Los entornos de IoT han introducido diversos servicios de apoyo logístico en nuestras vidas y comunidades, en áreas como la educación, la medicina, el transporte y la agricultura. Sin embargo, con las nuevas tecnologías y servicios, el tema de la privacidad y la seguridad de los datos se ha vuelto más urgente. Además, los rápidos cambios en IoT y las capacidades de los ataques han resaltado la necesidad de un marco adaptativo y confiable. En este estudio, aplicamos la simulación propuesta al marco híbrido propuesto, utilizando aprendizaje profundo para continuar monitoreando los datos de IoT; también utilizamos la asociación de blockchain en el marco para registrar, abordar, gestionar y documentar todos los puntos de datos del sensor de IoT. Se ejecutaron cinco sensores en un entorno de simulación SimPy para verificar y examinar la capacidad de nuestro marco en un entorno de IoT en tiempo real; el aprendizaje profundo (ANN) y la técnica de blockchain se integraron para mejorar la eficiencia en la detección de ciertos ataques (benignos, parte de un escaneo de puerto horizontal, ataque, C&C, Okiru, DDoS y descarga de archivos) y para continuar registrando todos los datos del sensor de IoT, respectivamente. La comparación de diferentes modelos de aprendizaje automático (ML) mostró que el DL superó a todos ellos. Curiosamente, los resultados de la evaluación mostraron un nivel maduro y moderado de precisión y exactitud, alcanzando el 97%. Además, el marco propuesto confirmó un rendimiento superior bajo diversas condiciones, como diferentes tipos de ataques y tamaños de red, en comparación con otros enfoques. Puede mejorar su rendimiento con el tiempo y puede detectar anomalías en entornos de IoT en tiempo real.