Hệ thống phát hiện xâm nhập (IDS) đóng vai trò quan trọng trong việc bảo vệ an ninh mạng trước các mối đe dọa ngày càng tinh vi. Trong nghiên cứu này, chúng tôi đề xuất một mô hình phát hiện xâm nhập dựa trên kiến trúc Transformer nhằm cải thiện hiệu suất nhận diện các cuộc tấn công mạng. Bộ dữ liệu UNSW-NB15 được sử dụng để huấn luyện và đánh giá mô hình. Dữ liệu được tiền xử lý thông qua các bước xử lý giá trị thiếu, mã hóa đặc trưng phân loại, chuẩn hóa đặc trưng số và phân chia tập huấn luyện - kiểm thử theo phương pháp phân tầng. Mô hình được xây dựng với ba lớp Transformer, sử dụng cơ chế Self-attention để học mối quan hệ giữa các đặc trưng mạng. Kết quả thử nghiệm cho thấy mô hình đạt độ chính xác 98.26% và F1-score 95.80%, vượt trội so với các phương pháp truyền thống như Random Forest. Đặc biệt, mô hình giảm thiểu đáng kể số lượng tấn công bị bỏ sót, mặc dù có tỷ lệ cảnh báo giả cao hơn. So sánh với các nghiên cứu trước đây, Transformer tiếp tục khẳng định hiệu suất vượt trội, đồng thời cho thấy tiềm năng ứng dụng trong các hệ thống an ninh mạng thời gian thực. Hướng nghiên cứu tương lai bao gồm cải thiện khả năng giải thích của mô hình, tối ưu hóa để triển khai trên môi trường tài nguyên hạn chế và mở rộng khả năng phát hiện các cuộc tấn công zero-day.