互联网给人们带来极大便利的同时,各类网络攻击也严重威胁着人们的财产、隐私和安全。其中,DDoS攻击(Distributed Denial of Service)又称分布式拒绝服务攻击,每年给全球的各类互联网系统造成极其严重的危害。面对攻击流量与流速剧增的现代DDoS攻击,如何实现高效、高精度、高实用性的DDoS攻击检测是网络安全领域亟待解决的问题。通过对DDoS的背景知识与现有检测技术调研,我们发现目前缺乏同时具备高精度检测、低资源消耗、低运算复杂度溯源能力的DDoS攻击检测方案。为解决该问题,我们改进已有方案,提出了基于机器学习与可逆Sketch的DDoS攻击检测算法。算法采用可逆Sketch结构基于流数据进行概要统计与特征提取,采用机器学习模型判断当前网络是否发生DDoS攻击,当检测到攻击时,基于中国剩余定理逆运算即可通过简单计算得到异常源IP地址。在所提算法基础上,我们设计实现了一套完整、灵活、高效的DDoS攻击检测系统,该系统由网络流量采集、数据预处理、攻击检测和溯源等模块组成。该系统首先使用SDDL(Security-related Data Description Language,安全参数表达语言)标记检测所需的信息,运用SDDL解析器解析标记文件指导相关数据采集,实现了包含自适应调整在内的多种采样频率设定,基于Jnetpcap嗅探待监控网络的流量,采集网络数据包信息并重组成流,并利用基于机器学习与可逆Sketch的DDoS攻击检测算法实时检测网络中发生的DDoS攻击,并在攻击发生时溯源定位出攻击源IP地址。实验部分展示了系统的交互界面与基本功能,并运用CICIDS2017与UNSWNB15数据集进行了攻击检测算法性能的测试。测试结果表明,系统可以正常运行,实现预期的数据采集、数据处理分析与攻击检测的设计目标。面向两个数据集检测精度佳,展示了我们的系统和所提出的DDoS检测算法的有效性与稳定性。与同类算法对比结果证明,所提算法在检测精度与效率上均有提升。