随着互联网的发展,云计算、大数据和物联网等各种新应用的相继出现,网络安全也面临着巨大的挑战。异常检测与分类是保护网络安全的有效手段。然而,在研究过程中发现仍然存在诸多问题。首先,由于网络环境的特性,网络中存在的攻击流量数量有限,这必然会导致正常流量与攻击流量在数量上严重失衡。其次,目前大部分采用机器学习方法的研究都需要人为进行特征选择。深度学习方式虽然可以自动学习,无需人工提取,但存在长期依赖问题。为了应对数据集数据分布失衡问题,解决人工提取特征关系的缺陷以及长期依赖的问题,达到提高准确率的目的,本文提出了一种基于多头自注意力机制的网络流量异常检测与分类方法,在经过重采样方式后的数据集上进行研究,对初始数据集进行采样重组形成数据分布均衡的新数据集,主要分为以下两点:1.采取基于聚类的欠采样技术CUT与基于数据生成的过采样技术Borderline-SMOTE相结合的重采样方式解决数据集不平衡问题。这种重采样方式将原始分布失衡的数据集进行重组形成一个分布均衡的新数据集,用于后续异常检测与分类模型的研究。结果表明,经过此种采样方式后的数据集有助于模型的训练,提高了模型分类的准确率。2.运用多头注意力机制学习多特征之间的相关性,并设计了一个异常检测与分类的模型,将提取的多特征相关性进行编码分析,提高模型的识别能力。基于特征选择的机器学习方法根据有限个数的特征来进行分类,具有一定的局限性。而多头注意力机制可以从全局的角度学习多特征之间的相关性,有助于识别复杂多样的攻击流量。实验表明,所提出的模型与其他方法相比具有较好的性能。将经过重采样技术处理后的数据集应用于所提出模型的训练和测试,并与其他两种基准方法进行对比,实验结果表明,提出的模型在异常检测与分类上取得了较好的效果。