现代社会高度依赖互联网,人们在享受着网络服务带来的便利性的同时,也面临着网络攻击带来的威胁。低速率拒绝服务（Low-Rate Denial of Service,LDoS）攻击是一种新型的网络攻击方式,具有隐蔽性强、攻击速率低和检测难度大等特点。软件定义网络（Software Defined Network,SDN）作为下一代网络的热门解决方案,解耦了数据平面和控制平面,采用软件定义的方式对网络进行控制,在网络管理方面更具灵活性。然而,这种新的网络架构同样面临LDoS攻击的威胁。为此,本文提出了一种SDN架构下基于深度学习混合模型CNN-GRU的LDoS攻击检测方法。本文的主要工作如下:（1）针对SDN中的LDoS数据具有时空特征结合的特点,提出了基于深度学习混合模型CNN-GRU的LDoS攻击检测方法。该模型将卷积神经网络（Convolutional Neural Networks,CNN）和门控循环神经网络（Gated Recurrent Unit,GRU）并行连接,分别运用CNN和GRU提取LDoS数据更深层的空间和时间特征,并对提取出的空间和时间特征进行融合,实现LDoS攻击的精准检测。（2）SDN中的流量数据的维度较大,若将全部字段值作为CNN-GRU检测模型的输入数据,不相关和冗余特征将会大大地增加计算复杂度,选取了nbytes和npackets等9个字段作为CNN-GRU检测模型的输入数据。此外,通常攻击流的数据包数量和字节数较小,而正常流的数据包数和字节数较大,为了提高检测的准确性,还构建了数据包均值和字节数均值作为CNN-GRU检测模型的输入数据。（3）CNN和GRU中的超参数通常由人工设定,存在费时且不易选择出最优超参数值的问题,提出了基于改进旗鱼算法（Advanced Sailfish Optimizer,ASFO）的超参数自动优化。首先,为了提升寻优性能,引入Circle映射和正态变异算子改进旗鱼算法;然后,采用改进的旗鱼算法自动优化CNN-GRU检测模型超参数,进而选择出检测模型的最优超参数值。本文分别在模拟真实场景下得到的LDoS攻击数据集和CIC LDOS 2017基准数据集上验证了所提方法的有效性。首先,将CNN-GRU模型与NB、LR、SVM、DT、GRU、CNN算法分别在准确率、召回率和误报率指标上进行对比实验。CNN-GRU模型的准确率、召回率和误检率在模拟真实场景下得到的LDoS攻击数据集上分别为 0.9556、0.9659 和 0.07,在 CIC LDOS 2017 基准数据集上分别为 0.9606、0.9628和0.0445。与传统机器学习算法相比,CNN-GRU模型在多个评估指标上均具有优势。然后,分别采用PSO、FA、SFO和ASFO对CNN-GRU模型超参数进行优化,经ASFO优化后的CNN-GRU模型的准确率和召回率在模拟真实场景下得到的LDoS攻击数据集上分别升至0.9895和0.9904,误报率降至0.0127;其准确率和召回率在CIC LDOS 2017基准数据集上分别升至0.9914和0.9896,误报率降至0.0046。相比于PSO、FA和SFO三种算法,经ASFO优化后的CNN-GRU模型分类性能更优。