La masa de datos redundantes e irrelevantes en el tráfico de red presenta serios desafíos para la detección de intrusiones, y la selección de características puede eliminar de manera efectiva la información sin sentido de los datos. La mayoría de los métodos actuales de selección de características filtradas y embebidas utilizan un umbral o ratio fijo para determinar el número de características en un subconjunto, lo que requiere conocimiento a priori. En contraste, los métodos de selección de características envueltos son computacionalmente complejos y requieren mucho tiempo; mientras tanto, los métodos de selección de características individuales tienen un sesgo en la evaluación de características. Este trabajo diseña un método de selección de características automático basado en ensamblajes llamado EAFS. Primero, calculamos la importancia o clasificación de las características en función de métodos individuales, luego añadimos características a los subconjuntos secuencialmente por importancia y evaluamos el rendimiento del subconjunto de manera integral diseñando un NSOM para obtener el subconjunto con el mayor valor de NSOM. Al buscar un subconjunto, se retiene el subconjunto con mayor precisión para reducir la complejidad computacional calculando la precisión cuando se utiliza el conjunto completo de características. Finalmente, los subconjuntos obtenidos se ensamblan, y al comparar los resultados experimentales en tres conjuntos de datos públicos a gran escala, el método descrito en este estudio puede ayudar en la clasificación, y también al compararlo con otros métodos, descubrimos que nuestro método supera a otros métodos recientes en términos de rendimiento.