Ante los crecientes desafíos de seguridad de Internet de las cosas (IoT), los Sistemas de Detección de Intrusos (IDS) tradicionales quedan cortos debido a las características y limitaciones únicas de los dispositivos IoT. Este documento presenta un modelo de detección efectivo y ligero que fortalece la seguridad de IoT al abordar la alta dimensionalidad de los datos de IoT. Este modelo fusiona un autoencoder apilado asimétrico con una Red Neural Profunda (DNN), aplicando aprendizaje de una sola clase. Logra una alta tasa de detección con falsos positivos mínimos en poco tiempo. En comparación con enfoques de vanguardia basados en el conjunto de datos BoT-IoT, muestra una tasa de detección más alta de hasta 96.27% en 0.27 s. Además, el modelo logra una precisión del 99.99%, una precisión del 99.21% y una puntuación f1 del 97.69%. Estos resultados demuestran la efectividad y significado del modelo propuesto, confirmando su potencial para un despliegue confiable en problemas reales de seguridad de IoT.