La explotación de redes de internet a través de ataques de denegación de servicios (DoS) ha experimentado un aumento continuo en los últimos años. A pesar del desarrollo de sistemas avanzados de detección y protección de intrusiones, la seguridad de la red sigue siendo un problema desafiante y requiere el desarrollo de mecanismos de defensa eficientes y efectivos para detectar estas amenazas. Esta investigación propone un marco basado en aprendizaje automático para detectar ataques distribuidos de DOS (DDoS)/DoS. Para este fin, se utiliza un gran conjunto de datos que contiene el tráfico de red de la capa de aplicación. Se propone un enfoque novedoso de múltiples características en el que se combinan las características del análisis de componentes principales (PCA) y la descomposición de valores singulares (SVD) para obtener un mejor rendimiento. La validación del enfoque de múltiples características se determina mediante experimentos extensos utilizando varios modelos de aprendizaje automático. El rendimiento de los modelos de aprendizaje automático se evalúa para cada clase de ataque y los resultados se discuten en relación con la precisión, la recuperación y la puntuación F1, etc., en el contexto de enfoques de vanguardia recientes. Los resultados experimentales confirman que el uso de múltiples características aumenta el rendimiento y RF obtiene una precisión del 100%.