Como resultado del Internet de las Cosas (IoT), la infraestructura de las ciudades inteligentes ha podido avanzar, mejorando la eficiencia y permitiendo la gestión remota. A pesar de esto, esta interconectividad plantea preocupaciones significativas de seguridad y privacidad, ya que las ciberamenazas se están adaptando rápidamente para explotar las vulnerabilidades del IoT. Para salvaguardar la privacidad y garantizar operaciones seguras del IoT, son necesarias estrategias de seguridad robustas. Para detectar anomalías de manera efectiva, los sistemas de detección de intrusiones (IDS) deben emplear algoritmos sofisticados capaces de manejar conjuntos de datos complejos y voluminosos. En este artículo se presenta un enfoque novedoso para la seguridad del IoT, que se centra en proteger las redes verticales inteligentes (SVN) integrales para implementaciones específicas del sector. Se propone utilizar un método basado en aprendizaje profundo que emplee un modelo de ensamblaje profundo apilado, seleccionado por su rendimiento superior en la gestión de grandes conjuntos de datos y su capacidad para aprender patrones intrincados indicativos de ciberataques. Los resultados experimentales indican que el modelo es excepcionalmente preciso en la identificación de ciberamenazas, superando a otros modelos, con una tasa de detección del 99.8% para el conjunto de datos ToN-IoT y del 99.6% para el conjunto de datos InSDN. El artículo tiene como objetivo no solo introducir un algoritmo robusto para la seguridad del IoT, sino también demostrar su eficacia a través de pruebas exhaustivas. Seleccionamos un modelo de ensamblaje de aprendizaje profundo debido a su historial comprobado en aplicaciones similares y su capacidad para mantener la integridad de los sistemas IoT en ciudades inteligentes.