En tiempos recientes, con el avance de la tecnología y la revolución en la información digital, las redes generan grandes cantidades de datos. Debido a la transmisión masiva y rápida de datos, mantenerse al día con los requisitos de seguridad se está volviendo más desafiante. Los sistemas de detección de intrusiones (IDS) basados en aprendizaje automático (ML) se consideran una de las soluciones más adecuadas para la seguridad de big data. A pesar del progreso en ML, las características no relacionadas pueden influir drásticamente en el rendimiento de un IDS. La selección de características juega un papel importante en la mejora de los IDS basados en ML. Sin embargo, el crecimiento reciente de la dimensionalidad en los datos plantea un desafío para los métodos actuales de selección y extracción de características. Debido a la alta dimensionalidad de los datos, los métodos de selección de características sufren en términos de eficiencia y efectividad. En este documento, estamos introduciendo un nuevo flujo de proceso para la selección de características basado en filtros con la ayuda de una técnica de transformación. Generalmente, la normalización o transformación se implementa antes de la clasificación. En nuestro modelo propuesto, implementamos y evaluamos los efectos de la normalización antes de la selección de características. Para presentar un análisis claro sobre los efectos de la transformación de potencia, se implementaron y evaluaron cinco transformaciones diferentes. Además, implementamos y comparamos diferentes métodos de selección de características con el flujo de proceso propuesto. Los resultados muestran que en comparación con el flujo de proceso existente y los métodos de selección de características, nuestro flujo de proceso propuesto para la selección de características puede localizar un conjunto de características más relevante con alta eficiencia y precisión.