文主要工作如下:（1）提出一种基于加权欧氏距离的MS（Mean Shift）聚类算法TD-MS（Time DelayMean Shift）。相较于传统的MS算法,TD-MS算法针对LFA流量特性,给出了相应的权重和加权系数,对网络流量的内在属性更加敏感,可以更有效地对包含LFA的网络流量进行分类。（2）提出一种基于决策特征的LFA检测方法。TD-MS算法虽然能够对包含LFA的网络流量进行有效分类,但是不能直接检测出LFA。因此,提出一种基于决策特征的LFA检测方法,以该决策特征作为评判指标,达到检测LFA的目的。该决策特征可从聚类结果中的LFA数据包时间增量的概率中获取。（3）提出一种基于MS-KNN方法的LFA检测方法。针对使用决策特征检测LFA会出现ACC与PPV不高的问题,进一步提出一种基于MS-KNN算法的LFA检测方法。该方法将TD-MS算法的输出作为K近邻算法（K-Nearest Neighbor,KNN）的输入,利用网格搜索和交叉验证寻找最优参数从而得到最优的检测结果。相较于基于决策特征的LFA检测方法,该方法不仅能够进一步提高检测LFA的ACC与PPV,同时还能够获得较低的FPR。（4）搭建一个基于SDN的LFA攻击检测实验平台,通过该平台构建LFA实验数据集,并验证本文所提出的方法。