El intercambio de datos con dispositivos adicionales a través de redes inalámbricas se simplifica y se vuelve ventajoso gracias a la Internet de las Cosas (IoT), una tecnología emergente. Sin embargo, los sistemas IoT son más susceptibles a ciberataques debido a su continuo crecimiento y avances tecnológicos, lo que podría llevar a ataques poderosos. Un sistema de detección de intrusiones es uno de los mecanismos de defensa clave para la tecnología de la información y las comunicaciones. Las principales deficiencias que afectan a los actuales marcos de seguridad IoT son su incapacidad para detectar intrusiones adecuadamente, su considerable latencia y su prolongado tiempo de procesamiento y retraso. Por lo tanto, este trabajo desarrolla una arquitectura de seguridad inteligente e innovadora llamada Red Cuantizada Basada en Vectorización (VBQ-Net) para proteger las redes IoT. Aquí, se utiliza una metodología de Bolsa de Palabras en Espacio Vectorial (VSBW) para reducir la dimensionalidad de las características e identificar una característica clave de los datos presentados. Además, se emplea una nueva técnica de clasificación, llamada Redes Neuronales de Cuantización de Varianza Aumentada (BVQNNs), para clasificar los diferentes tipos de intrusiones utilizando una matriz de características ponderadas. Se utiliza un algoritmo de Optimización de Búsqueda de Reptiles Multi-Caza (MH-RSO) durante la categorización para calcular el valor de probabilidad para seleccionar las opciones correctas mientras se anticipan intrusiones. En este estudio, se utilizan los conjuntos de datos más conocidos y actuales, como IoTID-20, IoT-23 y CIDDS-001, para validar y evaluar la efectividad de la metodología propuesta. Al evaluar el enfoque propuesto en conjuntos de datos estándar de IoT, el estudio busca abordar las limitaciones de los actuales marcos de seguridad IoT y proporcionar un mecanismo de defensa más efectivo contra ciberataques en sistemas IoT.