El Internet de las Cosas (IoT) se está desarrollando como un fenómeno novedoso que se aplica en el crecimiento de varias aplicaciones cruciales. Sin embargo, estas aplicaciones continúan funcionando en una estructura de almacenamiento centralizada, lo que conlleva varios problemas importantes, como la seguridad, la privacidad y un único punto de fallo. En los últimos años, la tecnología blockchain (BC) se ha convertido en un pilar para la progresión de aplicaciones basadas en IoT. La técnica de BC se utiliza para resolver los problemas de seguridad, privacidad y único punto de fallo (dependencia de terceros) encontrados en las aplicaciones de IoT. Por otro lado, los ataques de denegación de servicio distribuido (DDoS) en los grupos de minería revelaron la existencia de líneas de falla vitales entre las redes de IoT asistidas por BC. Por lo tanto, el estudio actual diseña un sistema de detección de intrusiones basado en Harris Hawks híbridos con seno coseno y aprendizaje profundo (H3SC-DLIDS) para un entorno de IoT compatible con BC. El objetivo del enfoque H3SC-DLIDS presentado es reconocer la presencia de ataques DDoS en el entorno de IoT asistido por BC. Para habilitar la comunicación segura en las redes de IoT, se utiliza la tecnología BC. La técnica propuesta H3SC-DLIDS diseña una técnica H3SC integrando los conceptos de optimización de Harris Hawks (HHO) y algoritmo de seno coseno (SCA) para la selección de características. Para el proceso de detección de intrusiones, en este estudio se utiliza un modelo de auto-codificador de memoria a corto plazo (LSTM-AE). Finalmente, se implementa el algoritmo de optimización aritmética (AOA) para la sintonización de hiperparámetros de la técnica LSTM-AE. El método propuesto H3SC-DLIDS fue validado experimentalmente utilizando la base de datos BoT-IoT, y los resultados indican el rendimiento superior de la técnica H3SC-DLIDS propuesta sobre otros métodos existentes, con una precisión máxima del 99.05%.