Los algoritmos de generación de dominios (DGAs) representan una clase de malware utilizado para generar un gran número de nuevos nombres de dominio con el fin de lograr comunicación de comando y control (C2) entre el programa de malware y su servidor C2 para evitar la detección por medidas de ciberseguridad. El aprendizaje profundo ha demostrado ser exitoso como un mecanismo para implementar la detección de DGA en tiempo real, específicamente a través del uso de redes neuronales recurrentes (RNNs) y redes neuronales convolucionales (CNNs). Este artículo compara varias implementaciones de vanguardia de detección de DGA en la literatura con dos modelos novedosos: un modelo de CNN más profundo y un modelo de Redes de Cápsulas (CapsNet) unidimensional (1D). La comparación muestra que el modelo 1D CapsNet tiene un rendimiento equivalente al del modelo de mejor desempeño de la literatura.