Con la creciente complejidad del entorno de red, los tipos de ataques de red están aumentando gradualmente. Los sistemas de detección de intrusos en red pueden detectar e identificar ataques de red de manera efectiva. Sin embargo, los métodos existentes tienen algunas limitaciones, ya que se centran únicamente en las características temporales locales o globales del tráfico de red. Para abordar los problemas anteriores, presentamos un nuevo modelo de detección de intrusos en red (TGA) basado en la Red Convolucional Temporal (TCN), la Unidad Recurrente Bidireccional con Compuertas (BiGRU) y un mecanismo de autoatención. TCN extrae información temporal local de secuencias de tráfico de red, mientras que BiGRU extrae información temporal global de secuencias de tráfico de red. Sin embargo, TCN y BiGRU no consideran los pesos de las características al extraerlas, por lo que se añade un mecanismo de atención. Los vectores de características obtenidos en TCN y BiGRU se fusionan y luego se introducen en el mecanismo de autoatención para capturar la correlación entre diferentes posiciones en la secuencia y reasignar los pesos de las características temporales para mejorar aún más las capacidades del modelo. Por último, se envía al clasificador para clasificar las diferentes clases de tráfico de red. Nuestro método logra una precisión del 97.83% en el conjunto de datos público CSE-CIC-IDS2018. Después de experimentos extensos, nuestra idea demostró ser razonable y práctica.