El rápido aumento de los ataques de malware se ha convertido en una de las principales amenazas para la seguridad informática. Encontrar la mejor forma de detectar malware se ha convertido en una tarea crítica en ciberseguridad. El trabajo previo muestra que los enfoques de aprendizaje automático podrían ser una solución para abordar este problema. Muchos métodos propuestos convierten ejecutables de malware en imágenes en escala de grises y aplican redes neuronales convolucionales (CNN) para la clasificación de malware. Sin embargo, convertir ejecutables de malware en imágenes podría distorsionar la estructura unidimensional de los códigos binarios. Para abordar este problema, exploramos las secuencias de bits y bytes a nivel de malware y proponemos eficientes redes neuronales convolucionales unidimensionales (1D) para la clasificación de malware. Nuestros experimentos evalúan nuestros modelos propuestos de CNN 1D con dos conjuntos de datos de referencia. Nuestros modelos de CNN 1D propuestos logran un mejor rendimiento a partir de los resultados experimentales que los modelos de clasificación de malware de CNN 2D existentes al proporcionar secuencias de bits/bytes de redimensionamiento más pequeñas con menos costo computacional.