La comunicación de drones es actualmente un tema candente de investigación, y el uso de drones puede establecer fácilmente redes de comunicación en áreas con terreno complejo o en áreas sujetas a desastres, y tiene amplias perspectivas de aplicación. Uno de los muchos desafíos que enfrenta actualmente la comunicación de drones es el problema de la seguridad en la comunicación. Las redes de comunicación de drones generalmente utilizan arquitecturas de red definida por software (SDN), y los controladores SDN pueden proporcionar un control de reenvío de datos confiable para las redes de comunicación de drones, pero también son altamente susceptibles a ataques y representan serias amenazas de seguridad para las redes de drones. Para resolver el problema de seguridad, este documento propone un modelo de detección de intrusiones que puede alcanzar rápidamente el estado de convergencia. El modelo consiste en un auto-codificador profundo (DAE), una red neuronal convolucional (CNN) y un mecanismo de atención. El DAE se utiliza para reducir la dimensionalidad de los datos originales y mejorar la eficiencia del entrenamiento, la CNN se utiliza para extraer las características de los datos, el mecanismo de atención se utiliza para realzar las características importantes de los datos, y finalmente se detecta y clasifica el tráfico. Realizamos pruebas utilizando el conjunto de datos InSDN, que se recopila de un entorno SDN y puede verificar la efectividad del modelo en el tráfico SDN. Los experimentos utilizan el marco Tensorflow para construir una estructura de modelo de aprendizaje profundo, que se ejecuta en la plataforma Jupyter Notebook en el entorno Anaconda. En comparación con el modelo CNN, el modelo LSTM y el modelo híbrido CNN+LSTM, la precisión de este modelo en experimentos de clasificación binaria es del 99.7%, que es aproximadamente un 0.6% más alta que otros modelos de comparación. La precisión del modelo en el experimento de clasificación múltiple es del 95.5%, que es aproximadamente un 3% más alta que otros modelos de comparación. Además, solo necesita de 20 a 30 iteraciones para converger, que es solo un tercio de otros modelos. El experimento demuestra que el modelo tiene una velocidad de convergencia rápida y alta precisión, y es un método de detección efectivo.