En el entorno empresarial actual, reducir costos es crucial debido a la variedad de dispositivos de Internet de las Cosas (IoT) y la infraestructura de seguridad. Sin embargo, aplicar medidas de seguridad a escenarios empresariales complejos puede llevar a una degradación del rendimiento, lo que lo convierte en una tarea desafiante. Para superar este problema, proponemos un nuevo algoritmo basado en el aprendizaje por refuerzo profundo (DRL) para optimizar costos en plataformas de seguridad definidas por software de computación multipartita (MPC-SDSmp) en tiempo real. Para lograr esto, primero integramos requisitos de seguridad e infraestructura fragmentados en el modelo en la nube de MPC-SDSmp con capacidades de protección de la privacidad para reducir los costos de implementación. Aprovechando el poder del DRL y la tecnología de computación en la nube, mejoramos las capacidades de coincidencia en tiempo real y adaptación dinámica de la plataforma de seguridad (Smp). Esto nos permite generar una estrategia de programación en tiempo real para los recursos de Smp que cumpla con los objetivos de bajo costo para reducir los costos operativos. Nuestros resultados experimentales demuestran que el método propuesto no solo reduce los costos en un 13.6%, sino que también asegura el equilibrio de carga, mejora la satisfacción de la calidad del servicio (QoS) en un 18.7% y reduce el tiempo de respuesta promedio en un 34.2%. Además, nuestra solución es altamente robusta y mejor se adapta a entornos en tiempo real en comparación con los métodos existentes.