计算机应用研究

作者：王长浩,王明阳,丁磊,刘凯,

单位：陕西科技大学电子信息与人工智能学院,西安710021；

关键词：入侵检测,网络流量,双向时间窗口,上下文位置编码,

基金：陕西省重点研发计划资助项目(2025CY-YBXM-008)；陕西省自然科学基础研究计划资助项目(2020JQ-734)；；

近年来，网络攻击的高度动态化、隐蔽化给互联网的安全和稳定带来了极大的威胁。针对现有网络入侵检测方法在局部时序建模精度不足及多分类下少数类识别能力不佳等问题，提出了一种基于双向时间滑动窗口Transformer的网络异常流量检测方法。该方法将网络流量数据转换为突出时序关系的三维序列数据，引入可学习的嵌入编码及上下文位置编码，以增强序列特征的表现能力，提升了异常流量检测的准确率和稳定性，并在UNSW-NB15、CIC-IDS-2017公开数据集上进行了验证。实验结果表明，所提方法均表现出较好的性能优势，在二分类任务中检测准确率分别为99.79%、99.77%；在多分类任务中，准确率分别达到98.48%、99.76%，性能均显著高于其他先进深度学习模型。综上，该方法有效提升了网络异常流量检测的准确性和对少数类攻击的识别能力，为网络安全防护提供了新的技术手段。

来源：2026年第1期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2026年第1期