Cómo lidiar con datos raros y desconocidos en la clasificación de tráfico tiene una influencia decisiva en el rendimiento de la clasificación. Los datos raros dificultan la generación de conjuntos de datos de validación para prevenir el sobreajuste, y los datos desconocidos interfieren con el aprendizaje y degradan el rendimiento del modelo. Este artículo presenta un método de generación de modelos que clasifica con precisión datos raros y nuevos tipos de ataques, sin resultar en sobreajuste. Primero, utilizamos métodos de sobremuestreo para resolver el desequilibrio de datos causado por los datos raros. Separamos el conjunto de datos de prueba en un conjunto de datos de entrenamiento y un conjunto de datos de validación. Se crea un modelo utilizando conjuntos de datos de entrenamiento y validación separados. Además, el conjunto de datos de prueba se utiliza solo para evaluar las capacidades de rendimiento de los modelos de clasificación, con el fin de hacer que el conjunto de datos de prueba sea independiente del aprendizaje. También utilizamos una función softmax que indica numéricamente la probabilidad de que los resultados predictivos del modelo sean precisos en la detección de nuevos ataques desconocidos. En consecuencia, al aplicar el método propuesto al conjunto de datos NSL_KDD, la precisión es del 91.66%, una mejora del 6-16% en comparación con los métodos existentes.