互联网的快速发展除了为人们的生活带来便捷之外,也伴随着一系列网络安全隐患的问题。而拒绝服务（Do S）攻击在网络安全威胁中又较为普遍,且危害较大,慢速拒绝服务（LDo S）攻击是Do S攻击的一种衍生形式,该攻击以周期性的低流量进行攻击,有着较好的隐蔽性,故普通的Do S攻击检测机制并不能很好的适用。而现今提出的LDo S攻击检测方法也还具有检测准确率不高,误报率和漏报率较大等问题,故本文针对LDo S攻击检测进行了相应的研究。本文分析比对了不同网络环境下的流量数据,发现包含LDo S攻击的网络场景下TCP和UDP流量会发生剧烈的震荡,而正常网络场景下的TCP和UDP流量则会趋于相对稳定的状态,并据此选取了相应的离散特征用于反映网络流量的内在变化。为了将选取的特征数据应用于检测当中,又引入了流量检测单元的概念,并针对检测单元内的离散特征数据,提出了几种用于检测网络中LDo S攻击的检测方法。本文首先提出一种基于共享近邻聚类的检测方法。该方法以选取的流量特征作为输入数据,采用共享近邻相似度来度量检测单元样本间的特征相似性,然后利用密度聚类算法进行检测,该检测方法会将特征相似的检测样本聚集到同类的簇集之中,从而输出获得划分后的数据簇集,达到检测攻击的目的。并利用该检测方法在不同网络环境下进行了相关检测实验。为进一步对簇集内部的差异性进行分析,本文又提出一种基于离群因子算法的检测方法,该检测方法通过赋予检测单元样本一个用于度量异常程度的离群值,借由训练获得的离群阈值与检测样本的离群值进行比对,进而输出判定检测样本的异常性。且利用该方法在不同网络环境进行了相关实验。基于两种算法的优势及特点,最后提出一种基于共享近邻聚类和离群因子分析的协同检测方法。并分别在NS-2仿真平台和实验床两种网络环境进行了相关实验,用于检验该检测方法的可行性以及有效性。并通过对比实验分析可知,该协同检测方法有着较高的检测准确率,以及较低的误报率与漏报率。