软件定义网络(Soft Ware Defined Network,SDN)自提出以来,其数控分离与灵活管理的特点提供了一种解决各种网络问题的新思路,故而开始应用于不同类型的网络中。分布式拒绝服务(Distributed Denial of Service,DDoS)攻击是威胁网络安全的重要因素,其破坏力难以计量。随着SDN网络架构在各领域的落地应用,SDN也面临着被DDoS攻击的风险。于是如何在SDN框架下防范DDoS攻击已成为研究热点。对此,本文从如下两方面展开了研究工作:1.在SDN中DDoS检测问题上展开研究工作,通过对相关问题的思考提出了一个基于深度神经网络的DDoS攻击检测模型。首先,通过该模型设计了一种无参累计和算法(Cumulative-sum,CUSUM)的异常检测方法,该方法借助控制器收到Packet-In包数目的瞬时变化来实现异常检测,若异常则启用后续的攻击检测。DDoS攻击检测则以DNN模型为核心,在异常预警后提取用于攻击检测的流表信息并通过随机森林的特征处理方法剔除冗余流表特征。然后通过分析DDoS攻击时数据流的变化,构建了部分流表特征并结合优化后流表特征对攻击检测模型的输入进行了设计。最后构建了基于深度神经网络的攻击检测模型。仿真结果验明,该模型的检测率可达到98%以上,能够有效地检测出SDN中DDoS攻击且开销较低。2.在SDN中DDoS防范问题上进行了思考并提出了一种基于熵态势的DDoS防御模型。首先,在该模型中设计了一种基于熵态势的DDoS攻击定位方法,该方法利用SDN集中管控与全局视图的特质对网络中边界交换机数据包信息进行统计,通过分析边界交换机熵态势的相对变化来表征该交换机是否有受到DDoS攻击的趋势,若有则通过攻击检测的方法进行判定以此来实现攻击源定位。然后,在上一步工作的基础上根据SDN中数据包是基于流表转发的特点提出了攻击路径重构的方法。接下来,在目前防御攻击的方法基础上结合具体情况设计了匹配SDN网络的DDoS攻击防御策略并在应用层实现了防御原型系统。最后在仿真软件中搭建SDN网络环境进行实验并进行防御效果的验证。