近些年，水声通信网络在水下信息传输方面发挥了至关重要的作用。水下通信信道具有开放性，更易遭受干扰、欺骗和窃听等攻击，因此水声通信网络面临与传统网络不同的安全挑战。然而，传统的异常检测方法直接用于水声网络时的准确率较低，而基于机器学习的异常检测方法虽然提高了准确率，但面临数据集受限、模型可解释性较差等问题。因此，将融合注意力机制的CNN-BiLSTM用于水声网络下的异常攻击检测，并提出WCBA（underWater CNN-BiLSTM-Attention）模型。该模型通过IG-PCA（Integrated Gradient-Principal Component Analysis）特征选择算法有效降低数据集的高维度，并能充分利用多维矩阵水声通信网络流量的时空特征在复杂水声数据中识别异常攻击。实验结果表明，WCBA模型在数据集受限的情况下，相较于其他神经网络模型提供了更高的准确率，并具有较高可解释性。

针对未设计启发式算法的组合优化问题设计统一的解决方案已成为机器学习领域的一个研究热点，目前成熟的技术主要针对静态的组合优化问题，但是对于加入动态变化的组合优化问题还没有得到充分的解决。为了解决以上问题，提出一个将多头注意力机制与分层强化学习结合来求解动态图上的旅行商问题的轻量级模型Dy4TSP。首先，用以多头注意力机制为基础的预测网络处理来自图卷积神经网络的节点表征向量输入；然后，借助分布式强化学习算法训练来快速地预估图中每个节点被输出作为最优解的可能性，使得模型在不同的可能性中全面探索问题的最优解决方案空间；最后，训练后的模型将实时地生成满足具体目标奖励函数的动作决策序列。该模型在3个组合优问题上进行了评估，实验结果表明，该模型在经典旅行商系列问题中解的质量比开源求解器LKH3高0.15~0.37个单位，明显优于带有边嵌入的图注意网络（EGATE）等最新的算法；并且在其他的动态旅行商问题中可以达到0.1~1.05的最优路径差距，结果也略胜一筹。