网络异常流量检测是网络安全保护重要组成部分之一。目前，基于深度学习的异常流量检测方法都是将端口号属性与其他流量属性同等对待，忽略了端口号的重要性。为了提高异常流量检测性能，借鉴注意力思想，提出一个卷积神经网络（CNN）结合端口注意力模块（PAM）和通道空间注意力模块（CBAM）的网络异常流量检测模型。首先，将原始网络流量作为PAM的输入，分离得到端口号属性送入全连接层，得到学习后的端口注意力权重值，并与其他流量属性点乘，输出端口注意力后的流量数据；其次，将流量数据转换成灰度图，利用CNN和CBAM更充分地提取特征图在通道和空间上的信息；最后，使用焦点损失函数解决数据不平衡的问题。所提PAM具有参数量少、即插即用和普遍适用的优点。在CICIDS2017数据集上，所提模型的异常流量检测二分类任务准确率为99.18%，多分类任务准确率为99.07%，对只有少数训练样本的类别也有较高的识别率。

针对现有的领域泛化（DG）方法对领域特征处理粗糙和泛化能力弱的问题，提出一种基于频域特征独立性这一独特视角解决领域泛化问题的方法。首先，设计频域分解算法，将图像的深度特征快速傅里叶变换（FFT）后，再从相位信息中获得领域无关特征，以提高模型对领域无关特征的识别能力；其次，基于独立性视角，通过对样本的特征赋权，进一步消除频域特征中各属性的相关性，提取最有效领域无关特征，解决样本特征之间相关性带来的泛化能力差的问题；最后，提出幅度融合策略，拉近源域和目标域的距离，进一步提升模型对未知领域的泛化能力。在流行的图像领域泛化的数据集PACS和VLCS上的实验结果表明，所提方法的准确率均值比StableNet分别高0.44、0.59个百分点，且在各个数据集上均取得了优秀的性能。