detectarea secvențelor discrete anormale, cum ar fi sarcinile utile și urmele syscall, este o sarcină crucială a analizei securității rețelei pentru descoperirea atacurilor noi. Caracteristicile datelor care lipsesc de etichete, secvențe foarte lungi și lungimi neregulate variabile fac generarea de reprezentări adecvate pentru secvențele de detectare a anomaliilor destul de provocatoare. Metodele tradiționale care combină modele superficiale cu ingineria caracteristicilor necesită mult timp și efort din partea cercetătorilor. Și prind doar modele scurte pentru secvențe. Recent, învățarea profundă este acordată din ce în ce mai multă atenție datorită performanțelor sale excelente în ceea ce privește reprezentarea datelor. Lucrările actuale adoptă pur și simplu modele recurente bazate pe rețele neuronale pentru această sarcină. Ei învață tiparele locale ale secvențelor, dar nu pot vizualiza secvențele la nivel global. În plus, lungimea variabilă face ca modelele profunde care acceptă intrări de dimensiuni fixe să nu fie disponibile. Mai mult, modelele profunde nu au de obicei interpretabilitate. Aici este propus un cadru de învățare profundă nesupravegheat care utilizează mecanismul de atenție numit ADSAD pentru a aborda aceste probleme. ADSAD ia în considerare atât caracteristicile datelor, cât și limitarea modelelor profunde și generează reprezentările globale ale secvențelor prin două etape, în care se aplică mecanismul de atenție pentru îmbunătățirea interpretabilității. Rezultatele empirice au arătat că instanțele ADSAD au depășit în mod semnificativ modelele profunde de ultimă generație, cu o îmbunătățire relativă a ASC de până la 7%. Mecanismul de atenție nu numai că a îmbunătățit performanța de detectare cu până la 73% în ceea ce privește ASC, dar a fost, de asemenea, capabil să asiste experții pentru analiza anomaliilor prin Vizualizare.