如今,随着网络技术的不断应用发展,网络环境的安全也在遭受着越来越严峻的挑战,僵尸网络便是当前威胁网络安全的敌人之一。智能手机以及物联网的快速发展,使得僵尸网络的受害者范围不断扩大。为了延长自身的生存周期,僵尸网络也在提高着自己的隐蔽技术,而Fast-flux技术就是其中之一。这种技术使用了数量庞大的IP地址来掩护真正的僵尸母机,而传统的检测方法难以应对Fast-flux僵尸网络。因此使用了Fast-flux技术的僵尸网络更加难以被发现,对社会各方面造成严重的危害和损失。目前现有的Fast-flux僵尸网络检测方法主要分为主动检测和被动检测两种,前者在检测时会造成较大的网络波动,后者往往与人工智能算法相结合,是目前主流的检测方法,但是面临着特征值提取繁琐复杂的问题。而且这些检测方法大多只关注Fast-flux僵尸网络单个维度的特性,特征挖掘不够全面。为了有效检测Fast-flux僵尸网络并解决现有检测方法中存在的问题,本文设计了基于时空特征的Fast-flux僵尸网络检测技术,通过将卷积神经网络(CNN)中的DenseNet模型和循环神经网络(RNN)中的双向长短期记忆网络(BiLSTM)模型相结合,从空间和时序两个维度来对Fast-flux僵尸网络进行检测,并且不需要人工提取特征值。此外为了将检测方法应用到更多场景中,本文还使用知识蒸馏的方法训练了轻量级深度学习网络,以方便将本文的方法运用到设备条件受限的环境中。本文还根据实际网络中的应用需求,设计了一种能够在高带宽场景中实施Fast-flux僵尸网络检测的原型系统。最后,本文使用来自于CTU-13和ISOT公开数据集中的流量所组成的数据集上对检测方法进行测试,并和另外四种方法对比。实验结果表明本文提出的检测方法在准确率和精确度上,相较于其他四种检测方法都有所提高,检测准确率达到98.3%,精确度达到了97.5%。并且经过知识蒸馏后的轻量级模型也具有比原始模型更好的检测效果。本文还对设计的原型检测系统进行了实际场景应用测试,测试结果指出系统可以满足高带宽环境中的检测需求,实现对Fast-flux僵尸网络流量的高效检测。