針對分布式拒絕服務（ DDoS）攻擊有效荷載快速變化，人工干預需要依賴經驗設定預警閾值以及異常流量特征碼更新不及時等問題，提出一種基于二進制流量關鍵點詞袋（ BSP-BoW）模型的DDoS攻擊檢測算法。該算法可以自動從當前網絡的流量數據中訓練得到流量關鍵點（SP），針對不同拓撲網絡進行自適應異常檢測，減少頻繁更新特征集帶來的人工成本。首先，對已有的攻擊流量和正常流量進行均值聚類，尋找網絡流量中的SP；然后，將原有的流量轉化映射到相應SP上使用直方圖進行形式化表達；最后，通過歐氏距離進行DDoS攻擊的分類檢測。在公開數據庫DARPA LLDOSl.0上的實驗結果表明，所提算法的異常網絡流量識別率優于現有的局部加權學習（LWL）、支持向量機（SVM）、隨機樹（Random Tree）、logistic回歸分析（logistic）、貝葉斯（NB）等方法。所提的基于詞袋聚類模型算法在拒絕服務攻擊的異常流量識別中有很好的識別效果和泛化能力，適合部署在中小企業（ SME）網絡流量設備上。