La red definida por software (SDN) es un enfoque transformador para gestionar arquitecturas de red modernas, particularmente en aplicaciones de Internet de las Cosas (IoT). Sin embargo, garantizar el rendimiento y la seguridad óptimos de SDN a menudo requiere un análisis de sensibilidad (SA) robusto. Para complementar los métodos de SA existentes, este estudio propone un nuevo marco de SA que integra el diseño de experimentos (DOE) y técnicas de aprendizaje automático (ML). Aunque se ha demostrado que los métodos de SA existentes son efectivos y escalables, la mayoría de estos métodos aún no han hibridado la detección de anomalías y clasificación (ADC) y la augmentación de datos en un único marco unificado. Para llenar este vacío, se propone una aplicación específica de técnicas existentes bien establecidas. Esto se logra hibridando estas técnicas existentes para llevar a cabo un SA más robusto de una red IoT dependiente de SDN tipificada. El marco híbrido propuesto combina el muestreo de hipercubo latino (LHS) basado en DOE y la augmentación de datos impulsada por redes generativas adversariales (GAN) para mejorar el SA y apoyar la ADC en redes IoT dependientes de SDN. Por lo tanto, se llama DOE-GAN-SA. En DOE-GAN-SA, se utiliza LHS para garantizar un muestreo uniforme de parámetros, mientras que GAN se utiliza para generar datos sintéticos que aumentan los datos derivados de escenarios de red IoT dependientes de SDN tipificados del mundo real. DOE-GAN-SA también emplea un árbol de clasificación y regresión (CART) para validar el conjunto de datos sintético generado por GAN. A través del marco propuesto, se implementa ADC y se lleva a cabo un SA impulsado por una red neuronal artificial (ANN) en una red IoT dependiente de SDN. El rendimiento de la red IoT dependiente de SDN se analiza bajo dos condiciones: un escenario de operación normal y un escenario de ataque de inundación de denegación de servicio distribuido (DDoS), utilizando el rendimiento, la variabilidad y el tiempo de respuesta como métricas de rendimiento. Para validar estadísticamente los hallazgos experimentales, se realizan pruebas de hipótesis para confirmar la significancia de todas las inferencias. Los resultados demuestran que la integración de LHS y GAN mejora significativamente el SA, permitiendo la identificación de parámetros críticos de SDN que afectan el rendimiento de la red IoT dependiente de SDN modelada. Además, la ADC también se apoya mejor, logrando una mayor precisión en la detección de ataques de inundación DDoS a través de la incorporación de observaciones de red sintéticas que emulan el tráfico en tiempo real. En general, este trabajo destaca el potencial de hibridar el DOE basado en LHS, la augmentación de datos impulsada por GAN y el SA asistido por ANN para un análisis y caracterización del comportamiento de la red robusto en un nuevo marco híbrido.