命名数据网络(Named Data Networking,NDN)作为一种未来网络的潜在架构被用于解决当前IP网络的诸多不足。通过以内容为中心的数据传输方式,NDN可以提升网络的可靠性、可扩展性与安全性。其典型特征是网内缓存,每一个路由节点都可以缓存数据以响应后续请求,从而降低请求响应时间并提升网络带宽利用率。但是网内缓存也增加了网络的安全风险,即缓存污染共攻击,包括破坏分布特性(Locality Disruption,通过随机请求不流行的内容使其变流行来破坏内容的分布特性)和伪造分布特性(False Locality,通过请求一系列不流行的内容使其占据路由节点中的缓存)两类。在本文中,我们提出了一种基于机器学习的检测NDN网络缓存污染攻击方法,称为基于三角区的多变量相关分析(Triangle Area Based Multivariate Correlation Analysis,TAB-MCA)。该检测系统包括两个技术:基于三角区的MCA技术和基于阈值的异常检测技术。TAB-MCA技术用于提取所有可能的两种特征组合之间隐藏的几何关系,基于阈值的异常检测技术帮助我们的模型能够在不需要先验知识的情况下区分攻击流量与合法流量。我们的技术可以精准地检测到两种类型的CPA,即破坏分布特性、伪造分布特性以及两者的组合。在XC拓扑上,本文所述方法在减弱网络攻击时表现出了更高的效率。与其他机器学习方法相比,本文提出的方法由于不需要攻击者的先验知识,在减弱缓存污染攻击时有着更小的代价,同时,本文提出的方法可以检测非均匀分布的攻击。