En la detección de ataques de denegación de servicio distribuidos (DDoS), el aprendizaje profundo enfrenta desafíos y dificultades como altas demandas computacionales, largos tiempos de entrenamiento e interpretación de modelos complejos. Esta investigación se centra en superar estos desafíos proponiendo una estrategia efectiva para detectar ataques DDoS en entornos de red desequilibrados. Esta investigación empleó DBSCAN y SMOTE para aumentar la distribución de clases del conjunto de datos permitiendo que los modelos que utilizan LSTM aprendan anomalías temporales de manera efectiva cuando ocurren ataques DDoS. Los experimentos realizados revelaron una mejora significativa en el rendimiento del modelo LSTM cuando se integraron DBSCAN y SMOTE. Esto incluye resultados de pérdida de validación de 0.048 para LSTM con DBSCAN y SMOTE y 0.1943 para LSTM sin DBSCAN y SMOTE, con una precisión del 99.50 y 97.50. Además, hubo un aumento en el puntaje F1 del 93.4% al 98.3%. Esta investigación demostró que DBSCAN y SMOTE pueden utilizarse como una estrategia efectiva para mejorar el rendimiento del modelo en la detección de ataques DDoS en redes heterogéneas, así como aumentar la robustez y confiabilidad del modelo.