El aumento del uso de sistemas ciberfísicos (CPS) ha captado la atención de los ciberdelincuentes, especialmente con la participación de internet, provocando una mayor superficie de ataque. El aumento del uso de estos sistemas genera flujos de datos pesados, que deben ser analizados para garantizar la seguridad. En particular, los algoritmos de aprendizaje automático (ML) y aprendizaje profundo (DL) han demostrado viabilidad y resultados prometedores para cumplir con el requisito de seguridad a través de la adopción de inteligencia. Sin embargo, el rendimiento de estos modelos depende en gran medida de la estructura del modelo, hiperparámetros, conjunto de datos y aplicación. Por lo tanto, los desarrolladores solo tienen control sobre la definición de la estructura del modelo y sus hiperparámetros para aplicaciones diversificadas. Por lo general, no todos los modelos funcionan bien en la configuración predeterminada de hiperparámetros. Su especificación es una tarea desafiante y compleja que requiere una experiencia significativa. Este problema puede mitigarse mediante la utilización de técnicas de optimización de hiperparámetros (HPO), que tienen la intención de encontrar automáticamente hiperparámetros eficientes del modelo de aprendizaje en aplicaciones o conjuntos de datos específicos. Este documento propone un mecanismo de seguridad inteligente mejorado para CPS mediante la utilización de HPO. Específicamente, se han considerado técnicas exhaustivas de HPO para la evaluación del rendimiento y la evaluación de los requisitos computacionales para analizar sus capacidades para construir un modelo de seguridad inteligente efectivo para hacer frente a infracciones de seguridad en CPS. Además, analizamos las capacidades de varias técnicas de HPO, normalización y selección de características. Para garantizar el HPO, evaluamos la efectividad de una red neuronal artificial (ANN) basada en DL en un conjunto de datos CPS estándar bajo configuraciones manuales de hiperparámetros y técnicas exhaustivas de HPO, como la búsqueda aleatoria, la búsqueda dirigida en cuadrícula y la optimización bayesiana. Utilizamos el algoritmo min-max para la normalización y SelectKBest para la selección de características. Las técnicas de HPO tuvieron un mejor rendimiento que las configuraciones manuales de hiperparámetros. Lograron una precisión, sensibilidad, recuperación y puntaje F1 de más del 98%. Los resultados resaltan la importancia del HPO para mejorar el rendimiento y reducir los requisitos computacionales, esfuerzos humanos y experiencia.