En este artículo, investigamos el uso de funciones Bent, particularmente la construcción de Maiorana-McFarland (M-M), como un método de preprocesamiento no lineal para mejorar los sistemas de detección basados en aprendizaje automático para ataques de Denegación de Servicio Distribuida (DDoS) y Cross-Site Scripting (XSS). Los resultados experimentales demostraron mejoras consistentes en el rendimiento de clasificación tras la transformación Bent M-M. En datos DDoS etiquetados, el rendimiento de clasificación se mantuvo en un 100% de precisión, con estadísticas Kappa mejoradas y tasas de mala clasificación más bajas. En datos XSS etiquetados, la precisión de clasificación se redujo del 100% al 87.19% para disminuir el sobreajuste. El clasificador transformado también mitigó el sobreajuste al aumentar la diversidad de características. En datos DDoS y XSS no etiquetados, la precisión mejoró del 99.85% al 99.92% en casos de aprendizaje no supervisado para DDoS, y la precisión mejoró del 98.94% al 100% en casos de aprendizaje no supervisado para XSS, notándose también una mejor separación de clústeres. En resumen, los resultados sugieren que las funciones Bent mejoran significativamente la detección de DDoS y XSS al mejorar la separación entre tráfico benigno y malicioso. Todos estos aspectos, junto con el aumento de la calidad del conjunto de datos, incrementan nuestra confianza en la detección de resiliencia en un pipeline de detección cibernética.