Un sistema de detección de intrusiones sirve como la columna vertebral para proporcionar seguridad de red a un nivel alto. Se han descubierto diferentes formas de ataques de red y continúan volviéndose gradualmente más sofisticados y complicados. Con el amplio uso de aplicaciones basadas en internet, la ciberseguridad se ha convertido en un área de investigación importante. A pesar de la disponibilidad de muchos sistemas de detección de intrusiones existentes, se necesitan sistemas de ciberseguridad intuitivos debido al alarmante aumento de los ataques de intrusión. Además, con nuevos ataques de intrusión, la eficacia de los sistemas existentes disminuye a menos que evolucionen. La falta de conjuntos de datos reales agrega dificultades adicionales para investigar adecuadamente este problema. Este estudio propone un enfoque de detección de intrusiones para el entorno de red moderno considerando los datos de redes satelitales y terrestres. Incorporando modelos de aprendizaje automático, el estudio propone un modelo de conjunto RFMLP que integra bosque aleatorio (RF) y perceptrón multicapa (MLP) para aumentar el rendimiento de detección de intrusiones. Para analizar la eficiencia del marco propuesto, se utilizan tres conjuntos de datos diferentes para experimentos y validación, a saber, KDD-CUP 99, NSL-KDD y STIN. Además, se realiza una comparación de rendimiento con modelos de vanguardia que sugiere que el RFMLP puede detectar ataques de intrusión con mayor precisión que los enfoques existentes.