Los atacantes están cada vez más enfocados en las redes de Internet de las Cosas (IoT), que conectan dispositivos industriales a la Internet. Para construir sistemas de detección de intrusiones en red (NIDSs), que puedan asegurar las redes de Agricultura 4.0, recientemente se han implementado potentes modelos de aprendizaje profundo (DL). Un sistema de detección de intrusiones efectivo y adaptable puede ser implementado utilizando las arquitecturas de memoria a largo plazo (LSTM) y red neuronal convolucional combinada con memoria a largo plazo (CNN-LSTM) para detectar ataques DDoS. El conjunto de datos CIC-DDoS2019 se utilizó para diseñar una propuesta para detectar diferentes tipos de ataques DDoS. El conjunto de datos fue desarrollado utilizando la red CICFlowMeter-V3. El conjunto de datos estándar de tráfico de red, incluyendo paquetes NetBIOS, Portmap, Syn, UDPLag, UDP y paquetes benignos normales, se utilizó para probar el desarrollo de enfoques de aprendizaje profundo. La precisión, la recuperación, la puntuación F1 y la precisión fueron algunas de las medidas utilizadas para evaluar el rendimiento del modelo. La tecnología sugerida logró alcanzar un alto grado de precisión (100%). El CNN-LSTM tiene una puntuación del 100% con respecto a todas las métricas de evaluación. Utilizamos un método de aprendizaje profundo para construir nuestro modelo y compararlo con los sistemas existentes para determinar qué tan bien funciona. Además, creemos que este modelo propuesto tiene los niveles más altos posibles de protección contra cualquier amenaza cibernética para la Agricultura 4.0.