Los rápidos avances en los dominios de internet y comunicación han llevado a un gran aumento en el tamaño de la red y los datos equivalentes. Como consecuencia, se han creado varios nuevos ataques que plantean varios problemas desafiantes para la seguridad de la red. Además, las intrusiones pueden lanzar varios ataques y pueden ser manejadas mediante el uso de un sistema de detección de intrusiones (IDS). Aunque existen varios modelos de IDS en la literatura, todavía es necesario mejorar la tasa de detección y disminuir la tasa de falsas alarmas. Los recientes desarrollos de sistemas de IDS basados en aprendizaje automático (ML) y aprendizaje profundo (DL) se están desplegando como posibles soluciones para una detección de intrusiones efectiva. En este trabajo, proponemos un modelo de clustering basado en optimización aritmética habilitado con aprendizaje profundo (AOEDBC-DL) para una detección de intrusiones inteligente.