Detekovat anomální diskrétní sekvence jako náklad a syscall stopy je zásadní úkol zabezpečení sítě analýzu pro odhalení nových útoků. Údaje vlastnosti, které chybí štítky, velmi dlouhé sekvence a nepravidelně proměnné délky, aby generování řádné zastoupení pro sekvence pro detekci anomálií docela náročné. Tradiční metody kombinující mělké modely s funkcí inženýrství vyžadují spoustu času a úsilí badatelů. A zachycují pouze krátké vzory pro sekvence. V poslední době je hlubokému učení věnována stále větší pozornost díky vynikajícímu výkonu při reprezentaci dat. Současná díla jednoduše přijímají opakující se modely založené na neuronových sítích k tomuto úkolu. Naučí se místní vzorce sekvencí, ale nemohou je zobrazit globálně. Kromě toho proměnná délka činí hluboké modely, které přijímají vstupy s pevnou velikostí, nedostupné. Hluboké modely navíc obvykle postrádají interpretovatelnost. Zde je navržen rámec hlubokého učení bez dozoru využívající mechanismus pozornosti zvaný ADSAD k řešení těchto problémů. ADSAD bere v úvahu jak datové charakteristiky, tak omezení hlubokých modelů a generuje globální reprezentace sekvencí dvěma kroky, ve kterých je mechanismus pozornosti aplikován ke zlepšení interpretovatelnosti. Empirické výsledky ukázaly, že instance ADSAD významně překonaly nejmodernější hluboké modely s relativním zlepšením AUC až o 7%. Mechanismus pozornosti nejen zvýšil detekční výkon až o 73%, pokud jde o AUC, ale byl také schopen pomoci odborníkům při analýze anomálií vizualizací.