超密集网络（ultra-density network,UDN）作为5G部署的关键技术之一,通过在现有宏蜂窝网的基础上密集放置大量的小基站,以提高网络吞吐量、降低用户访问时延。而随着网络流量的持续激增,无线回程成为了限制超密集网络性能的主要瓶颈。为了减少回程流量提升内容分发效率,超密集网络与内容中心网络的结合成为趋势,但内容中心网络的网内缓存机制同时也受到缓存污染攻击和中毒攻击的威胁,如何在超密集网络场景中鉴别出攻击者的恶意请求和被攻击者利用的恶意内容是亟待解决的问题。污染攻击者通过恶意发送大量对不流行内容的请求包来改变网络中内容流行度的分布,使不流行内容被缓存的概率大大增加,污染缓存空间。并且在动态场景下,由于攻击特征更加隐蔽,检测难度更高。另一种降低网络性能的中毒攻击则通过向网络中注入伪造的虚假内容使用户无法获得正常的内容响应,而现有基于反馈的防御方法在有虚假反馈的情况下无法发挥出应有的作用。为了缓解这两种攻击在超密集网络场景的影响,本文主要做了以下工作:（1）针对移动超密集网络中缓存污染攻击提出了一个基于小基站分簇和联邦学习的检测和防御方案,首先根据小基站的位置和负载信息进行分簇,以簇为单位收集内容请求频率、请求频率方差、重复内容请求时间间隔、时间间隔标准差以及缓存留存率,并按时间顺序组织为时间序列,以捕获攻击者连续的攻击行为特征。然后基于联邦学习框架,所有簇头共同参与分类器的训练过程,以克服数据缺失问题,高效地将分布式存在于网络中的数据利用起来。最后各个簇头使用共享的分类器检测攻击并从缓存中移除攻击内容以防御攻击。（2）针对静态超密集网络场景中的中毒攻击问题,提出一种基于反馈分散度和个性化联邦学习的检测和防御方案。通过扩展兴趣包和数据包字段,记录反馈分散度、内容传输路径的可信度等多个统计数据以捕获正常用户的正常反馈和恶意攻击者的虚假反馈特征。并使用个性化联邦学习解决数据稀疏和缺失问题的同时,提高分类器的泛化性。接着小基站使用个性化的分类器鉴别恶意攻击者发出的虚假反馈,并设计了概率转发机制以抑制恶意内容请求者的虚假反馈。本文使用ndn Sim模拟器对上述两种攻击检测防御方案进行了仿真实现,并与现有的代表性研究在检测率、缓存命中率、访问时延等方面进行了对比分析。实验结果显示本文提出的两种方案分别对移动超级网络中的污染攻击和静态超密集网络中的中毒攻击以及虚假反馈具有良好的攻击识别性能和有效的保护效果。