Las conexiones de red sólidas hacen que el riesgo de actividades maliciosas surja más rápido al tratar con grandes volúmenes de datos. Un sistema de detección de intrusiones (IDS) puede ser utilizado para alertar a entidades adecuadas cuando están ocurriendo acciones peligrosas. La mayoría de las técnicas utilizadas para clasificar intrusiones carecen de las técnicas ejecutadas con grandes volúmenes de datos. Este documento ideó una técnica de aprendizaje profundo impulsada por optimización para detectar la intrusión utilizando el modelo Spark. Los datos de entrada se alimentan a la fase de particionamiento de datos en la cual se realiza el particionamiento de datos utilizando la propuesta información local difusa y C-medias basada en Bhattacharya (FLIBCM). La propuesta FLIBCM fue ideada combinando la distancia de Bhattacharya y la información local difusa C-Medias (FLICM). La selección de características se logró con la información de ganancia de información por clase para seleccionar características imperativas. La ampliación de datos se realizó con sobremuestreo para hacerlo adecuado para un procesamiento adicional. La detección de intrusión se realizó utilizando una red profunda Maxout (DMN), que fue entrenada utilizando la propuesta psicología del estudiante ciclo del agua caviar (SPWCC) obtenida combinando el algoritmo del ciclo del agua (WCA), el valor en riesgo condicional autoregresivo por cuantiles de regresión (CAViaR), y el algoritmo de optimización basado en psicología del estudiante (SPBO). La propuesta DMN basada en SPWCC ofreció un rendimiento mejorado con una precisión máxima del 97.6%, una sensibilidad del 98% y una especificidad del 97%.