本文针对分布式拒绝服务（DDoS）攻击的多类别识别问题展开研究。传统检测系统多采用二分类（攻击/正常），但实际防御中需要精确识别攻击的具体类型以采取针对性缓解措施。作者提出了一种基于元学习集成的入侵检测框架，核心是一个高精度的多分类模型。该模型采用集成架构，融合了长短期记忆网络（LSTM）、K近邻（KNN）和随机森林（RF）三种基础模型，并通过逻辑回归作为元学习器来合成各模型的输出，有效解决了多个独立分类器预测结果间的歧义问题。实验基于CIC-DDoS2019数据集，所提集成元学习模型在多类识别任务中达到96%的准确率，显著优于基线链式模型（将多个二分类器串联）的92%准确率，且基线模型存在较高歧义。此外，在Mininet和Ryu控制器构建的软件定义网络（SDN）环境中进行集成测试，该模型在模拟网络流量中实现了93%的DDoS类型识别准确率，验证了其实用性。工作凸显了元学习集成在细粒度DDoS威胁识别中的价值，为开发更自适应、更有效的防御机制提供了思路。