La detección de anomalías en el tráfico de red basada en aprendizaje profundo, particularmente utilizando Redes Neuronales Recurrentes (RNN), a menudo enfrenta una alta sobrecarga computacional y dificultades para capturar dependencias temporales de largo alcance. Para abordar estas limitaciones, este artículo propone una Red Convolucional de Atención Temporal Bidireccional (Bi-TACN) para la detección de anomalías en el tráfico de red de manera robusta y eficiente. Específicamente, se emplean convoluciones causales dilatadas con campos receptivos en expansión y módulos residuales para capturar patrones temporales multiescala mientras se mitiga efectivamente el desvanecimiento del gradiente. Además, se diseña una estructura bidireccional integrada con Atención de Canal Eficiente (ECA) para ponderar de manera adaptativa las características contextuales, evitando que los indicadores de ataque escasos sean abrumados por el tráfico normal dominante. Un clasificador basado en Softmax luego aprovecha estas representaciones refinadas para ejecutar una detección de anomalías de alto rendimiento. Experimentos extensivos en los conjuntos de datos NSL-KDD y UNSW-NB15 demuestran que Bi-TACN logra precisiones promedio del 88.51% y 82.5%, respectivamente, superando significativamente a modelos de referencia como Bi-TCN y Bi-GRU en términos de precisión y velocidad de convergencia.