Este estudio investiga los desafíos técnicos de aplicar Máquinas de Vectores de Soporte (SVM) para clasificación multiclase en detección de intrusiones en redes utilizando el conjunto de datos UWF-ZeekDataFall22, etiquetado en base al marco de trabajo MITRE ATT&CK. Un desafío clave radica en manejar clases desequilibradas y patrones de ataque complejos, inherentes en los datos de detección de intrusiones. Este trabajo destaca las dificultades en implementar SVM para clasificación multiclase, especialmente con los métodos Uno-contra-Uno (OvO) y Uno-contra-Todos (OvA), incluyendo problemas de escalabilidad debido al gran volumen de registros de tráfico en red y la tendencia de las SVM a ser sensibles a datos ruidosos y desequilibrios de clases. SMOTE se utilizó para abordar los desequilibrios de clases, mientras que se aplicaron técnicas de preprocesamiento para mejorar la selección de características y reducir el ruido en los datos. La estructura única de los datos de tráfico en red, con patrones superpuestos entre vectores de ataque, planteó desafíos significativos para lograr una clasificación precisa. Nuestro modelo alcanzó una precisión de más del 90% con OvO y más del 80% con OvA, demostrando que a pesar de estos desafíos, las SVM multiclase pueden aplicarse efectivamente a tareas complejas de detección de intrusiones cuando se combinan con técnicas de equilibrado y preprocesamiento apropiadas.