La detección de intrusiones en la red es un pilar clave para la sostenibilidad y el funcionamiento normal de los sistemas de información. Los patrones de amenazas complejas y los actores maliciosos pueden causar daños severos a los ciber-sistemas. En este trabajo, proponemos nuevas formulaciones de Aprendizaje Profundo para detectar amenazas y alertas en los registros de red que fueron adquiridos por pfSense, un software de código abierto que actúa como cortafuegos en el sistema operativo FreeBSD. pfSense integra varios servicios de seguridad potentes, como cortafuegos, filtrado de URL y redes privadas virtuales, entre otros. El objetivo principal de este estudio es analizar los registros que fueron adquiridos por una instalación local del software pfSense, con el fin de proporcionar una solución poderosa y eficiente que controle el flujo de tráfico basado en patrones que se aprenden automáticamente a través de las desafiantes arquitecturas de DL propuestas. Para este propósito, explotamos las Redes Neuronales Convolucionales (CNN) y las Redes de Memoria a Largo y Corto Plazo (LSTM) para construir clasificadores robustos de múltiples clases, capaces de asignar cada nueva instancia de registro de red que llega a nuestro sistema a su categoría correspondiente. El rendimiento de nuestro esquema se evalúa mediante la realización de varios experimentos cuantitativos y comparándolo con formulaciones de vanguardia.