随着互联网技术的发展,智能信息化为人们提供极大便利的同时也伴随着更多网络攻击方式的产生,对用户造成了巨大威胁和损失。然而,传统的安全产品已经无法满足现代社会在网络安全检测方面的需求。一方面,越来越多智能设备的接入使得网络流量呈现井喷式的增加,对检测的高实时性提出了更高的要求;另一方面,不同类型的设备也为黑客创造更多的攻击方式埋下了隐患,对检测的准确性提出了更高的挑战。此外,边缘计算终端流量检测的需求在不断增加,与云端不同的是,边端流量检测对硬件资源的占用提出了更为苛刻的要求。针对以上问题,本文基于深度学习网络和注意力机制,设计了一种适合于解决网络流量异常检测问题的SLNA单元,然后对多层SLNA单元进行蒸馏压缩,得到了一种适合于部署边缘端进行安全检测的小模型。本文主要贡献如下:首先,提出了一种使用离散变量整型化代替热独码处理的方法,用于解决传统方法中网络流量数据在预处理阶段容易维度膨胀的问题。该方法使分类器保持检测准确率的同时,推断速度得到了显著提高,内存占用有了明显下降,并且将传统方法中的网络流量特征维度降低到原来的五分之一左右。其次,设计了一种适合于解决网络流量异常检测问题的SLNA单元结构。该结构结合了注意力机制和层归一化算法,与传统的方法相比,SLNA单元具有良好的鲁棒性和高效性,可以在一定程度上解决梯度消失问题和梯度膨胀问题。相较于传统神经网络中的循环神经网络和卷积神经网络结构拥有更快的计算速度,达到了满足网络流量异常检测中对高实时性的巨大需求。实验结果表明,该结构最高准确率达到99.94%。最后,提出了一种分层模型蒸馏压缩的方法,用以解决边端网络中硬件资源稀缺的问题。该方法将多层SLNA结构（教师模型）蒸馏为单层SLNA结构（学生模型）,以单个SLNA结构替换原堆叠的SLNA结构,实现对网络模型的压缩,使得模型在能耗和计算速度方面具有更优秀的表现。经过实验验证,通过蒸馏得到的学生模型拥有和原模型基本一致的正确率,但内存占用仅是原模型的四分之一左右。通过对比师生网络模型发现,基于蒸馏方法得到的学生模型大幅度减少内存占用和CPU资源的情况下,基本保持和教师模型一致的正确率和准确率,而且大大降低了计算耗时,为边缘入侵检测的实现提供了一种可行的应用途径。