Las botnets representan una verdadera amenaza para la ciberseguridad al facilitar actividades criminales como la distribución de malware, ataques que involucran la negación de servicio distribuida, fraude, fraude por clic, phishing e identificación de robo. Los métodos actualmente utilizados para la detección de botnets solo son apropiados para comandos de botnets específicos y protocolos de control; no respaldan la identificación de botnets en fases tempranas. Los guardias de seguridad han utilizado exitosamente señuelos en varios sistemas de defensa de seguridad informática. Los señuelos se utilizan con frecuencia en la defensa contra botnets porque pueden atraer compromisos de botnets, revelar espías en la membresía de botnets y disuadir el comportamiento de los atacantes. Los atacantes que crean y mantienen botnets deben idear formas de evitar las trampas de los señuelos. Los métodos de aprendizaje automático apoyan la identificación e inhiben las amenazas de botnets para abordar los problemas asociados con los ataques de botnets. Para elegir las mejores características para alimentar como entrada a los clasificadores de aprendizaje automático para estimar el rendimiento de la detección de botnets, se sugiere en este trabajo una Estrategia de Clasificador Meta de Conjunto basada en Kernel (KEMC). Y se utilizan algoritmos de optimización inteligente de enjambre de partículas (PSO) y algoritmo genético (GA) para establecer el orden ideal. El modelo cubierto en este artículo se emplea para predecir circunstancias de ciberseguridad en Internet. La Entropía Cruzada Binaria (pérdida), el optimizador GA-PSO, las funciones de activación Softsign y los conjuntos se utilizaron en el experimento para producir los mejores resultados. El modelo tuvo éxito porque para el malware sin archivo, recopilado de conjuntos de datos conocidos, logró una precisión total del 93.3% con un Rango de Verdaderos Positivos (TP) del 87.45% en cero Falsos Positivos (FP).