El aprendizaje profundo se ha empleado en la creación de sistemas de detección de intrusiones (IDS), y se ha demostrado ser igual de eficaz que los métodos de aprendizaje automático. En efecto, procesos de aprendizaje algorítmico. Sin embargo, al ser más sofisticados, estos últimos requieren más tiempo de entrenamiento. Debido a que, los métodos de procesamiento avanzados como la extracción de características, que en ocasiones pueden dar lugar a problemas, estos últimos requieren más tiempo de entrenamiento. Por otro lado, el aprendizaje profundo ofrece soluciones eficientes para que los modelos detecten muchos tipos de anomalías en los modelos informáticos que identifiquen varios tipos de anomalías en los sistemas informáticos. Esto ha llevado a la modernización de los sistemas de detección de intrusos, permitiendo a los algoritmos reconocer patrones y comportamientos novedosos. De esta manera, los algoritmos sirven para encontrar comportamientos inusuales y nuevos patrones en los datos. Esto plantea un dilema porque algunos sistemas son incapaces de detectarlos, ya que el número de amenazas informáticas aumenta cada día. Para llevar a cabo los incrementos o Sprints se empleó la metodología Scrum y se puso en marcha un enlace cliente-servidor. Para adquirir el tráfico de red en tiempo real. Después de aplicar técnicas de limpieza y preprocesamiento a la data, por consiguiente, se genera un modelo de red neuronal con el cual se evalúa por medio de métricas el desempeño en un ambiente controlado.